基于改进ATSS模型的水稻叶片病害检测

针对传统水稻病害诊断方法依赖人工、容易误判等缺点,提出一种基于ATSS的水稻叶片病害检测模型。首先收集白叶枯病、胡麻斑病、叶瘟病这三种病害图像,构建水稻叶片病害图像数据集。然后在原ATSS模型的基础上,网络Neck部分采用FPN-CARAFE模块代替特征金字塔网络FPN,以减少上采样过程中的信息损失。同时,为提升模型的检测效果,回归分支的损失函数采用CIoU损失函数代替GIoU。改进ATSS模型的平均精度均值可达74.0%,相比于原ATSS模型提升了3.5%。与模型Retinanet、Faster R-CNN、Cascade R-CNN、FCOS、TOOD相比,改进ATSS模型取得了最高的检测精度,且在检测精度和速度上取得了最高的权衡。实验结果表明,改进后的模型能对水稻叶片病害有效检测。

基于Transformer改进的Faster RCNN在复杂环境下的车辆检测

在监控视角中目标车辆较小、遮挡较为严重,导致检测精度低。通过探讨卷积神经网络和Transformer模型的互相借鉴和联系,并结合损失函数等常规改进,提出了新的Faster RCNN模型。通过借鉴Transformer模型的思想,对原有的特征提取网络进行了改进,将原block比例3∶4∶6∶3改为3∶3∶27∶3、卷积核由3×3改为7×7,增大其感受野,能够更好捕捉图像中的全局特征,使用DW卷积来减少参数量并略微提高性能,使用Channel shuffle解决通道间信息不交流的问题。将原先交并比IoU改为CIoU,与改进后的特征提取网络结合,进一步提高小目标和遮挡目标的检测效果。在UA-DETRAC数据集上,改进后的模型在mAP@0.5:0.95方面比原算法提高了20.20%,并在大、中、小目标下分别提高了15.8%、23%和45.8%,相较于其他模型,如YO⁃LOv7、YOLOv5和Cascade RCNN,mAP@0.5:0.95分别提高了3.3%、5%和6.69%。

密集交通场景中改进YOLOv3目标检测优化算法

针对交通拥堵的车辆密集场景中检测目标重叠率高而导致漏检和误检的问题,提出了改进YOLOv3、CIoU损失函数优化以及SD-NMS优化算法(简记L-YOLOv3+CIoU Loss+SD-NMS)。利用深度可分离卷积、SE模块和Ghost模块改进YOLOv3的残差单元结构,以提高对密集目标的特征提取能力,减少网络模型参数量;采用完整交并比CIoU损失函数加快网络模型收敛速度,同时将多目标集合预测思想与DIoU-NMS有机结合,提出了SD-NMS优化算法,以降低漏检误检率。在BDD100K数据集上进行实验,结果表明,改进的目标检测算法召回率达到91.58%,精准率达到93.04%,与YOLOv3算法相比,召回率和精准率分别提升了12.09%和9.52%,具有更好的检测效果。

改进YOLOv5算法在停车场火灾检测中的应用

针对传统传感器对于地下停车场火灾检测不及时、目标检测对小型火焰目标检测效果较差等问题,提出了一种改进的YOLOv5火灾检测算法。为了提高检测算法对小型火焰目标的检测效果,在YOLOv5s网络骨干中增加小目标检测层;为了增强火焰特征的表达,提出了一种基于CA注意力机制的间隔注意力结构;为了提升定位精度、降低目标漏检率,将GIoU替换为CIoU。设计了3组消融实验以及1组对比实验用来验证所提算法的有效性。实验结果表明:所提算法在自定义数据集上的mAP_(0.5)、召回率R分别为92%、96.9%。与YOLOv5s模型相比,所提算法在自定义火焰数据集上的mAP_(0.5)提升了1.8百分点,R提升了2.0百分点。所提算法权重大小仅为16.4 MB,帧率能达到113帧/s,具有较小的模型体积以及较快的检测速度,且能够准确检出小型火焰目标,有效提升了地下停车场火灾防范能力。

