基于锚框自适应和多尺度增强的SAR舰船检测

针对目前基于深度学习的合成孔径雷达(synthetic aperture radar, SAR)舰船检测锚框尺度固定、多尺度检测性能较差的问题,提出了一种基于锚框自适应和多尺度增强网络(adaptive anchor multi-scale enhancement network, AA-MSE-Net)的SAR舰船检测方法。首先,AA-MSE-Net引入了锚框自适应机制,来生成适应目标形态的高质量锚框,增强了舰船形态描述能力。其次,AA-MSE-Net提出了多尺度增强金字塔网络,来融合增强多尺度特征,增强了多尺度描述能力。最后,AA-MSE-Net在骨干网络中引入了可变形卷积,来提取舰船形变特征,进一步提高检测精度。实验证明,AA-MSE-Net在公开SAR舰船检测数据集上的平均精度高于8种对比方法。

基于自适应锚框分配与IOU监督的复杂场景SAR舰船检测

针对复杂场景舰船检测中正负样本分配不合理以及定位质量较差的问题,该文提出了一种基于自适应锚框分配与交并比(IOU)监督的复杂场景合成孔径雷达(SAR)舰船检测方法(A3-IOUS-Net)。首先,A3-IOUS-Net提出了自适应锚框分配,建立概率分布模型来自适应地将锚框分配为正负样本,增强了复杂场景下的舰船样本学习能力。然后,A3-IOUS-Net提出了IOU监督,在预测头部增加IOU预测分支来监督检测框定位质量,使得网络能够精确定位复杂场景下的舰船目标。此外,在该IOU预测分支中引入了坐标注意力模块,抑制了背景杂波干扰,进一步提高了检测精度。在公开的SAR舰船检测数据集(SSDD)的实验结果表明,A3-IOUS-Net在复杂场景中的平均精度(AP)值为82.04%,优于其他15种对比模型。

多尺度特征融合与锚框自适应的目标检测算法

针对Faster R-CNN算法存在特征提取不充分、检测框定位不准确导致检测精度不高的问题,提出一种多尺度特征融合和锚框自适应相结合的目标检测算法。首先,通过双向融合方法充分提取相邻层级间的深层特征和浅层特征;然后,均衡化处理多尺度特征,使集成的特征能获得来自不同分辨率下等量的语义信息和细节信息,提高目标的识别能力;最后,在区域提议网络(RPN)中利用目标的特征信息,通过自适应预测锚框的位置和形状来生成锚框。基于VOC数据集对算法的实验结果表明:与基于ResNet50的Faster R-CNN算法相比,所提算法中的多尺度特征融合策略加强了算法对不同尺度目标的检测能力,自适应锚框机制能够提高定位精度并避免小目标的漏检,算法整体的检测结果具有较好表现,平均检测精度提升了3.20个百分点。

基于YOLOv4和自适应锚框调整的谷穗检测方法

谷穗的检测和计数对于预测谷子产量和育种至关重要。但是,传统的谷穗计数主要基于人工统计,既费时又费力。为解决上述问题,本研究首先建立了一个包含784张图像和10,000个谷穗样本的谷穗检测数据集。提出了一种基于YOLOv4和自适应锚框调整的谷穗检测方法,可快速准确地检测特定框中的谷穗。通过自适应地调整锚框,可生成符合谷穗目标的候选框,从而提升检测的准确率。为验证该方法的有效性,采用了多个标准,包括平均精度(mAP),F1得分(F1-Score),精度(Precision)和召回率(Recall)进行评价。此外,设计了对比试验验证所提出方法的有效性,包括与其他模型(YOLOv2,YOLOv3和Faster-RCNN)进行比较来评估模型的性能,评估模型在不同交并比(IOU)取值下的性能,评估模型在自适应锚框调整下的谷穗检测性能,评估引起模型评价标准变化的原因,以及评估模型在不同原始输入图像尺寸下的性能。试验结果表明,YOLOv4获得了良好的谷穗检测性能。YOLOv4的mAP达到78.99%,F1-score达到83.00%,Precision达到87%和Recall达到79.00%,在所有评价标准上均比其他比较模型高出8%。试验结果表明,该方法具有较好的准确性和高效性。

