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。

基于轻量级卷积神经网络的多视觉特征图像分割研究

研究基于轻量级卷积神经网络的多视觉特征图像分割方法,以适应资源受限环境并满足实时性需求。在Linknet网络基础上设计轻量级多视觉特征图像分割模型,以原始多视觉特征图像为编码器输入,经过初步特征提取后,多尺度特征提取模块利用不同尺度卷积核学习其颜色、纹理等特征,通道注意力模块采用压缩-激励块对不同尺度特征作重定向,利用引入深度可分离卷积的特征提取模块A学习更抽象的特征表示,解码器利用特征提取模块B、反卷积层和标准卷积层对编码器提取的特征表示作转换处理,生成包含语义信息的特征图。通过双向特征金字塔网络融合编解码器输出特征,利用Sigmoid函数获得多视觉特征图像分割结果。实验结果表明:该方法训练损失仅为0.08;可实现多视觉特征图像的精准分割,MIoU、F1-score指标分别为0.9128、0.9068;分割模型参数量、计算量、存储空间分别为6.14 MB、1.52 GMac、0.146 GB,满足轻量级要求。

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.

基于多尺度特征融合的穿鞋足迹识别网络

近年来,随着人工智能的快速发展,赤足足迹和穿袜足迹的自动识别均取得了不错的效果,但因为需要脱鞋,应用场景受到了很大的限制。单枚穿鞋足迹识别由于鞋底花纹的多样性、随机性给智能识别造成了很大的阻碍,识别准确率普遍较低,成为了一个具有挑战性的任务。本文聚焦于不同人穿同一种鞋的足迹识别,提出一种基于多尺度特征融合的穿鞋足迹识别网络。采集大量的足迹样本,通过旋转、平移、加噪声等方式模拟犯罪现场足迹图像可能产生的变化,制作了足迹数据集,然后以ResNet为骨干网络,利用双向金字塔特征融合模块充分融合足迹图像的深层特征和浅层特征,最后针对鞋底花纹变化造成网络识别准确率降低的问题,提出了用迁移学习解决的思路,让网络学习未知花纹与现有花纹之间的联系,快速拟合出模型。经过训练测试,本文提出的方法在自制足迹数据集上识别准确率达到了93.1%,CMC评价指标也明显优于其他网络。在新的足底花纹上,迁移学习对比从头开始训练,速度更快、准确率更高。大量的实验证明,本文提出的穿鞋足迹识别网络识别准确率更高,提出的迁移学习的方法在面对新的鞋底花纹时,能够实现更好的效果。

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YOLOP-L的多特征融合道路全景驾驶检测

目前,驾驶员视角下的交通图像检测技术成为交通领域的重要研究方向,同时提取车辆、道路、交通标志等多种特征已经成为驾驶员理解道路信息多样性的亟需任务。以往研究已在单类目标检测的特征提取方面取得了长足进步,然而,这些研究不能很好地联合应用于其他区别较大的特征检测任务中,且融合训练过程中会损失个别特征检测的精度。针对驾驶员视野范围内道路信息多样且复杂的特点,本文提出了一种基于多特征融合训练的检测模型YOLOP-L,它能够同时对多种不同特征交通目标进行融合训练,同时保证单项检测任务的精度。首先,为了解决特征融合中语义信息表达不完整的问题,设计的SP-LNet模块通过FPN与双向特征网络结合实现网络更深层次的融合,使得提取的信息更完整,从而提升道路小目标的检测性能;其次,设计新的分割头深度可分离卷积,将语义信息与局部特征融合促使多特征融合的训练准确度与速度得到进一步提升;再次,体系中设计的GDL-Focal多类混合损失函数更专注于困难样本,可用于解决样本特征不平衡的问题。最后,对比实验表明:YOLOP-L相比原YOLOP网络运行的速度更快;在车辆目标检测任务下召回率提升了2.2%;在车道线检测任务下准确率提升2.8%,车道线IoU的值较HybridNets网络下降2.45%,但较YOLOP-L网络提升1.95%;在可行驶区域分割任务下其整体检测性能提升1.1%。结果表明,在具有挑战性的BDD100K数据集上,YOLOP-L可以在复杂场景下有效解决检测精度不足和分割缺失的问题,提高了车辆识别、车道线检测以及道路行驶区域联合训练的准确性和鲁棒性。

