基于改进RetinaNet网络的水下机器人目标检测与实验

针对目前水下机器人目标检测算法存在图像退化严重和目标识别率低的问题,提出了一种融合改进RetinaNet和注意力机制的水下目标检测算法。首先,把RetinaNet骨干网络替换成DenseNet网络,保留了更多目标特征并减少了参数量。其次,替换初始卷积为深度分离可变形卷积,从而大大减少了模型的参数量,提高了模型的运算速度。最后,引入CBAM注意力模块,利用CBAM模块在空间和通道2个维度加强特征,减少了水下复杂环境对目标检测的干扰。水下机器人抓取实验结果表明,与初始的RetinaNet算法相比,改进后的算法mAP值可达81.9%,参数量为56.8 MB,检测速度为16.8 f/s,在水下目标检测方面性能优异。

基于改进RetinaNet模型的口罩规范佩戴检测方法

新冠病毒在全球传播期间,规范佩戴口罩是最有效的防范方式。对公共场所中密集人群的口罩佩戴是否规范进行检测时,由于目标紧邻、遮挡以及含有大量的小目标,存在检测精度低、错检和漏检率高的问题。为了解决上述问题,文章提出一种基于改进RetinaNet模型的口罩规范佩戴检测方法。通过引入ECA-Net注意力模块,使得对口罩目标特征给予更多的关注,提高检测精度;其次,在特征金字塔FPN后引入自适应空间特征融合模块ASFF,来充分利用多尺度特征,进行更加充分的融合。使用该文所提出的方法在自制的口罩规范佩戴数据集进行实验,结果表明该文方法的整体性能优于其他的检测算法。

基于改进RetinaNet的马拉松号码簿检测方法研究

针对自然场景中马拉松运动员号码簿的扭曲形变与多目标混合等复杂情况,提出一种基于改进RetinaNet的号码簿检测网络模型,以提高号码簿检测精度。该模型以RetinaNet为基础网络结构,在原有候选框生成策略中引入角度参数,通过生成不同角度、大小的候选框来匹配水平及倾斜目标。模型中针对旋转检测框在角度回归中引起的边界问题,采用环形平滑标签方法将角度回归问题转化为分类问题,通过对窗口函数及窗口半径的设置,使得目标区域定位更精确。实验结果表明,在收集到的真实马拉松数据集上,相比原始RetinaNet,改进后的模型在简单及复杂背景下的检测精度均有所提升。在相同数据标注的条件下,与具有多角度的文本检测模型CTPN、EAST模型相比,改进后模型对于倾斜号码簿的检测性能更优。

改进RetinaNet的农作物病虫害检测模型研究

【目的】为快速准确检测密集遮挡环境下农作物病虫害情况,满足大规模、高效率的识别需求。研究提出了一种改进RetinaNet的农作物病虫害检测模型。【方法】结合DenseNet改造RetinaNet的特征提取网络,强化特征重用,提高深度网络模型对农作物害虫的识别率,准确、快速地识别出病虫害的种类。其非极大抑制算法采用了DIoU策略,有效降低了在目标密集的情况下农作物病虫害的漏检率,提高了检测精度。【结果】改进后的算法模型具有较高的检测精度和良好的实时性,对作物密集遮挡情况有较好的适应性,mmAP达到了49.8%。【结论】将模型应用于复杂的农作物生长环境中,能有效提升病虫害智能检测能力。

改进RetinaNet的无人机小目标检测

无人机技术的不断成熟,使得搭载高效视觉系统的无人机应用也更加广泛。针对无人机航拍图像中小目标较多、分辨率低等原因导致的检测精度不高的问题,提出了一种改进RetinaNet的无人机航拍目标检测算法。算法针对特征图中小目标信息提取不足的问题,设计了多阶段特征融合方法,并将其与注意力机制串联设计了特征挖掘模块,可以在浅层特征图中融入深层的语义信息,丰富小目标特征;设计了基于中心点检测的无锚框(Anchor-free)方法,网络通过对中心点的回归来定位目标,而不是通过固定大小的锚框去匹配,这样做可以使网络对小目标的回归更加灵活,提高了算法的整体性能;且通过深度可分离卷积方法对网络进行轻量化设计,以压缩模型大小并提高检测速度。实验结果表明,改进算法较原RetinaNet算法平均精度提升了8.5%,检测速度提升了6帧/s,且与其他先进算法相比也具有性能优势,达到了检测精度与检测速度的均衡。

