基于改进YOLOv5的自校准卷积模块目标检测算法

目标检测是当前工业界、学术界的研究热点,随着深度学习以及相关需求的进一步发展,需要更精准的检测模型。YOLO,一种新的对象检测方法,强调的是单阶段的模型。文章通过研究传统目标检测网络模型,提出一种即插即用的自校准卷积模块。文章基于现有模型YOLOv5,将该模块插入YOLOv5主干网络的C3模块中。经过对比实验后发现,两种模型所生成的曲线图、检测图、热力图均表明,该卷积模块能够有效提升YOLOv5原模型的目标检测效果。

基于自校准卷积与特征注意力的图像去雾算法

针对目前图像去雾算法存在特征提取不充分、不能差异化处理导致算法去雾效果差和颜色失真等问题,提出一种基于自校准卷积与特征注意力的图像去雾算法。首先采用自校准卷积模块替代传统卷积模块,扩大网络的感受野并丰富网络的输出特征;其次引入特征注意力模块,对不同通道的所有权重和不同图像像素上分布不均匀的雾度进行差异化处理改善去雾效果,最后结合局部与全局残差学习,进一步提升网络的训练效果。实验结果表明,该算法处理后的图像峰值信噪比(PSNR)和结构相似性(SSIM)的平均值分别为29.799dB和0.967,与对比算法相比分别提高12.9%和3.4%。

一种基于自校准卷积残差网络的年龄识别方法

传统卷积神经网络(CNN)提取人脸面部年龄特征信息时受限于感受野,易导致年龄识别准确率较低,本文建立了一种基于自校准卷积残差网络(SC-ResNet)的年龄识别方法。首先对输入图片进行裁剪和归一化预处理;然后在残差网络中用3×3卷积提取局部表观特征,再通过自校准SC-block模块进一步扩大局部特征提取范围,并将两者校准融合,获得更丰富的面部语义信息;最后采用Softmax结合交叉熵损失函数进行更精细化的年龄分类;实验中网络参数采用自适应矩估计(Adam)算法优化。结果表明,本文SC-ResNet模型能更好提取年龄特征,年龄识别率达到96.3%,比原始的残差网络高出5.8个百分点。

基于自校准卷积网络的行人检测方法

针对已有行人检测算法存在的小尺度行人信息描述不充分的问题,提出一种基于自校准卷积网络的行人检测算法。通过将CSP算法的主干网络更换为SCNet自校准卷积网络,有效扩大了网络的感受野范围;将主干网络的低层特征像素信息和高层特征语义信息进行融合,有效促进小尺度行人的检测;对精细的多尺度卷积特征进行多层连接,将行人检测简化为直接的中心和尺度预测任务。实验结果表明,所提算法在数据集CityPersons和Caltech上的平均漏检率为10.97%和4.3%。算法可以增强小尺度行人的信息描述能力,在检测速度方面也有一定的优势。

基于生成对抗网络与自校准卷积的行人重识别

针对行人重识别过程中跨相机拍摄导致的行人图像风格差异问题,提出了一种基于循环矢量量化生成对抗网络(CVQGAN)与自校准卷积模块的学习框架。设计了一种离散化的矢量量化模块,将该模块用于生成器由编码到解码的过程中,利用矢量量化空间中的离散矢量解决了原始生成器产生噪声伪图像的问题,从而生成质量更高的风格转换图像。将自校准卷积模块融合至Resnet50主干网络的卷积层中,利用多分支网络结构对各支路进行不同的卷积操作,以获取表征能力更强的特征,进一步解决同一行人在不同相机下的风格差异问题。在Market1501和DukeMTMC-reID数据集上对所提算法进行有效性实验验证,结果表明本文算法能够有效提高行人重识别的准确率和鲁棒性。

基于自校准与异构网络的多目标跟踪算法

为解决多目标跟踪算法在遮挡场景下导致的身份切换等问题,提升算法跟踪精度,提出一种融合自校准与异构卷积的离线图跟踪网络(self-calibrated convolutions and asymmetric convolution track, SCAACTrack)。利用融合自校准卷积网络与非对称结构进行目标外观特征提取,提升算法行人重识别能力。通过采用不同帧之间目标外观特征、时间和空间3种维度进行图神经网络建模,引入基于时间感知的消息传递网络加强多目标跟踪流式守恒约束。实验结果表明,与传统的多目标跟踪算法MPNTrack、Tracktor、KCF等模型相比,该模型跟踪效果更有效。