双向特征融合与注意力机制结合的目标检测

目标检测使用特征金字塔检测不同尺度的物体时,忽略了高层信息和低层信息之间的关系,导致检测效果差;此外,针对某些尺度的目标,检测中容易出现漏检。本文提出双向特征融合与注意力机制结合的方法进行目标检测。首先,对SSD(single shot multibox detector)模型深层特征层与浅层特征层进行特征融合,然后将得到的特征与深层特征层进行融合。其次,在双向融合中加入了通道注意力机制,增强了语义信息。最后,提出了一种改进的正负样本判定策略,降低目标的漏检率。将本文提出的算法与当前主流算法在VOC数据集上进行了比较,结果表明,本文提出的算法在对目标进行检测时,目标平均准确率有较大提高。

一种基于金字塔相似层的SIFT双向匹配算法研究

针对SIFT特征匹配算法误匹配点多和特征空间中遍历搜索速度慢的问题,提出了一种基于分层策略的SIFT双向特征匹配算法。首先,建立待匹配图像的金字塔影像,计算图像的SIFT特征点,并根据不同金字塔层将特征点划分为不同的集合;其次,选择某一层集合,在另一图像中寻找相似层,并确定两幅图像金字塔层之间的相似关系,在相似层之间设置阈值完成单方向匹配;然后,利用单向匹配结果完成已配对点集合的反向匹配。实验结果证明本文方法能降低匹配时间,提高匹配正确率。

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。

融合BiFPN与YOLO v5网络的工厂火灾检测

针对工厂火灾检测中存在环境复杂、目标密集、火焰初期目标较小、样本像素较低以及火焰边界特征不明显等问题,提出一种基于改进YOLO v5的工厂火灾检测算法Bi-YOLO v5。该方法通过融合加权双向特征金字塔(BiFPN)来增强特征信息;通过锚框参数优化增强了网络的泛化能力;通过损失函数改进提升了网络的收敛速度。实验结果表明,相比YOLO v5算法Bi-YOLO v5模型的准确率和平均精度分别提高了2.2%和1.7%,并且每帧推理时间降低到了27 ms,达到了在复杂的工厂环境下对火灾检测的要求。

基于注意力机制和跨尺度特征融合的摩托车头盔检测算法

在道路交通摩托车事故中,未佩戴头盔是导致骑乘人员受到致命伤害的主要原因。针对目前头盔检测中由于黑色头发、帽子和头盔的颜色和形状相似存在误检和漏检问题,提出了一种具有三重注意力机制和双向跨尺度特征融合的摩托车头盔检测算法。首先,在YOLOV5s的主干网络中引入三重注意力机制,提取了不同维度之间的语义依赖,消除了通道和权重的间接对应关系,通过关注相似样本的差异从而提升检测精度。其次,采用EIOU边框损失函数优化对遮挡和重叠目标的检测效果。最后,在特征金字塔中采用加权双向特征金字塔网络结构,实现高效的双向跨尺度连接和加权特征融合,增强了网络特征提取能力。实验结果表明,改进算法实现了98.7%的mAP@0.5、94.0%的mAP@0.5:0.95,与原算法相比,改进算法的mAP@0.5提升了3.9%以及mAP@0.5:0.95提升了7.6%,具有更高的精度和更强的泛化能力。

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。

结合注意力和多路径融合的实时肺结节检测算法

现有单阶段目标检测算法在肺结节检测中结节检出不敏感,卷积神经网络(CNN)在特征提取时多次上采样导致微小结节特征提取困难、检测效果差,并且现存肺结节检测算法模型复杂,不利于实际应用部署落地。针对上述问题,提出一种结合注意力机制和多路径融合的实时肺结节检测算法,并在此基础上改进上采样算法,提升肺部结节的检测精度和模型推理速度,且模型的权重小容易部署。首先,在特征提取的主干网络部分融合通道和空间的混合注意力机制;其次,改进采样算法,提高生成特征图的质量;最后在加强特征提取网络部分,在不同路径之间建立通道,实现深层和浅层特征的融合,将不同尺度的语义和位置信息融合。在LUNA16数据集的实验结果表明,相较于原始YOLOv5s算法,所提算法的精确率、敏感度和平均精度分别提升9.5、6.9和8.7个百分点,帧率达到131.6 frame/s,模型权重文件仅有14.2 MB,表明了所提算法可以实时检测肺结节,并且精度远高于YOLOv3和YOLOv8等现有单阶段检测算法。

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。