基于改进RetinaNet的高铁无砟轨道板表面裂缝检测

针对高铁无砟轨道板表面裂缝尺度差异大、裂缝类别不平衡等问题,提出了基于改进RetinaNet的裂缝检测方法。为了缓解下采样与特征金字塔横向连接压缩而导致的细微信息丢失的问题,利用多级特征金字塔融合ResNet-50主干网络中提取的不同层次的深浅特征,实现了图像特征信息的充分表达;为了解决检测过程中表面裂缝的分类和定位置信度之间不匹配的问题,提出自适应锚点学习使锚点与网络模型同时进行优化,提高了对小尺度裂缝的检测精度;为了缓解裂缝类别不平衡对检测性能的影响,引入焦点损失函数(Focal Loss)作为分类损失函数,并在其中添加类平衡权重项因子,提升了对小类别裂缝的检测精度。实验结果表明,改进RetinaNet检测网络对高铁无砟轨道板不同类别的裂缝均获得了较好的效果,平均检测精度(mAP)达到72.58%,较之原始RetinaNet检测网络提高了3.60个百分点,有效实现了对不同尺度裂缝的准确检测。

面向单一背景的改进RetinaNet目标检测方法研究

基于深度学习的目标检测算法在工业缺陷检测领域得到了充分推广与应用,但少有适用于工业检测场景中单一背景的算法。文中以工业检测场景中具有大量简单重复背景为出发点,对RetinaNet算法进行了如下改进:1)引入难负样本挖掘策略,减小了大量简单重复负样本对对模型拟合正样本的影响;2)设计了自适应忽略样本选择策略,避免与正样本交并比高的样本混入负样本而混淆模型训练;3)简化了RetinaNet的分类子网络,降低了模型改进后的过拟合风险。在公开的PCB缺失孔数据集及自建的LED气泡数据集上,相比RetinaNet算法,改进后的方法在召回率上分别提升了14.1%和1.8%,在精确率上分别提升了3.6%和0.4%,表明改进后的方法能显著提升单一背景下的目标检测水平。

基于改进RetinaNet的白酒瓶盖缺陷检测方法

针对瓶装白酒包装质检存在的检测准确度低,小目标重合度高导致误检漏检的情况,提出一种基于RetinaNet的目标检测优化算法,主要使用白酒瓶盖瑕疵数据集进行检测。方法将网络Backbone替换为Swin Transformer,其包含的窗口注意力机制运算有效提升瓶盖瑕疵检测精度同时降低复杂度节省了计算量。在Neck阶段使用神经架构搜索特征金字塔网络(FPN)代替FPN,利用自动架构搜索选出最佳特征融合层,为后续检测提供更高质量的模型,最后采用Soft-NMS降低检测框置信度保留一定真实框,有效的防止瓶盖瑕疵过近或重叠造成漏检。实验证明,改进算法能够精准的识别出各类瓶盖瑕疵,检测精度在白酒瓶盖瑕疵数据集达到了93.53%,相较于原网络提升了8.02%。

改进RetinaNet的工艺流程检测算法

现阶段,图像深度学习算法无法检测时序性的工艺流程问题。本文针对针织机械山板总成的人为装配工艺进行研究,提出MS-RetinaNet目标检测算法。借鉴自然语言处理的思想,引入Swin-Transformer结构,保留了CNN结构的层次性,弥补了CNN结构对于高层语义信息融合不足的问题,增强了全局与细节学习能力;使用改进的GIoU Loss,增加判定因子式,缓解损失计算退化的影响,优化边界框回归效果;根据多尺度目标参数,采用最佳锚框比,提高了召回率和检测精度;设计时序检测头,使算法具有判别目标先后顺序和逻辑关系的能力。实验结果表明,算法AP可达90.3%,高于当前主流算法2%以上,单张图片检测速度约46 ms,满足了工艺流程的时序检测要求,综合性能优越。

基于改进RetinaNet算法和无人机影像的松材线虫病疫木检测

松材线虫病是一种传播速度快的毁灭性森林病害,及时识别、处置染病变色疫木是控制该病扩散蔓延的主要手段。该文研究了利用RetinaNet算法自动识别无人机遥感影像上的松材线虫病变色疫木,并将注意力机制引入到主干特征提取网络以减少背景对检测效果的影响,提高特征提取能力。结果表明,改进后的RetinaNet算法平均精度为97.2%,单张影像测试时间为17 ms,表现优于Fasterr R-CNN、SSD和RetinaNet。基于研究成果,对崂山区林地进行疫木航拍图像检测,实地抽检准确率达到98%。

