无人机高空航拍视角下小尺度车辆精确检测方法

无人机高空航拍图像中车辆像素占比极低,目标可视化信息较少,在目标检测任务中容易漏检和误检。因此,本文提出一种基于改进YOLOX(You Only Look Once X)的无人机高空航拍视角下小尺度车辆精确检测方法。首先,为增强网络对低级特征的提取能力,在原始YOLOX预测头部增加一个160 pixel×160 pixel的浅层特征提取网络;其次,在骨干网络后端嵌入基于归一化的注意力机制模块(Normalization-based Attention Module,NAM),以抑制冗余的非显著特征表达;最后,为了增大小尺度车辆的相对像素比,提升网络捕捉有效特征信息的能力,提出一种基于滑动窗口的图像切分检测方法。试验结果表明,改进YOLOX网络表现出良好的检测效能,检测精度达到了84.58%,优于典型的目标检测网络Faster R-CNN(79.95%)、YOLOv3(83.69%)、YOLOv5(84.31%)及YOLOX(83.10%)。此外,改进YOLOX能够有效解决无人机高空航拍图像中小尺度车辆的漏检和误检问题,且预测框更贴合车辆的实际轮廓;同时,在不同航拍高度的目标检测任务中具有较高的鲁棒性。

融合高效注意力的多尺度输电线路部件检测

针对在高分辨率输电线路图像中,不同种类部件尺度跨越大,难以被均衡检测的问题,提出一种融合高效注意力的多尺度输电线路部件检测算法。在YOLO v5目标检测算法中,设计添加高效注意力模块ECBAM提高算法特征提取能力。根据输电线路部件的特征分布统计,使用滑动窗口对高分辨率输电线路图像进行切片,并对切片前后的图像分别使用改进后的YOLO v5算法训练模型。将两个模型的检测结果进行集成,得到多尺度输电线路部件检测结果。在公开的PLAD架空输电线路图像数据集上,该模型的检测性能远超现有目标检测模型,Precision可达83.2%,Recall可达92.8%,相比数据集原作者提出的模型,mAP值提升了1.6个百分点,达到了90.8%,且能检测出未在原始数据集上标注出的隐蔽目标,验证了在高分辨率图像中检测多尺度输电线路部件的有效性。

滑窗注意力多尺度均衡的密集行人检测算法

由于现实场景下的行人目标在形态、尺度等方面存在巨大差异,相比于传统方法对多尺度行人检测平均精准率较低的情况,基于Transformer注意力机制的网络在行人检测领域已经展现出强大的性能。然而,密集场景下的多尺度检测仍存在一些难点。在密集场景中,通常会包含大量的被遮挡或小规模的行人目标,导致模型产生大量的误检和漏检,同时耗费大量的计算资源。此外,当行人目标重叠较为严重时,准确地检出所有目标也会变得极为困难。为了解决上述问题,提出了一种基于滑窗注意力的密集场景多尺度行人检测算法。在Backbone中使用改进Swin block使得网络能够提取到更多的细节特征,同时减少注意力机制带来的繁重计算量。为有效解决特征融合问题,在Neck部分使用DyHead block来统一多个注意力运算,以此提高特征融合效率。针对特征均衡问题,设计了一种基于全连接的特征尺度均衡模块,通过在特征金字塔的各层级之间构造不同的残差结构来进行特征平衡,辅助模型生成更高质量的特征图。在WiderPerson数据集上的实验结果表明,该算法在AP值上提升了1.1个百分点,在最值得关注的小目标和中目标上也分别有1.0和0.7个百分点的提升。