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EfficientNet的实时目标检测模型

在智能驾驶领域中,通常要求模型兼顾精度和推演速率。然而由于硬件条件的限制,目前大量的目标检测模型尚不能满足该要求。因此,基于单阶段目标检测算法提出一种准确率与推演速率相对平衡的实时目标检测模型。该模型使用EfficientNet-B1作为主干网络,SPP与改进后的PANet作为脖颈网络,CIoU损失函数与YOLO损失函数的组合作为模型训练时的损失函数。为了在不引入额外计算量的同时进一步提升模型的精度,在模型训练时引入多种模型训练技巧。实验结果证明,在BDD100K与PASCAL VOC数据集上,该模型相比YOLOv4模型有着更低的计算量和更好的检测精度,且实验中所使用的训练技巧均为模型带来了一定的精度提升,证明了该模型及训练技巧的有效性。

改进CenterNet的小目标安全帽检测算法

为实现对施工现场工人戴安全帽的有效检测,提升检测的精度和质量,提出了一种基于中心点网络(CenterNet)的安全帽检测方法。针对被检测目标大部分为小目标的情况,删除ResNet-50的最后一层卷积层;针对CenterNet对安全帽定位不准确的问题,使用CIoU损失函数替换了原有的损失函数;针对CenterNet对推理过程特征图信息利用不充分的问题,采用残差连接将主干网络得到的两个特征网络分别与上采样的特征图进行融合的方法;针对通道卷积没有融合不同感受野的问题,使用金字塔卷积核(PyConv)对特征图进行感受野和通道之间融合的方法。结果表明,在自制的安全帽数据集上,mAP共提升了6.5%,改进后的CenterNet方法能明显提升安全帽检测的精确度。

基于改进RetinaNet算法的输电线路电力器件及异常目标检测

根据电力作业场景的实际需求,针对电力设备可能存在遮挡和检测目标较小、难以识别等问题,采用自适应样本选择方法中的样本分配策略来解决设备遮挡问题。同时,采用CIoU损失函数克服小目标识别困难问题,进一步提高检测准确性。此外,通过数据增强方法增加算法的鲁棒性,优化检测效果。理论和实践结果均显示,该优化后的算法能够显著提高输电线路电力器件及异常目标的检测准确性,从而实现对输电线路电力器件及异常目标的有效检测。

基于改进的YOLOv5s安全帽佩戴检测算法

针对个人防护用具安全帽的防护检测识别需求,现有的人工检测方法费时费力,无法做到实时监测.提出了一种基于YOLOv5s深度学习模型的安全帽检测算法,能够有效识别检测安全帽是否正确佩戴.并通过添加CA注意力机制,重新分配每个空间和通道的权重;以BoT3替代原有的C3模型,作为主干网络;并将CIOU损失函数改为SIOU等方法,改进原有的YOLOv5s模型,提高安全帽检测识别的精度,提高检测速度.实验结果表明,安全帽识别检测的平均精度比原始模型提高了2.2%,识别检测速度提升了19 ms,实现了更准确地轻量高效实时的安全帽佩戴检测.

面向密集场景结合TC-YOLOX的小目标检测方法

密集场景下小目标的高效精确检测是目标检测领域的关键问题。为了解决环境的多样性和小目标自身复杂性存在着特征难以提取、检测精度低等问题,提出一种面向密集场景结合TC-YOLOX的小目标检测方法。首先,通过在CSPNet中引入Transformer Encode模块,不断更新目标权重实现增强目标特征信息,提高网络的特征提取能力;其次,在特征金字塔网络中增加卷积注意力机制模块,关注重要特征并抑制不必要特征,提高不同尺度目标的检测准确度;然后,采用CIoU代替IoU作为回归损失函数,使得模型训练过程中网络收敛更快,性能更好;最后在PASCAL VOC 2007数据集上验证。实验结果表明,所设计的TC-YOLOX模型能够有效的检测出多样化场景中正常、密集、稀疏、黑暗条件下的小目标物体,mAP和检测速度可以达到94.6%和38 fps,与原始模型相比提升了10.9%和1 fps,对多种密集场景下的小目标检测任务均具有较好的适用性。