旋转矩形框与CBAM改进RetinaNet的SAR图像近岸舰船检测

针对海岸、岛礁、码头等因素干扰而造成的SAR图像近岸舰船检测精度不高问题,设计了采用旋转矩形框与卷积注意力模块CBAM(Convolutional Block Attention Module)改进RetinaNet的SAR图像近岸舰船检测方案。该方案在RetinaNet算法基础上,利用具有目标角度参数的旋转矩形框减弱非目标区域对舰船特征提取的干扰,在RetinaNet特征提取网络相邻残差块之间加入卷积注意力模块进行目标特征的有效聚焦,从而改善近岸舰船检测效果。利用公开的SSDD数据集、自标注近岸数据集进行了舰船检测实验,得到的检测精度相较于常规RetinaNet算法分别提升了7.02%和8.89%,验证了该方案的有效性。

改进RetinaNet的水泥路面露骨病害检测

露骨病害是水泥路面常见的病害之一,会严重影响路面使用年限和行车安全性能.因此,及时对露骨病害进行检测与修复十分重要.针对传统的人工检测方法检测精度不高且检测效率低的问题,本文提出一种基于改进RetinaNet模型的水泥路面露骨病害检测方法.首先对人工和检测车采集露骨病害图像进行滤波、去噪等预处理操作,构建模型训练数据集;然后将SE Net结构嵌入特征提取网络,并改进特征金字塔网络;最后实现改进的RetinaNet对水泥路面露骨病害的检测.结果表明,改进的RetinaNet模型在露骨病害检测精度上比原模型提高了4.9%,达到98.9%.且在相同测试数据上,相比Faster R-CNN、SSD和YOLOv3方法,检测效果均提升显著.

基于改进RetinaNet的果园复杂环境下苹果检测

为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双向特征金字塔网络(Bi-directional Feature Pyramid Network,BiFPN)对不同尺度的特征进行加权融合,提升对小目标和遮挡目标的召回率;最后,采用基于焦损失(Focal Loss)和高效交并比损失(Efficient Intersection over Union Loss,EIoU Loss)的联合损失函数对网络进行优化,提高网络的检测准确率。试验结果表明,改进的网络在测试集上对叶片遮挡、枝干/电线遮挡、果实遮挡和无遮挡的苹果检测精度分别为94.02%、86.74%、89.42%和94.84%,平均精度均值(meanAveragePrecision,mAP)达到91.26%,较传统RetinaNet提升了5.02个百分点,检测一张苹果图像耗时42.72 ms。与Faster-RCNN和YOLOv4等主流目标检测网络相比,改进网络具有优异的检测精度,同时可以满足实时性的要求,为采摘机器人的采摘策略提供了参考。

基于改进RetinaNet的电力设备红外目标精细化检测模型

电力设备在运行过程中会产生大量红外图像,当红外图像中的电力设备存在排列密集、具有倾斜角度、大长宽比的情况时,基于水平矩形框的目标检测网络只能给出目标概略位置,易发生目标检测区域重叠,引入冗余背景信息,使得检测结果不够精细。针对此问题,提出在RetinaNet目标检测网络中引入旋转矩形框机制,并在网络输入端引入Mosaic数据增强技术;将原特征提取网络中ReLU函数替换为梯度流更平滑的Mish激活函数;在原模型FPN模块后追加PAN模块进一步融合图像特征。最后利用现场采集的电力设备红外图像制作数据集,将改进后的模型与Faster R-CNN、YOLOv3、原RetinaNet三种基于水平矩形框定位的目标检测网络进行对比评估,实验表明改进后的模型可以更为精细地检测出密集场景下带有倾角的电力设备红外目标,在多类别电力设备检测准确率对比上高于以上3种模型。

基于改进RetinaNet的自然环境中蝴蝶种类识别

蝴蝶是一种对栖息地敏感的昆虫,自然环境中的蝴蝶种类分布反映了区域生态系统平衡和生物多样性.专家鉴别蝴蝶种类耗时耗力,计算机视觉技术为野外环境中蝴蝶种类自动识别提供了可能.针对野外环境下的蝴蝶图像特征,提出2种新的硬注意力机制,DSEA(direct squeeze-and-excitation with global average pooling)和DSEM(direct squeeze-and-excitation with global max pooling),改进经典目标检测算法RetinaNet,并引入可变形卷积增强RetinaNet对蝴蝶形变的建模能力,实现野外环境下蝴蝶种类自动识别.以mAP(mean average precision)目标检测指标评价模型性能,通过实验结果可视化,分析影响模型性能的关键因素.实验结果显示,提出的改进RetinaNet对自然环境下的蝴蝶识别任务具有很不错的效果,特别是基于DSEM的RetinaNet;分布平衡的训练集可以提升提出模型的泛化性能;样本的结构相异性是影响模型性能的关键因素.

