具有双向增强特征结构的U型肺结节分割网络

在CT影像中精准而有效地分割出肺部结节是肺癌早期诊断的关键。然而,肺结节形态的多样性以及周围环境的复杂性,都给肺结节分割的鲁棒性带来了巨大的挑战。为提高CT影像中肺结节分割的准确性,提出了Bi EFP-UNet(bidirectional enhanced feature pyramid UNet)肺结节分割网络。该结构采用端到端的深度学习方法来解决肺结节的分割任务,通过在原始U-Net网络的编码器和解码器结构之间集成一个双向增强型特征金字塔网络(bidirectional enhanced feature pyramid network,Bi EFPN),加强网络对特征的传递与利用;利用Mish激活函数提高分割效率,并消除原始U-Net网络梯度消失的问题。在肺结节公开数据集LUNA16上的实验结果表明,Bi EFP-UNet网络的Dice相似系数(DSC)可达88.32%,其中,Bi EFPN结构带来的提升为5.25个百分点,Mish激活函数带来的提升为1.21个百分点;与原始U-Net网络相比,Bi EFP-UNet网络的DSC提升了6.46个百分点,能有效解决原始U-Net网络对小目标结节分割性能差、梯度消失的问题。

基于双向特征金字塔和残差网络的危化品运输车辆检测

危化品运输车辆的主要特征是车顶的危险标志和车牌下的危险品标志,这对于大多数目标检测算法来说检测起来比较困难.为了在提高检测精度的同时加快检测速度,本文提出了一种融合残差网络和双向特征金字塔网络的危化品车辆检测算法.首先通过对高速公路监控视频进行截取,制作危化品车辆数据集,然后通过残差网络进行特征提取,在本文中,使用循环残差模块替换残差块的中间卷积层.接下来通过双向特征金字塔网络进行特征融合,最后通过预测网络得到预测结果.在测试集上进行性能验证,结果显示本文模型的各项指标整体上均要优于其他网络,其中检测精度达到0.961,每秒可以检测43.5张图片,整体性能表现优异,达到了检测精度和速度的均衡.

基于卷积块注意力模块和双向特征金字塔网络的接触网支持装置检测方法研究

接触网支持装置是接触网悬挂状态检测监测图像分析的关键对象,对支持装置零部件的检测定位是实现缺陷自动分析的基础。针对接触网支持装置零部件种类多、尺寸差异大、存在遮挡、部分零部件相似度高等问题,提出一种融合卷积块注意力模块(convolutional block attention module,CBAM)和双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)的接触网支持装置检测方法。在YOLO v5s网络模型基础上,该方法通过CBAM增强接触网支持装置的特征提取,结合BiFPN,实现不同零部件分辨率特征图的融合。利用4C装置获得的图像数据集,开展验证试验。试验结果表明,相对YOLO v5s网络模型,融合CBAM和BiFPN的接触网支持装置检测方法,网络平均精度mAP@0.5提高2.12%;能显著提升小目标检测效果,提高定位的准确性和稳定性,对接触网状态的智能分析有重要意义。

基于YOLOv5s和超声图像的儿童肠套叠特征检测模型

为帮助医生快速寻找到儿童腹部超声中肠套叠的病变特征并实现肠套叠超声诊后数据的快速质检,文章将目标检测算法应用于儿童腹部超声图像检测肠套叠“同心圆”征.首先探索了基于YOLOv5s的儿童肠套叠检测模型,发现该模型检测肠套叠“同心圆”征的精确度、召回率、F 1分数、mAP@0.5、FPS以及参数量等方面均优于Faster RCNN.进一步,为解决肉眼难以观察的“同心圆”征的检测问题,使用双向特征金字塔网络,并将注意力机制加入YOLOv5s网络,形成基于YOLOv5s_BiFPN_SE框架的儿童肠套叠“同心圆”征检测模型.该模型检测的精确率、召回率、F 1分数、mAP@0.5分别达到了91.33%、90.73%、91.03%、88.77%,性能更优于YOLOv5s.

