改进YOLOv5的无人机航拍图像密集小目标检测算法

无人机航拍图像中小目标实例多、尺寸变化剧烈且存在密集遮挡等问题,为解决现有目标检测算法难以检测到航拍图像中的小目标物体,提出了一种针对密集小目标的RDS-YOLOv5检测算法。在YOLOv5的三个检测层上新增一个小目标检测层,以保留更丰富的特征信息,增强网络对小目标特征的提取能力,并改善误检漏检情况;为了提高网络的多尺度特征表征能力以及抑制冲突的产生,设计了具有等级制的残差结构的多尺度特征提取模块C3Res2Block;使用解耦检测头Decoupled Head避免不同任务之间的差异所带来的预测偏差,提升了模型的定位精度和检测精度;采用软化非极大值抑制Soft NMS算法对候选框的置信度进行优化,提高模型对密集小目标的检测精度。通过VisDrone数据集的实验结果表明,与基准模型YOLOv5相比,RDS-YOLOv5在mAP0.5上提升了12.9个百分点,mAP0.5:0.95上提升了10.6个百分点,与目前主流的目标检测算法相比也取得更优的检测精度,能够有效完成无人机航拍图像的密集小目标检测任务。

基于改进RetinaNet-GHM算法的钢板表面缺陷检测

针对传统钢板表面缺陷检测方法效果差、缺陷定位不准确等问题,提出一种基于改进RetinaNet-GHM的深度学习检测算法。首先,引入路径聚合特征金字塔网络融合浅层和深层语义信息,提升网络对小目标的检测效果;然后,使用GHMC和GHMR损失函数对缺陷进行分类和定位;最后,引入高斯形式的软化非极大值抑制算法,提高检测精度。实验结果表明,改进的RetinaNet-GHM算法的平均精度均值为76.7%,裂纹、夹杂、斑块、麻点、压入氧化铁皮以及划痕六类缺陷的平均精度分别为45.2%、88.2%、94.2%、86.1%、65.1%和87.4%。通过与其他经典算法相比,改进的RetinaNet-GHM算法具有较好的检测效果.

基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题,文章首先对钢板表面缺陷数据集进行数据增强,并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks,R-CNN)算法进行改进,将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络,优化特征提取模块,利用递归特征金字塔(recursive feature pyramid,RFP)网络以反馈连接的方式进行特征优化,提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法,以更好地保留细节和语义信息;同时使用可切换的空洞卷积替换主干网络的卷积层,以改变感受野的方式提高检测性能;最后使用引入软化非极大值抑制算法,保留有效信息,提高识别率。经实验验证,CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。

基于改进SSD的夜间猪群舒适度监测

针对圈养猪夜间难以监测的问题,提出一种基于改进SSD的夜间猪群舒适度监测方法。首先,在SSD(single shot multibox detector)算法中引入焦点损失函数,解决夜间目标与背景差异小而难以识别的问题;其次,使用soft-NMS算法检测遮挡的猪只目标;再次,通过二次迁移学习方法得到夜间圈养猪目标检测模型;最后,分析猪只位置信息监测夜间猪群舒适度。结果表明,所提方法能精确检测夜间多只猪目标,并对其舒适度进行监测。

改进的基于Mask R-CNN的碳纤维图像分割方法

为提高碳纤维增强复合材料(carbon fiber reinforced composite,CFRC)的扫描电子显微镜(scanning electron microscope,SEM)图像精度,实现纤维图像的自动化分割,提出一种改进的Mask R-CNN(Soft-Mask R-CNN),将压缩和激励网络与残差网络相结合获得一种改进的残差网络(squeeze and excitation residua network,SE-ResNet),以提高特征提取效果;采用群组归一化(group normalization,GN)替代批量归一化(batch normalization,BN),提升小批量网络的性能;利用改进的软化非极大抑制(soft non-maximum suppression,Soft-NMS)进行筛选,提高对粘连目标的检测效果。实验结果表明,与Mask R-CNN相比,Soft-Mask R-CNN能有效提高对碳纤维SEM图像的分割准确率和碳纤维区域边界的分割精度,图像分割的平均精确度、交并比分别为87.2%、90.6%,具有较好的泛化能力和较高的精确度,可为CFRC的性能参数研究提供可靠指导。

基于改进R-FCN的车辆目标检测方法

针对传统方法对实际环境中车辆检测精度不高的问题,提出基于深度学习中R-FCN模型进行车辆检测的方法。基于全卷积网络,结合多尺度训练使模型能够学习到不同尺寸车辆的抽象特征,在训练过程中引入可变形网络提高模型对目标变换的自适应能力,使用软化非极大值抑制的方法减少复杂环境中目标的漏检率。利用Udacity数据集进行训练和测试,实验结果表明,提出方法与R-FCN模型相比,检测的平均准确度提高了4.3%,对实际场景下的车辆有着良好的检测效果,网络具有一定的鲁棒性。

基于DeR-FCN模型的车辆检测算法

针对复杂城市环境下天气、光照、目标尺度以及车辆之间的遮挡等因素影响带来的车辆检测精度较差问题,提出一种改进区域全卷积网络的车辆检测算法(DeR-FCN)。通过特征级联的方式,跨层连接融合车辆底层细节特征和高层语义特征;使用维度分解区域提议网络,获得更加精准的区域候选框;在预测阶段采用软化非极大值抑制的方法,输出更加准确的检测结果。为验证算法的有效性,在KITTI和PASCAL VOC数据集,使用DeR-FCN算法和常用的车辆检测算法进行对比实验,实验结果表明,DeR-FCN算法的检测精度高于其它方法。