基于深度学习的车载影像交通标志检测方法研究

对车载影像交通标志检测问题进行研究,提出一种基于深度学习的交通标志检测模型。首先在模型骨干网络内设置特征聚焦层以实现输入影像的无损下采样,进而以瓶颈结构搭建特征提取层;然后在特征金字塔中通过多尺度特征融合结构获取并输出3个不同尺寸特征图;最后,通过自适应锚点框机制输出检测结果。实验结果表明:所提出模型在各类别检测精度方面表现一致,在综合检测精度上显著优于对照组模型,能够实时输出检测结果,在高精度地图生产以及无人驾驶领域具有重要应用价值。

一种改进复杂场景下小目标检测模型的方法

复杂场景下小目标检测是目标检测领域的研究难点和热点。传统的two-stage和one-stage检测模型都是通过预先设定锚点框与真实目标框的交并比(intersection over union,IoU)阈值来划分正负样本集,同时这组预定义的固定锚点框还用于获取候选框,进而得到检测结果。然而,在复杂场景下,预先设定的IoU阈值会带来正负样本不均衡问题;针对小尺寸目标(船舶)检测,预定义的锚点框也很难保证覆盖目标的位置和密度,因此限制了检测模型的准确率。为了解决上述问题,提出自适应锚点框(adaptive anchor boxes,AAB)的方法优化目标检测网络,采用基于形状相似度距离的聚类算法生成锚点框,提高目标区域定位技术;采用利用聚类的锚点框计算自适应IoU阈值(adaptive threshold selection,ATS),划分正负样本,保证样本均衡。对复杂场景下的小目标(船舶目标)进行检测,实验结果表明,采用自适应锚点框方法和自适应阈值选择方法的目标检测模型在复杂场景中检测均能提升准确,对比faster R-CNN、FPN、Yolo3和pp-Yolo,融合了上述新方法的模型均提升了检测准确率,分别提升了9.6、2.6、9.8和9.9个百分点。

基于YOLO-v5的星载SAR图像海洋小目标检测

针对星载合成孔径雷达(SAR)图像中的小目标检测,提出了一种基于YOLO-v5的算法。首先根据目标在图像中占比很小的特点,对深度学习网络进行优化;其次通过自适应锚点框算法重新设置锚点框大小,加快模型训练的收敛速度;最后嵌入GDAL模块,使得检测头能够直接读取被检测目标的地理位置信息。实验结果表明本文提出的方法具有较强的泛化能力,能够有效检测出大范围海面上的船舶目标,检测速度较快,漏检率低。

基于煤矿井下传送带空载检测

煤矿井下传送带在无煤或煤量较少的状态下长时间高速运转,会耗费大量的电能.为了节省井下传送带造成的电能损耗,本文提出了一种边缘结构相似算法和YOLOv3结合的传送带空载判定方法.通过边缘结构相似算法将结构特征和边缘特征相融合,每相邻10帧比较图片的相似度,连续比较3次判断传送带的运行状态.若传送带运行,则运用自适应锚框机制的YOLOv3模型,检测传送带上的煤量,最后判断传送带是否空载.实验结果表明,该方法可以有效准确的判断传送带的空载状态,检测准确率达到96.85%.

改进YOLOv5s网络在缺陷检测中的应用

针对目前金属表面缺陷检测过程中小目标缺陷检测存在着检测精度低、漏检率高等问题,本文基于经典单阶段目标检测网络的5s版本(YOLOv5s)提出了一种改进方法,并将其应用于金属鼓形滚子表面缺陷检测。由于金属表面存在大量像素占比小、尺度不规整、特征不明显的小目标缺陷,本方法通过自适应锚框计算出适合小目标尺寸的锚框值,并在原网络基础上构建了输出为8倍降采样的特征融合目标检测层,使之更匹配小目标检测任务,同时减小了模型体积,节约了计算时间。将高分辨率工业相机采集的金属鼓形滚子表面缺陷图像制作成数据集,用改进前后的YOLOv5s网络进行对比试验,实验结果表明改进后YOLOv5s网络对小目标缺陷检测的精度有明显提升,能有效检测小目标缺陷。