带注意力机制的神经网络用于跑道线检测

为了提高无人机着陆的有效性,设计了一种带有注意力机制的神经网络算法(LineNet)实现无人机跑道线检测。根据无人机着陆场景仿真出样本数据,并利用标注工具对数据进行标注,使用Shuffle Conv模块缓解特征融合计算量的占用问题,并引入空洞空间金字塔池化注意力机制(ASPP-SA),ASPP-SA模块中添加残差的跳跃结构获取更多的图像信息,对LineNet模型的检测结果做形态学处理并结合连通区域约束对跑道线特征点进行分类,对相同类别的特征点通过最小二乘法进行跑道线拟合。经仿真数据验证,设计的方法可以有效地检测和识别出正确的跑道线,其平均检测精度为94.36%,相较于LaneNet算法、SegNet算法分别提高了12.82和9.95个百分点,单帧检测时间17.2 ms,是CNN+Hough变化算法1.5倍左右,可以满足无人机着陆的响应时间需求,在无人机着陆的研究过程中有重要意义。

基于目标识别的钢材缺陷检测方法

为实现热轧钢板表面缺陷检测,设计一个端到端的缺陷检测算法YOLOv5-MD。为达到各种样本数量均衡分布,使用数据增强算法对钢材缺陷数据集处理,使用通道混洗模块缓解特征融合中计算量的占用问题;引入注意力机制和加权边界框融合(weighted-boxes-fusion,WBF)消除重叠度较高的预测框;在PANet(path aggregation network)模块中添加残差的跳跃结构并提取多尺度特征来获取更多的细节图像信息。经实验结果验证,所提模型的平均检测精度(mean average precision,mAP)可达97.2%,相较于YOLOv5提高了10%左右,检测速度和YOLOv5持平,是Faster RCNN的7.1倍,是SSD的1.7倍,验证了该方法的可行性、有效性。