改进YOLO v4模型在鱼类目标检测上的应用研究

鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义。为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函数基础上构建了新的损失项,改进的损失函数使真实框与相交框呈相同宽高比进行回归,同时通过设置多锚点框模式,增强在特定尺寸面积上的检测效果。结果显示:改进YOLO v4模型的mAP(mean Average Precision)比原模型有较大提升,在自建数据集、Fish4Knowledge数据集和NCFM数据集上的mAP分别达到了94.22%、99.52%、92.16%。研究表明,改进YOLO v4模型可以快速准确地检测到鱼的位置和类别,检测速度满足实时的要求,可以为渔业精准养殖等提供参考。

基于改进YOLOv3算法的车辆目标检测

为有效解决车辆目标检测算法参数量大、计算成本高等问题,提出一种改进YOLOv3算法。利用深度可分离卷积和注意力机制重新设计主干特征提取网络结构,通过增大神经网络深度、拓宽特征提取层数实现更高层语义信息的提取,可获得更精细特征,减少模型参数量和计算量;引入CIOU回归优化损失函数,量化预测框与真实框中心点距离、重叠面积、尺度以及长宽比等评测指标,解决均方误差(MSE)损失优化方向不一致的问题,使目标框回归更加稳定。实验结果表明,该算法参数量为19.56 M,比YOLOv3算法降低了近67%,同时平均精度均值(mAP)提高了3.68%,每秒帧数(FPS)提高了8帧,为车辆目标检测提供了容易部署在移动端的轻量级网络。

基于YOLACT++的槟榔检测算法研究

设计了一个基于YOLACT++深度学习算法的槟榔检测模型。针对传送带上采集的槟榔图片分割精度低和预测框不精确造成槟榔分级准确率低的问题。在模型主干网络中引入改进Res2Net模块,改善槟榔掩模分割精度。在模型边界框回归损失中引入CIoU损失函数,提高预测框的检测精度。结果表明,改进模型的掩模mAP相较YOLACT++、Mask R-CNN、SOLOv2分别高出5.20%,4.09%,2.37%。预测框mAP相较YOLACT++、Mask R-CNN分别高出5.41%,4.90%。相较于模型改进前分级准确率提升2.12%。

基于注意力和多级特征融合的铁路场景小尺度行人检测算法

行人入侵是影响铁路行车安全的重要因素。为有效解决短焦距摄像机在大视场中小尺度行人检测精度低的问题,提出一种注意力机制引导下的多级特征融合网络模型。首先,将YOLOv3作为主干网络,针对多次降采样后行人特征丢失的问题,设计四倍降采样分支以利用高分辨率特征有效提取小尺度行人信息。其次,特征融合阶段引入通道-空间注意力机制以抑制低层特征中背景噪声干扰。最后,引入CIoU损失函数用于行人目标框的回归,解决均方误差损失函数存在的优化不一致及尺度敏感问题。实验结果表明,相较于经典YOLOv3以及现阶段主流目标检测算法,本算法具有更高的检测精度,在自建铁路私有数据集和Caltech公开数据集的各子集上对数平均漏检率均有明显降低。

基于改进YOLACT++的碧根果图像实例分割模型

针对碧根果加工生产线上存在果壳掉落、堆叠及打光阴影造成碧根果图像检测精度低的问题,提出一种改进的YOLACT++实例分割算法.在主干网络中采用引入了注意力机制的Res2Net模块用于增强主干网络的特征提取能力,抑制无效背景信息的干扰;在边界框回归损失函数中引入CIoU损失函数,更精确地评价预测框与真实框的位置关系,用于提高预测框的检测精度;将DIoU与FastNMS结合,加强对重叠度高的候选框的筛选能力,改善预测框误检的问题.碧根果数据集上的实验表明:相比改进前,该算法的掩膜与预测框mAP分别提升5.18%、5.49%.COCO数据集上的实验结果表明:改进的算法对于不同尺寸物体分割精度优于BlendMask等先进算法.