基于改进YOLOv8s的多尺度检测算法

针对绝缘子小目标特征信息不足导致的检测精度低、模型体积大不利于硬件移植等问题,提出一种多尺度检测算法MPH-YOLO。MPH-YOLO首先通过扩充小目标检测尺度,提高小目标感知能力;其次使用SIoU损失函数代替YOLOv8s中的CIoU损失函数作为边框损失函数,增强对目标的定位精度;最后引入更低成本的Ghost卷积代替网络结构中的传统卷积,轻量化模型的体积。改进后的算法在绝缘子数据集上的检测精度和模型轻量化均有提升,检测精度mAP50-95为86.2%,模型体积仅有4.7 MB。实验结果表明,MPH-YOLO不仅能够有效改善小目标检测,而且更加轻量化有利于硬件移植,具有较高的实用价值。

面向无人机航拍图像的多尺度目标检测研究

针对无人机航拍图像背景复杂、小目标占比高且分布不均导致的现有算法精度不佳等问题,提出了一种面向无人机航拍图像的多尺度目标检测网络VTO-YOLOv8。首先,采用WIoU v3作为边界框回归损失函数,并使用明智的梯度分配策略,这一策略将使网络更加关注普通质量样本,从而提高其定位能力;其次,设计四层T-BiFPN结构,加强浅层特征和深层特征的融合;此外,设计C2f-DBB多分支模块,在不增加计算量的前提下,提升检测性能;同时,使用聚焦调制模块,加强不同尺度信息的交互。实验结果表明,网络在Visdrone2019数据集上相较基准模型在mAP50和mAP指标上分别提高了9.0%和5.9%,同时参数降低了22.6%,可更好地应用于无人机航拍目标检测中。

面向火灾的多尺度目标检测算法

传统的火灾检测依靠各种传感器或者一些传统算法,只适用于特定场景,鲁棒性差,检测精度低,定位不准,并且检测时间长,不能满足实时性的要求。针对以上问题,提出一种基于YOLO V3的多尺度目标检测算法,自动提取火焰特征并实现多尺度的火焰检测。首先对YOLO V3的结构进行改进,将YOLO V3原先的特征提取网络Darknet-53替换为DenseNet,削弱网络加深带来的梯度消失问题,并且能够增强特征复用,提高网络对低层特征的学习,接着,为了消除感受野内像素作用的高斯分布,将DenseNet中的下采样改为空洞卷积。最后,优化锚框的定位方式,并根据新的定位方式修改损失函数,使网络对目标的定位更加准确。实验结果表明,改进的算法准确率和召回率为90%,85%。检测速度可以达到31帧/s,能够满足火灾检测对准确率和实时性的要求。

基于背景抑制与改进多尺度LSD的声呐小目标检测算法

针对声呐小目标检测由于水下环境复杂、目标回波信号弱等因素造成虚警率和误检率较高的问题,文章提出基于背景抑制和改进直线分割检测(Line Segment Detection,LSD)的检测算法。首先对原始声呐数据截取序列片段,构建多周期累积历程图,凸显运动目标轨迹线特征;其次设计边缘滤波算子,有效滤除部分背景噪声,并结合投影变换进行线特征增强,不仅实现了断裂直线重连,还抑制了剩余噪声;然后基于图像金字塔改进了多尺度LSD直线分割检测算法,有效缓解了过检测问题,大幅增加了直线平均长度;最后为了合并冗余检测信息,利用运动轨迹时空一致性特征设计后处理模块,提高了检测定位精度。通过多组无人遥控潜水器(Remotely Operated Vehicle,ROV)、潜水员、空心球靶小目标序列的湖试、海试数据的定量与可视化结果定性分析,实验结果显示,文中算法与传统LSD相比,误检率和漏检率分别降低了11.2和3.9个百分点,定位误差下降了1.495个像素。结果表明,文中所提算法大幅提高了声呐小目标检测精度,为后续水下目标识别、跟踪等任务奠定重要基础。