基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测(NILM)技术为需求侧管理提供了技术支撑,而非侵入负荷辨识是负荷监测过程中的关键环节。在负荷数据采样过程中无法实现长期的实时高频采集,得到的负荷数据还存在缺乏时序性的问题;同时,卷积神经网络(CNN)存在对低级信号特征表现不足的缺陷。针对以上两个问题,提出了一种基于上采样金字塔结构的CNN非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号,利用上采样网络扩展数据在时间维度上的相关信息弥补数据的时序性,并通过双向金字塔一维卷积提取负荷信号的高级与低级特征,以对负荷特征进行全面利用,从而实现对未知负荷信号进行识别的目的。实验结果表明,基于上采样金字塔结构的CNN非侵入负荷辨识算法的识别准确率能够达到95.21%,且具有良好的泛化能力,可有效实现负荷辨识。

基于多尺度特征融合的红外单目测距算法

由于MonoDepth2的提出,无监督单目测距在可见光领域取得了重大发展;然而在某些场景例如夜间以及一些低能见度的环境,可见光并不适用,而红外热成像可以在夜间和低能见度条件下获得清晰的目标图像,因此对于红外图像的深度估计显得尤为必要。由于可见光和红外图像的特性不同,直接将现有可见光单目深度估计算法迁移到红外图像是不合理的。针对该问题,对MonoDepth2算法进行改进,提出了基于多尺度特征融合的红外单目测距算法。针对红外图像低纹理的特性设计了一项新的损失函数边缘损失函数,旨在降低图像重投影时的像素误匹配。不同于以往的无监督单目测距单纯地将四个尺度的深度图统一上采样到原图像分辨率计算投影误差而忽略了尺度之间的关联性以及不同尺度之间的贡献差异,将加权的双向特征金字塔网络(BiFPN)应用于多尺度深度图的特征融合,解决了深度图边缘模糊问题。另外用跨阶段部分网络(CSPNet)替换残差网络(ResNet)结构,以降低网络复杂度并提高运算速度。实验结果表明,边缘损失更适合红外图像测距,使得深度图质量更高;在加入BiFPN结构之后,深度图像的边缘更加清晰;将ResNet替换为CSPNet之后,推理速度提高了大约20个百分点。该算法能够准确估计出红外图像的深度,解决夜间低光照场景以及一些低能见度场景下的深度估计难题;该算法的应用也可以在一定程度上降低汽车辅助驾驶的成本。

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9MB,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。

基于Darknet23和特征融合的交通标志检测方法

道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法。利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;将原模型的主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化。实验结果表明,该方法在CCTSDB数据集上mAP@0.75达到86.10%、mAP@0.5:0.05:0.95达到70.017%,相比原网络分别提升10.17%和5.656%,参数量减少3 622 091,速度提升8.27 f/s,且优于SSD和Faster RCNN等主流的检测网络。

基于双向融合SSD的目标检测算法

由于无人驾驶目标检测技术中对于小目标检测精度差、检测速度慢,降低了无人驾驶技术的安全性,实时性差。文中提出一种双向融合的SSD目标检测算法。该算法主要从两方面对SSD算法进行改进:使用基于深度可分解卷积的MobileNet代替传统的VGG-16网络作为SSD的主干网络提取特征,减小模型体积,大大地降低了计算量,提高了检测速度。该模型选取特定特征层,每一特征层经过递归执行核心模块和净化模块后的双向特征融合,组成分叉特征金字塔结构,递归地从深层和浅层双向循环语义和空间信息,有助于提高小目标检测精度。采用Tensorflow深度学习框架设置网络进行实验,在PASCAL VOC和COCO数据集上的实验结果表明,该算法在检测精度与检测速度上均有显著的提高,为无人驾驶技术的安全性与实时性提供了更好的保障。

局部特征表征的6D位姿估计算法

为解决有纹理模型在遮挡条件下6D位姿估计精确度不高的问题,提出了一种局部特征表征的端到端6D位姿估计算法。首先为了得到准确的定位信息,提出了一个空间—坐标注意力机制(spatial and coordinate attention),通过在YOLOv5网络中加入空间—坐标注意力机制和加权双向特征金字塔网络(bidirectional feature pyramid network),YOLOv5-CBE算法的精确度(precision)、召回率(recall)、平均精度均值(mAP@0.5)分别提升了3.6%、2.8%、2.5%,局部特征中心点坐标误差最高提升了25%;然后用YOLOv5-CBE算法检测局部特征关键点,结合3D Harris关键点通过奇异值分解法(singular value decomposition)计算模型的6D位姿,最高遮挡70%的情况下仍然可以保证二维重投影精度(2D reprojection accuracy)和ADD度量精度(ADD accuracy)在95%以上,具有较强的鲁棒性。