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9MB,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。

基于轻量级神经网络的目标检测研究

由于以CSPDarknet53为主干的YOLOv4神经网络参数量巨大,将其移植至手机等小型设备上时会降低其检测精度和速度,为了提高检测速度同时将检测精度控制在合理范围内,提出将原有的53层神经网络改为15层,并对其中的聚类算法进行优化,引入K-means++聚类算法对数据集进行分析,生成满足检测条件的Anchor Box;使用在负区间带有一定斜率的LeakyReLU激活函数代替存在梯度消失问题的Sigmoid激活函数,从而增强浅层网络的学习能力;同时考虑到Bounding Box与Anchor Box之间的中心距和宽高比具有一定的相关性,提出在原有损失函数的基础上增加相应的惩罚项生成L_(CIoU)损失函数,使损失函数在反向传播时梯度下降的方向性更好。实验结果表明,改进后的CSPDarknet15神经网络在VOC2007数据集上检测的平均精度达到83.94%,检测一幅图像的时间为3625 ms,与CSPDarknet53神经网络相比,检测速度提高了54.43%,能满足小型设备实时检测的速度和精度要求。

YOLOv5上融合多特征的实时火焰检测方法

在自然场景中,天气情况、光照强度、背景干扰等问题影响火焰检测的准确性.为了实现复杂场景下实时准确的火焰检测,在目标检测网络YOLOv5的基础上,结合Focal Loss焦点损失函数、CIoU(Complete Intersection over Union)损失函数与多特征融合,提出实时高效的火焰检测方法.为了缓解正负样本不均衡问题,并充分利用困难样本的信息,引入焦点损失函数,同时结合火焰静态特征和动态特征,设计多特征融合方法,达到剔除误报火焰的目的.针对国内外缺乏火焰数据集的问题,构建大规模、高质量的十万量级火焰数据集(http://www.yongxu.org/data bases.html).实验表明,文中方法在准确率、速度、精度和泛化能力等方面均有明显提升,同时降低误报率.

基于YOLOv4的隧道表面病害检测算法

隧道病害的及时发现与维护对行车安全非常重要,但隧道环境复杂多变、表面图像对比度低,传统模式识别方法无法有效检测病害。对此,文章提出一种基于YOLOv4的隧道表面病害检测方法,其首先采用CSPDarknet-53作为主干网络来有效提取特征,并通过空间金字塔池化(SPP)融合不同尺度特征,然后经过YOLO层分类与回归病害区域,最后应用CIoU损失函数计算回归损失,有效提高了检测精度。试验结果表明,采用该算法及NVIDIA GeForce 2080Ti显卡,检测速度可达到55帧/s;在所建立的高速铁路隧道表面图像数据集中,平均精度均值(mAP)达到65.1%,缺陷检出率达到90.1%,验证了该算法的高效性。

基于改进Faster R-CNN的新能源电池炸点缺陷检测分析

在新能源电池的生产过程中,常常会因为焊缝工艺问题而造成电池炸点缺陷问题,传统的炸点检测主要依靠人工观察,效率低下且精度不高。为了提高新能源电池在焊缝过程中炸点缺陷的检测精度,针对原始带有炸点的电池横截面图像少的问题,首先对原始数据集中的图像进行炸点标注,并使用一系列图像变换、图像拼接等方法进行数据扩充,然后在原始Faster R-CNN目标检测模型的基础上,将ResNet101作为特征提取网络,使用CIoU损失策略计算RPN和预测框的定位损失,引入特征金字塔FPN结构,使得小目标炸点的上下文信息更加丰富,在残差块中加入CBAM注意力模块,让模型更加关注图像中的炸点部位,以进一步增强小目标炸点的检测性能。在真实数据集上的测试结果表明,改进后得到的Faster R-CNN目标检测模型适用于新能源电池炸点的检测,得到的最高AP为75.126%,相比较于Faster R-CNN模型提升了9.52%,并且模型对不同尺度的炸点的定位更加准确,模型的推理和检测速度也没有明显的下降,为电池炸点缺陷检测提供了有效的算法。