融合超分辨率重建技术的多尺度目标检测算法

目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象。针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法。首先,算法以单阶段目标检测算法YOLO框架为基础,在颈部网络实现多尺度特征融合时加入超分辨率重建模块,避免进一步丢失较深层特征图中的细节特征。其次,使用通道注意力模块将较浅层特征图中的无关特征进行抑制,重点关注含有目标轮廓特征的通道信息,进一步增强浅层特征的表达能力。最后,在PASCAL VOC 2007和MS COCO 2017公开数据集上进行了消融实验和对比实验。实验结果表明,所提模块对检测性能有不同程度的提升,相比当前其他多尺度目标检测算法,所提算法在大、中、小三种尺度下目标平均精确率分别提升约1.20%、1.20%和1.30%,平均召回率分别提升约4.20%、3.50%和4.20%,算法整体检测性能得到进一步改善。

嵌入Dense Net的YOLOv4多尺度隧道火灾检测算法

为解决现有火灾检测算法在公路隧道的应用较少以及算法检测的准确性和实时性不能满足要求,提出一种改进的YOLOv4隧道火灾检测算法。由于公开的隧道火焰数据集较少,通过模拟火灾形成初期的火焰和网上搜集构建了一个包含3000张隧道火焰图片的数据集,在数据集中添加了500张隧道车灯和500张隧道照明灯用于模型训练,提高泛化性。然后在YOLOv4的特征提取层的CSP结构中嵌入DenseNet,融合多尺度的浅层特征信息,增强特征复用,降低梯度消失的问题和抑制过拟合。再在特征网络检测层中增加了104×104特征检测尺寸,增强隧道火灾形成初期小目标火焰的检测精度。实验结果表明:上述算法检测精度为90.4%,在原YOLOv4网络上提高了5.2%,其检测速度可达0.16s,满足隧道实时检测的要求,并且对小尺寸火焰也有很好的检测效果,对实现隧道火灾初期预警具有重要意义。

士兵和装甲车目标多尺度检测方法

针对士兵和装甲车目标的尺度差异大以及目标距离远近造成的目标多尺度问题,以YOLOv4深度学习算法为基础,提出了一种多尺度目标检测方法.通过针对性的数据增强方法丰富小目标样本的多样性,对输入图像进行分割预处理以提高网络输入小目标的分辨率,并基于特征金字塔网络实现大、中、小目标的分离检测,最后匹配检测结果并进行NMS处理去除冗余检测框,从而实现多尺度目标检测.实验结果表明,本文方法在保持大目标检测效果的情况下,中、小目标的平均检测精度分别提升了1.20%和5.54%,有效提高了中、小目标的检测效果.

多尺度神经网络煤层气微地震检测研究

在煤层气勘探开发中,通过微地震监测技术掌握裂缝走向,调整采煤巷道位置、方位对安全生产具有重要意义。因此,提出一种基于多尺度卷积神经网络的微地震检测方法,较好地解决了在强干扰环境下的弱信号识别的问题。研究表明:在不同强度的噪声干扰下,本文方法的检测精确率和召回率均优于小波分析法、BP网络和卷积神经网络等方法,且具有较好的抗噪性。当信噪比大于6 dB时,模型检测召回率可达到90%以上,精确率可达到92.1%以上。通过黑龙江某地区实际煤层气微地震监测数据的验证,模型具有良好表现。

基于改进YOLOv5s的自动驾驶中运动目标检测方法

针对自动驾驶领域运动目标检测存在目标相互遮挡、对小目标漏检误检严重、实时性和鲁棒性较差等问题,提出一种基于改进YOLOv5s的方法。将全局注意力模块嵌入到主干网络C3结构的残差块中,增强了网络的整体特征提取能力;将原始网络20×20的检测尺度替换为160×160,提高模型对于小目标的识别能力;采用SIoU Loss作为边界框回归损失函数,使预测框的定位更加精准。实验结果表明,该改进算法在公开的自动驾驶数据集SODA10M上均值平均精度达到了81.3%,较原始网络提升了7.5%,推理速度达到238 frames/s,与主流的目标检测算法相比也表现出一定的优越性。