改进RetinaNet的水稻冠层害虫为害状自动检测模型

中国现行的水稻冠层害虫为害状田间调查方法需要测报人员下田目测为害状发生情况,此种人工调查方法存在客观性差、效率低与劳动强度大等问题。近几年,诸多学者开始利用深度学习方法来识别植物病虫为害状,但大多针对单株或单个叶片上病虫害种类进行识别研究。该研究采集了水稻冠层多丛植株上稻纵卷叶螟和二化螟为害状图像,提出一种改进RetinaNet的水稻冠层害虫为害状自动检测模型。模型中采用ResNeXt101作为特征提取网络,组归一化(Group Normalization,GN)作为归一化方法,改进了特征金字塔网络(Feature Pyramid Network,FPN)结构。改进后的RetinaNet模型对2种害虫为害状区域检测的平均精度均值达到93.76%,为实现水稻害虫为害状智能监测提供了理论依据和技术支持。

面向小目标检测的改进RetinaNet模型及其应用

基于深度学习的目标检测算法广泛应用于工业检测,RetinaNet算法因兼具速度与精度两方面的优势而备受关注,但对于小于32×32像素的小目标,该算法的检测精度不能满足工业检测的要求。为此,文中以增强小目标的训练为基本思路,针对RetinaNet算法进行了如下改进:在采样阶段,将低层特征图P2添加到FPN中,以确保小目标能被充分采样,同时引入自适应训练样本选择策略,以保证增加特征层之后仍能保持足够快的检测速度;在训练后期采用了损失权重调整策略,用于提高小目标中困难样本的拟合度。针对公共数据集MS COCO 2017及实际应用中的LED点胶工业数据集,改进后的方法使小于32×32目标的检测精度分别提高了4.1%和10.7%,这表明改进后的方法能显著提升小目标检测的水平。

采用改进RetinaNet的笼养肉鸽繁育期个体检测模型

实现繁育期精准个体检测是提高集约养殖环境下肉鸽繁育效率和精准管控效果的有效手段,其中小目标鸽蛋及粘连乳鸽的精准检测是关键。该研究提出了一种基于改进RetinaNet的目标检测模型,以RetinaNet网络为基础框架,将ResNet50特征提取网络与特征金字塔网络(FeaturePyramidNetworks,FPN)结合,增加特征金字塔网络中特征检测尺度,提升对图像中遮挡鸽蛋与粘连乳鸽的检测精度;在分类和回归子网络前引入卷积注意力模块(ConvolutionalBlock Attention Module,CBAM),提升对小目标检测的精度。试验结果表明,该研究提出的模型对于笼养肉鸽个体检测的平均精度均值(mean Average Precision,m AP)达到80.89%,相对SSD等传统模型有明显提升;对成鸽、乳鸽与鸽蛋检测的平均精度(Average Precision,AP)分别为95.88%,79.51%和67.29%,相对原始RetinaNet模型提高了2.16、21.74和22.48个百分点,在保证成鸽精准检测的基础上,提升了对复杂环境下存在局部遮挡的小目标鸽蛋以及粘连乳鸽的检测精度,为实现集约化养殖环境下肉鸽繁育周期个体检测和精准管控提供有效支持。

改进RetinaNet的刺梨果实图像识别

为实现加工车间刺梨果实的快速识别,提出一种基于改进的RetinaNet刺梨果实图像的识别方法。基于RetinaNet的模型,对RetinaNet框架中Focal loss的bias进行改进,使其能根据不同的情况控制bias的取值,再运用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层,对卷积神经网络结构进行优化。通过改进RetinaNet目标检测算法对7426幅刺梨果实图像进行检测识别,并与原始RetinaNet目标检测算法对比。试验结果表明:改进的RetinaNet网络模型识别方法对6类刺梨果实的识别率分别为99.47%、91.42%、96.92%、90.92%、96.89%和93.53%,平均识别率为94.86%;相对于原始RetinaNet目标检测算法,改进算法的识别准确率提高4.21%,单个刺梨果实检测时间由60.99 ms缩减到57.91 ms,检测时间缩短5.05%。本文改进算法对加工车间刺梨果实的识别具有较高的正确率和实用性。

改进RetinaNet的遮挡目标检测算法研究

针对目标检测任务中目标实例密集、重叠等因素导致的检测精度不高的问题,提出一种改进回归损失函数与动态非极大值抑制的目标检测框架。采用结合排斥因子Rep的GIoU-Loss进行目标位置回归,在增加回归参数间相关性的同时降低候选边框向邻近真值偏移概率。Rep-GIoU-Loss不仅有效提升目标位置回归精度,对目标遮挡情形也具有较好的鲁棒性。此外,增加稠密度预测分支预测目标被遮挡程度,并将遮挡程度预测值作为NMS方法的动态阈值,以减少漏检、虚检目标实例。实验结果表明,改进方法检测精度在PASCALVOC2007测试数据集上提高了1.3个百分点,自制数据集可提高2.8个百分点,验证了该方法的有效性。