基于图像识别的输电线路轨道运输装备安全检测系统

为了提高林区山地输电线路轨道运输装备运行安全性,搭建基于图像识别的轨道运输装备安全检测系统.首先给出整个林区山地输电线路轨道运输装备电控系统;其次介绍了感知模块系统所用到的各类传感器;然后基于拆分注意力网络和自校准卷积的融合,采用Faster-RCNN算法得到更好的特征提取,并采用此改进的Faster-RCNN算法进行装备周围人员识别试验;最后基于QT开发输电线路轨道运输装备远程控制软件,并实现对装备的远程操控.结果表明:改进的Faster-RCNN算法在林区山地强光照和复杂环境下能够大幅度提高识别装备周围人员的准确性,图像识别平均精度均值mAP可达87.13%,高于常规Faster-RCNN的74.35%和级联Faster-RCNN的76.28%,充分证明改进的Faster-RCNN算法具备优良识别能力,保障林区山地输电线路轨道运输装备安全运行.

基于改进YOLOv7的输电线路绝缘子外部缺陷检测方法研究

绝缘子是输电线路上重要的元件之一,因其工作环境长期暴露在外界,需要承受风吹、日晒、雨雪等因素,难免会出现破损以及严重污秽等缺陷。缺陷绝缘子会危害电力传输系统的正常运行,因此绝缘子缺陷检测工作对供电系统的安全性与稳定性有着重要作用。针对绝缘子表面缺陷问题,提出一种基于自校准卷积YOLOv7的绝缘子缺陷检测方法。该方法以YOLOv7网络模型为基础,通过自校准卷积替换部分常规卷积,增强模型的特征提取能力,扩大感受野,将原模型的CIOU损失函数替换成SIOU损失函数,用于修正检测框的框选能力不足问题。利用现有数据集进行训练、检测,最终比原YOLOv7模型精度提升5%,降低了输电线路绝缘子缺陷误检率,提高了线路巡检效率。

基于改进YOLOv5的电厂人员绝缘手套佩戴检测

电厂工作人员工作时需佩戴绝缘手套进行故障检修等任务,若未佩戴绝缘手套进行操作,将发生严重的电击事故;针对电厂内工作人员绝缘手套佩戴检测精度不高的问题,提出一种基于改进YOLOv5s(You Only Look Once v5s)的电厂内人员绝缘手套佩戴检测方法;该检测算法首先引入自校准卷积,有效扩大感受野,加强网络对弱特征的提取能力;加入注意力机制SK,让网络更加关注待检测目标;将原YOLOv5s的损失函数替换为EIOU,来进一步提高网络对绝缘手套的检测精度;实验结果表明,相较于原始的YOLOv5s网络,改进后的网络提高了对绝缘手套佩戴的检测精度,其平均精度均值(mAP,mean Average Precision)提高了2.4%,证明了算法的实用性和高效性。

基于改进YOLOv5算法的交警手势识别

为了解决交警手势在光照不均匀、背景复杂的环境下识别精准度低以及实时性差等问题,以YOLOv5网络模型为基础,针对标准卷积层感受野范围有限的问题,将部分卷积层替换为自校准卷积,增大感受野范围;引入置换注意力模块,提高算法的特征提取能力;针对交警所处环境复杂多变的问题,将焦点损失函数替换为广义焦点损失函数,提高算法在复杂环境下目标框的表示能力。实验结果表明,改进后的算法在满足实时性的基础上对于交警手势的检测平均精度高达98.54%,相比于未改进的算法平均精度提高了3.39%,且损失函数的损失值更小。

多重注意力非局部特征融合的序列影像–激光点云深度补全

有效且准确的深度信息能够精确感知场景的几何结构。目前主要采用的是激光雷达传感器。但由于其扫描线数有限,深度信息的稠密度非常低。由此提出深度补全任务(Depth Completion),基于给定的稀疏深度值来估计稠密深度信息。本文针对先前深度补全存在的边界模糊和混合深度的问题,提出一种多重注意力非局部特征融合的序列影像–激光点云深度补全模型。该模型通过融合人序列影像和激光点云,实现了多模态数据的优势互补,通过网络学习到更丰富的特征。实验表明该方法可以有效降低误差,提高深度补全的效果,极大地提高例如目标识别、目标跟踪、路径规划等任务的精度。