引入Transformer的道路小目标检测

针对道路场景中检测小目标时漏检率较高、检测精度低的问题,提出一种引入Transformer的道路小目标检测算法。在原YOLOv4算法基础上,对多尺度检测进行改进,把浅层特征信息充分利用起来;设计ICvT(improved convolutional vision transformer)模块捕获特征内部的相关性,获得上下文信息,提取更加全面丰富的特征;在网络特征融合部分嵌入改进后的空间金字塔池化模块,在保持较小计算量的同时增加特征图的感受野。实验结果表明,在KITTI数据集上,算法检测精度达到91.97%,与YOLOv4算法相比,mAP提高了2.53%,降低了小目标的漏检率。

基于鸟瞰图的多任务端到端3D目标检测方法

由于在自动驾驶过程中激光雷达扫描过程中受到空间限制,采集到的点云数据损失了过多的信息。在聚合表示方法的基础上,提出了基于鸟瞰图的多任务端到端3D目标检测方法。首先,利用纹理特征提取器与语义特征提取器对特征金字塔的高级特征层与低级特征层进行特征融合,获得扩展的特征金字塔层,使得自动驾驶过程中的中等目标(骑自行车的人)与小目标(行人)不再耦合在同一级别的特征金字塔层,提高了点云拓扑信息的区域细节性。其次,在损失函数中引入用于分类的Focal loss与用于回归的CIOU loss,改善了正负样本比例,对目标检测框进行了约束,使得目标框在回归过程中能够以更高精度收敛。实验结果表明,提出的方法在自动驾驶中小目标检测中具有更强的检测能力与更高的检测精度。

一种改进YOLOv5s的多尺度目标检测算法

针对多尺度目标检测准确率偏低的问题,提出了一种基于YOLOv5s改进的多尺度目标检测算法。在YOLOv5s主干网络与Neck网络之间融合CBAM模块,增强模型对多尺度目标重要特征信息的提取能力;同时,在模型的Head部分增加多尺度目标检测结构,提高不同尺度目标检测精度;训练时采用CIoU替代GIoU损失函数,以提高模型收敛能力,实现高精度目标定位。数据集来源于实际场景中采集并增强的4万余张图像。实验结果表明,改进后的模型对行人、车辆和人脸的多尺度目标检测平均精度达92.1%,相比未改进YOLOv5s算法提升了3.4%。模型的收敛性好,对密集场景的目标,小尺度目标检测准确度更加突出。

基于非局部融合的多尺度目标检测研究

针对现有的多尺度目标检测模型在面对尺度变换和遮挡场景时所使用的融合方法融合不充分,且没有捕捉长距离依赖关系的问题,本文设计了通道融合增强模块和非局部特征交互模块,用于学习不同通道特征之间的相关性和捕捉特征图之间的长距离依赖关系。此外,针对当前检测架构都是基于单金字塔检测结构,存在信息丢失的情况,设计了双金字塔结构,并将提出的融合方法与双金字塔结构结合,在保留原始特征信息的基础上,补充融合后的特征信息。实验结果表明,提出的方法在公共数据集KITTI与PASCAL VOC上与其他先进工作相比具有更高的检测精度,证明了该方法在目标检测任务中的有效性。

复杂场景下自适应特征融合的多尺度船舶检测

受台风、大雾、雨雪等复杂天气以及遮挡、尺度变化等影响,现有船舶检测方法存在误检和漏检问题。针对上述复杂场景问题,在YOLOX-S模型的基础上,提出一种自适应特征融合的多尺度船舶检测方法。首先,在主干特征提取网络中引入特征增强模块,抑制复杂背景噪声对船舶特征提取的干扰;其次,考虑深浅层次特征融合比例问题,设计自适应特征融合模块,充分利用深浅层次特征,提高模型的多尺度船舶检测能力;最后,在检测头网络,将检测头解耦,并引入自适应的多任务损失函数,平衡分类任务和回归任务,提高船舶检测的鲁棒性。实验结果显示,所提方法在公开船舶检测数据集SeaShips和McShips上的检测平均精度均值(mAP)分别达到了97.43%和96.10%,检测速度达到每秒189帧,满足实时检测的要求,验证了所提方法在复杂场景下仍能对多尺度船舶目标实现高精度检测。