基于改进YOLOv5的安全帽检测算法

为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题,设计实现了一种基于YOLOv5的改进目标检测算法,记为YOLOv5-GBCW.首先使用Ghost卷积对骨干网络进行重构,使得模型的复杂度有了显著降低;其次使用双向特征金字塔网络(BiFPN)加强特征融合,使得算法对小目标准确率提升;引入坐标注意力(Coordinate attention)模块,能够将注意力资源分配给关键区域,从而在复杂环境中降低背景的干扰;最后提出了Beta-WIoU作为边框损失函数,采用动态非单调聚焦机制并引入对锚框特征的计算,提升预测框的准确率,同时加速模型收敛.为了验证算法的可行性,以课题组收集的安全帽数据集为基础,选用了多种经典算法进行对比,并且进行了消融实验,探究各个改进模块的提升效果.实验结果表明:改进算法YOLOv5-GBCW相较于YOLOv5s算法,算法平均精确率(IOU=0.5)提升了5.8%,达到了94.5%,检测速度达到了124.6 FPS(每秒处理帧数),模型更加轻量化,在复杂环境、密集场景和小目标场景下检测能力提升显著,并且同时满足安全帽检测精度和实时性的要求,给复杂施工环境下安全帽检测提供了一种新的方法.

结合主动光源和改进YOLOv5s模型的夜间柑橘检测方法

【目的】解决夜间环境下遮挡和较小柑橘难以准确识别的问题,实现采摘机器人全天候智能化作业。【方法】提出一种结合主动光源的夜间柑橘识别方法。首先,通过分析主动光源下颜色特征不同的夜间柑橘图像,选择最佳的光源色并进行图像采集。然后,提出一种夜间柑橘检测模型BI-YOLOv5s,该模型采用双向特征金字塔网络(Bi-FPN)进行多尺度交叉连接和加权特征融合,提高对遮挡和较小果实的识别能力;引入Coordinate attention(CA)注意力机制模块,进一步加强对目标位置信息的提取;采用融入Transformer结构的C3TR模块,在减少计算量的同时更好地提取全局信息。【结果】本文提出的BI-YOLOv5s模型在测试集上的精准率、召回率、平均准确率分别为93.4%、92.2%和97.1%,相比YOLOv5s模型分别提升了3.2、1.5和2.3个百分点。在所采用的光源色环境下,模型对夜间柑橘识别的正确率为95.3%,相比白光环境下提高了10.4个百分点。【结论】本文提出的方法对夜间环境下遮挡和小目标柑橘的识别具有较高的准确性,可为夜间果蔬智能化采摘的视觉精准识别提供技术支持。

基于改进YOLOv5s的轻量级绝缘子缺失检测

针对现有绝缘子缺失检测模型计算复杂度高和小目标难以检测等问题,提出一种基于改进的YOLOv5s轻量级检测模型。首先,移除主干网络中的C3模块来减少模型的参数量。其次,在多尺度特征融合网络中引入卷积块注意力机制来提高复杂背景下模型的特征提取能力。同时,采用加权双向特征金字塔网络结构对特征进行双向跨尺度加权融合,提升网络在遮挡物、相似目标干扰下目标的检测性能。最后,选用SIoU损失函数提升网络的收敛速度和检测精度。实验结果表明,所提模型的平均精准率为96.8%,浮点运算数为2.8 GFLOPS,而原始YOLOv5s在保证97.4%的平均精准率下的浮点运算数为16.3 GFLOPS。相较于原始模型,所提模型对小目标、遮挡目标以及模糊等场景有着较强的鲁棒性,且在保证近似检测精度的同时极大减少了计算量。

基于全卷积网络的X光图像违禁物品检测方法

针对安检通道中人工检测违禁物品导致效率低的问题,提出一种基于全卷积网络改进的X光图像违禁物品检测方法。采用单阶段检测算法提高计算速度和简化模型,实现无锚框情况下的逐像素检测;构建双向特征金字塔进行多尺度融合,一定程度上解决物品重叠的问题并降低漏检率;改进损失函数实现高效的模型训练,减少内存占用和低质量的计算。实验结果表明,所提算法能够在民航安检应用中实现准确、高效的智能X光图像中违禁物品的检测。

基于改进YOLOv7模型的血细胞检测分类

目的探讨改进YOLOv7算法在血细胞图像不同类型细胞自动检测分类中的应用,以提高血细胞识别分类的准确度。方法将滑动窗口变换器模块引入YOLOv7,同时采用加权双向特征金字塔网络结构,使网络能够获取并传递更加丰富的特征信息,使用斯库拉交并比损失代替完全交并比损失,实现更加精准的目标框定位。结果通过不同算法在BCCD血细胞数据集上展开实验可得,改进的YOLOv7模型对红细胞、白细胞和血小板的识别准确度分别达到89.3%、98.5%和91.5%,平均准确度达93.1%,相比于原YOLOv7模型提升了2.6%。通过与已发表的血细胞人工智能检测算法进行对比可知,本文算法具有更高的准确度。结论改进的YOLOv7模型可以有效应用于血细胞识别分类任务,为血细胞的检测提供重要的参考价值。

