基于双向加权特征融合网络的铸件内部缺陷检测方法

针对X射线无损探伤过程中铸件内部缺陷小、对比度弱、人工识别效率低等问题,提出了一种基于双向加权特征融合网络的铸件内部缺陷检测方法。在YOLOv5网络模型基础上引入改进的坐标注意力模块(NCA),以提高网络对不规则缺陷和小缺陷的学习能力;引入双向特征金字塔网络(BiFPN)代替原有路径聚合网络(PANet),以实现缺陷特征多尺度高效融合,并使用EIoU Loss回归损失函数提高缺陷边界框定位的精度。试验结果表明,本文所提方法对铸件内部小目标、弱对比度缺陷具有良好的检测性能。

基于改进YOLOv5的路面病害检测模型

针对路面病害检测中由于病害形态多样、种类繁多以及背景灰度值相似造成噪声干扰导致识别与分类精度不高的问题,采用卷积神经网络YOLOv5为主干框架,提出一种基于改进YOLOv5的路面病害检测模型YOLOv5l-CBF。引入坐标注意力机制,调整网络的注意力权重使模型对病害纹理特征更加关注,并在主干网络的残差结构中引入Transformer构建BotNet网络结构,在减少参数量的同时提高对病害图像中全局依赖关系的捕捉能力。同时,在颈部网络中构建双向加权特征金字塔网络,学习每个特征层的重要性分布权重,并对提取到的病害特征进行双向交叉尺度连接和加权融合。在真实路面病害数据集上的实验结果表明:与YOLOv5l模型相比,YOLOv5l-CBF模型精度与召回率分别提升7.4和8.7个百分点,mAP达到90.8%,在对多种病害的检测与分类上具有显著的性能优势。

改进YOLOv5s的明渠漂浮垃圾实时检测方法

针对航拍图像上明渠漂浮垃圾尺寸小,且易受水面倒影、强光等因素干扰从而造成漂浮垃圾漏检和误检的问题,提出了一种基于改进YOLOv5s的明渠漂浮垃圾实时检测方法。首先,通过数据增强的方式对数据集进行扩充,避免数据量过少产生过拟合现象;然后,结合加权双向特征融合网络(BiFPN),对YOLOv5s结构的特征融合过程进行修改,以提高检测精度和速度;并且在Neck和Head部分之间添加3个改进的三维CBAM注意力机制模块,加强网络信息的提取和定位能力,能够有效地降低检测的漏检率和误检率;最后,增大网络输入的分辨率,使图像具有更加丰富的细节信息和更加精确的位置信息,有利于小目标特征信息的提取。实验结果显示改进的YOLOv5s算法检测的平均精度达到了89.9%,与原YOLOv5s算法相比提高了9.5%,而且与其他目标检测算法对比,能够提高明渠漂浮垃圾检测的精度,确保检测的实时性。

SAR影像船舶目标检测技术研究

针对SAR影像特征单一、小船舶目标检测召回率低和近岸目标虚警率高等问题,提出基于跨阶段局部聚合残差变换网络CSPResNeXt(Cross Stage Partial ResNeXt)的SAR影像船舶检测算法。该算法首先在浅层特征提取网络中加入了感受野模块RFB(Receptive Field Block)来模仿人类视觉感知,用以增强目标特征的可辨识性和网络对小尺寸船舶的适应性;其次采用多特征层双向加权融合和多尺度检测方法,对特征进行重组优化,提升目标检测能力;最后提出了相适应的损失函数的计算方法,并通过数据增强提升网络的鲁棒性。在HRSID和SSDD数据集上的实验结果表明,改进算法对密集小目标的检测效果得到了提升,有效降低了近岸强散射目标的误检率,检测速度和精度更加优越。