基于改进YOLOv5的无人机遥感图像检测算法探究

为了提高YOLOv5模型对无人机遥感图像的检测性能,本文进行了研究,该模型的主要问题是对小目标的漏检率和误检率较高。通过理论分析,发现其Anchor机制具有一定的优化空间,改进策略为使用NWD损失函数代替IoU损失函数。在性能仿真阶段,对比了4种基准模型的特点,将YOLOv5s模型与改进后的模型进行对比,对无人机遥感图像进行检测。结果显示,改进后的YOLOv5模型在准确度、召回率、多类别平均精确度方面均优于改进前。

基于CNN与Transformer的无人机图像目标检测研究

针对无人机航拍图像中存在的密集目标、背景复杂、小目标检测困难、图像尺寸大等问题,提出了卷积神经网络(CNN)与Transformer相结合的无人机图像目标检测算法。该算法在YOLOv5网络的基础上结合了Transformer结构打破了CNN感受野的局限性,凭借自注意力机制捕获全局的依赖关系。同时采用了大尺度的特征图,使用加权双向特征金字塔网络(BiFPN)增强了特征的传播与重用,让网络对小目标的检测能力大大提高。最后使用数据降维与滑动窗口的方法减少网络的内存消耗与计算量。在VisDrone无人机数据集上的实验结果表明所提算法在满足实时性的基础上,平均精确率比YOLOv5网络提高约7%,达到了最先进的42.48%,展现了模型对无人机图像的优秀检测性能。

基于改进R-FCN算法与类激活图的销钉类缺陷细粒度检测

销钉类缺陷常见于输电线路无人机巡检图像中,因图像占比小、缺陷特征不明显等原因,其检测精度低于其他类缺陷。针对该问题,采用基于区域的全卷积神经网络(region-based fully convonlutional networks,R-FCN)算法建立目标检测网络,分析混淆矩阵,确定算法改进策略。首先,通过网格化拆分实现高清晰度图像的预处理;其次,构建类别平衡的大间隔Softmax损失函数,平衡样本数量,增大类间方差,改善网络检测精度;最后,通过类激活映射的方法生成金具级类激活图,提取螺栓背景信息,实现2类易混淆螺栓的细粒度分类。在无人机巡检图像数据集中进行测试,比较所提改进算法与其他经典算法的检测结果,验证了改进R-FCN算法对销钉类缺陷的检测能力。