基于改进型YOLOX的储粮害虫识别技术研究

为平衡储粮害虫图像检测中的速度与精度以获得二者最优结合的目标检测模型,提出并实现了一种基于改进YOLOX网络模型的储粮害虫检测方法。通过引入一种新的GSConv替换标准卷积以减少计算量,结合引入的Res-CBAM注意力机制,提升模型的特征提取能力;引入SiLU激活函数提升模型训练效率;引入双向特征金字塔网络(BiFPN)改善特征融合效果;改进损失函数提高目标框回归稳定性;使用非极大值抑制解决冗余框过剩的问题。试验结果表明:改进后的YOLOX模型计算量减少了31%;检测速度提高了18%,最高可达60 FPS;检测精度提高了6.14百分点,最高可达97.05%。改进的YOLOX模型结合了一阶段算法和二阶段算法的优点,在储粮害虫的智能识别中取得了明显的效果。

基于改进YOLOv7-DeepSort的红外视频多目标跟踪

针对红外图像纹理弱及多目标遮挡导致跟踪精度低的问题,构建了基于改进YOLOv7模型和多目标跟踪算法DeepSort的融合红外目标跟踪模型MSB-YOLOv7-DeepSort。采用SE(squeeze and excitation)通道注意力机制和双向特征金字塔网络提高红外目标的特征提取质量;利用轻量化网络MobileNetV3替换YOLOv7骨干网络,提升融合模型的推理速度。实验结果表明,MSB-YOLOv7-DeepSort模型在跟踪准确度、跟踪精确度、正确目标跟踪比例和帧率等方面均具有较好的性能。

基于改进YOLOv8的道路缺陷检测

针对道路缺陷小目标在复杂背景下检测精度低、漏检误检率高、泛化能力欠佳的问题,提出了一种改进YOLOv8的道路缺陷检测算法SGBNet。首先,Neck部分用加权双向特征金字塔网络(Bi-directional Feature Pyramid Network, BiFPN)替换PANet,提升模型的特征融合能力;其次,Neck引入全局注意力机制(Global Attention Machanism, GAM),在特征融合阶段进行注意力调整,提高检测精度;最后,添加小目标检测层,进一步增强深层语义信息与浅层语义信息的结合,提高对道路缺陷小目标的检测能力。与原始YOLOv8n算法相比,算法SGBNet的精确率、召回率和平均精度分别提升了3.3%, 2.5%和2.5%,实现了对道路缺陷更精准的检测。

基于改进YOLOv5s的田间移动障碍物检测

为实现无人农机在行驶过程中对田间移动型障碍物的实时检测,提出一种基于YOLOv5s的目标检测模型,用于检测田间行人和其他协同作业的农机设备。该目标检测模型以YOLOv5s模型为基础框架,进行了以下三点改进:第一,为了减少模型的参数量和计算复杂度,提高推理速度,将YOLOv5s网络模型中的卷积模块和C3模块替换为Ghost卷积和C3Ghost模块;第二,为了弥补模型参数量减少所造成的精度下降的损失,提升对目标的检测能力,在主干网络输出的特征层中引入CBAM注意力机制;第三,采用BiFPN特征金字塔结构,实现多尺度特征加权融合。实验结果表明,YOLOv5s模型的参数量为7.02×106,计算复杂度为15.8GB,平均检测精度为94%,生成权重文件大小为13.7MB,单幅图像的检测速度为71.43 f/s;改进后的模型参数量为4.04×106,下降了42.45%,计算复杂度缩减为8.5 GB,平均检测精度达到了93.2%,仅仅下降了0.8%,权重文件大小为8.1 MB,单幅图像的检测速度为77.52 f/s。以上数据证明,改进后的模型能够满足对田间移动型障碍物的实时检测,且更加易于部署到移动端设备。

基于CB-Attention的JavaScript恶意混淆代码检测方法

当今JavaScript代码混淆方法日益多样,现有检测方法在对混淆代检测时会出现漏报和误报的情况,为解决该问题,提出一种基于CB-Attention的JavaScript恶意代码检测方法。由SDPCNN模型和BiLSTM+Attention模型构成,SDPCNN对短距离间的语义特征信息进行提取,BiLSTM+Attention获取JavaScript代码中长距离间的语义信息特征。为验证所提方法的有效性,将该方法与其它方法进行对比,对比结果表明,该方法具有较好的检测效果,F1-Score可达98.78%。