融合残差网络和特征金字塔的小尺度行人检测方法

针对小尺度行人检测中存在的过拟合、特征不易对齐,以及易忽略多尺度特征等问题,研究了1种融合残差网络和特征金字塔的小尺度行人检测方法。考虑到原始残差网络在检测小尺度行人时过于依赖训练集而出现过拟合问题,构建带有丢弃层的残差块代替残差网络结构中的标准残差块来解决这一局限,同时利用丢弃层的正则作用降低计算过程的复杂程度。通过在特征金字塔网络的侧向连接部分嵌入特征选择模块和特征对齐模块,对输入图像中重要的行人特征加强和对齐,提升算法对行人的多尺度特征学习能力,弥补特征金字塔网络出现特征不易对齐和易忽略多尺度特征的缺陷,提高小尺度行人的检测精度。在Caltech Pedestrian数据集上对模型进行训练、测试和验证,实验结果表明:小尺度行人检测精度为73.6%,AP50检测精度为95.6%。在同为50层残差网络和特征金字塔网络下,改进后的模型可以使AP值提高17.2%,AP50提高7.8%,小尺度行人检测精度提高了21.6%;在同为101层残差网络和特征金字塔网络下,可以使AP值提高24.5%,AP50提高8.2%,小尺度行人检测精度提高32.3%。同时与RefindDet512、GHM800算法相比,AP值分别提高20.8%和17.7%,AP50分别提高5.5%和3.6%,小尺度行人检测精度分别提高26.8%和20.6%,由此证明提出的模型性能优于经典检测算法,可以有效地提高小尺度行人检测精度。

基于多尺度改进的YOLOv5电解槽设备及样品检测方法

针对电解铝车间电解槽转运机器人实时识别问题,电解槽设备和铝锭样品的目标检测存在识别物体尺寸差异过大的问题,通常使用的目标检测算法参数较大,部署在电解槽转运机器人上难以达到实时检测的要求。因此,提出一种解决目标尺寸差异过大的轻量化多尺度的YOLOv5网络模型,替换主干特征提取网络为轻量化ShufflenetV2网络;添加SE注意力机制提高小目标识别准确率;在加强特征提取网络中增加一层浅层检测层作为更小目标的检测层,实现对多尺度以及尺寸变化大的目标的识别准确率。实验结果表明,改进后的YOLOv5算法在电解槽转运机器人的电解槽设备和样品识别中物体总类别的平均检测精度为93.5%,相比YOLOv5算法平均检测精度提升了1.5%,模型参数量降低了约39.4%,每张图片平均检测速度提升了2.5 ms,有利于部署到电解槽转运机器人中。

基于改进YOLOX的无人机航拍图像小目标检测算法

在无人机上运用目标检测技术具有广泛的应用前景,但和自然拍摄的图像不同,无人机航拍的图像更加复杂,且大多数为小目标。而现有的检测算法缺乏对小目标的特征提取能力,从而导致严重的误检和漏检问题。针对上述问题,提出一种基于YOLOX框架的高效的无人机小目标检测算法。首先,在特征融合网络中增加一层检测微小目标的特征融合结构,通过利用浅层特征图中丰富的位置信息和轮廓信息来加强网络对小目标的识别能力;同时,为了防止额外参数的增加,将减少头网络中的一层卷积层并缩减其通道数。其次,提出一种通道-空间注意力机制模块(Channel Spatial Attention Module,CSAM),利用最优的权重分配使网络聚焦于特征图中小目标密集的区域。最后,提出一种带位置引导的标签分配策略(LB-SimOTA),根据每个预测框和真实框的交并比(IOU)的大小,分别配以不同的权重,以改善网络中整体预测框的质量。在小目标居多的数据集VisDrone2019上的实验结果表明,文中提出的算法和YOLOX-S相比,针对车和人的检测精度提升了8.63%,检测速度FPS也可达到86,因此更适合在无人机对地面小目标检测的场景下部署。