基于改进YOLOv5的遥感图像目标检测

目前目标检测技术虽然已经趋于成熟,但是对遥感图像的检测仍存在不少挑战。针对遥感图像的背景复杂、目标尺度差异大、目标方向任意等特点造成目标检测精度低下的问题,提出一种基于改进YOLOv5的遥感图像目标检测算法。首先,构建一种联合注意力的多尺度特征增强网络,充分融合高低层特征,使特征层具有语义信息的同时包含丰富的细节信息,并在融合过程中利用设计的特征聚焦模块帮助模型选择关键特征,抑制无关信息。其次,使用感受野模块(RFB)对融合后的特征图进行更新,扩大特征图的感受野,减少特征信息损失。最后,对目标增加旋转角度,并采用圆形平滑标签将回归问题转化成分类问题,提高遥感目标定位的准确性。在用于航拍图像目标检测的大规模数据集(DOTA)上的实验结果表明,与YOLOv5算法相比,所提算法的交并比(Io U)为0.5和0.5~0.95时的平均精度均值(m AP@0.5和m AP@0.5∶0.95)分别提高了7.3和3.3个百分点,能够明显提高复杂背景下遥感图像目标的检测精度,并改善对遥感目标的漏检和误检情况。

基于YOLOv5的角度优化抓取检测算法研究

针对目前机器人抓取检测方法抓取角度预测过于离散,抓取过程可能产生较大偏角,降低抓取检测精度,甚至导致抓取失败的问题,提出了一种基于YOLOv5神经网络模型改进的机器人实时抓取检测方法。以单阶段目标检测模型YOLOv5为基础,提取抓取框坐标及抓取角度。对抓取角度进行更细致的划分,同时引入环形平滑标签以适应角度的周期性,建立相邻角度之间的联系,将YOLOv5检测头进行解耦,并对损失函数进行优化,提高检测精度。在Cornell数据集上进行实验验证。实验结果表明,与经典的抓取检测方法相比,所提算法能够更好地预测抓取角度,提升抓取检测精度;在Cornell数据集上,此模型达到了97.5%的准确率以及71FPS的检测速度。

基于深度学习的马拉松号码簿识别方法研究

在异常行为运动员身份识别任务中,通过号码牌区域定位和号码文本识别两部分完成对号码牌的识别任务。针对号码牌倾斜扭曲、长宽比值变化较小等问题,结合聚类方法设计一种基于旋转目标检测模型rRetinaNet来匹配多种形式的号码牌。采用结合注意力机制的基于CRNN的文本识别算法对号码文本进行识别,提升对不规则号码文本的识别性能。通过文本合成算法生成近似号码文本的图像用于网络的预训练,真实号码牌图像则用于预训练模型的微调。实验结果表明,在自主创建的真实赛事马拉松数据集上,改进后的复合型网络在号码簿的检测与识别精度上均有所提升,通过这两个算法的结合可以有效地解决异常行为运动员身份识别问题。

基于YOLOv5s的轻量化遥感舰船检测算法

[目的]针对遥感图像舰船目标检测任务中轻量化和快速推理的需求,提出一种基于改进YOLOv5s的轻量化遥感舰船目标检测算法LR-YOLO。[方法]首先,主干网络采用ShuffleNet v2 Block堆叠方式,有效减少算法的参数量并提高计算速度;其次,设计区域选择模块Filter,选择感兴趣的区域,更充分地提取有效特征;最后,引入圆形光滑标签计算角度损失,对遥感舰船目标进行旋转检测,并采用可变形卷积,以此来适应几何形变,提升检测效果。[结果]在HRSC2016舰船数据集上的实验结果表明,该算法的检测精度达到92.90%,提高1.3%,并且算法参数量仅为基线模型的39.33%。[结论]该算法实现了轻量化和检测准确率的平衡,为轻量化遥感舰船目标检测提供了参考。

基于航空图像的目标检测算法Trans_YOLOv5

与自然图像的检测算法相比较,航空图像的检测存在目标角度随机、目标尺度变化剧烈、小目标密集、图像背景复杂等问题。针对这一系列难题,提出适用于航空图像检测的Trans-YOLOv5算法。修改YOLOv5算法中数据预处理模块以及后处理方法,增加一个目标角度标签的处理,使其适用于目标角度随机的航空图像。针对后续出现的边界问题,引入CSL(Circular Smooth Label,圆形平滑标签)将标签角度回归问题转换为分类问题,提高角度标签检测的精度。针对航空图像小目标检测问题,将Swin Transformer集成于YOLOv5框架中,提升模型对小目标的检测效果,并配合注意力机制模块,提高全局表征能力,使网络模型更加关注于待检测的目标对象。在DOTAv2.0航空图像数据集上的实验结果验证了所提方法的有效性,检测结果达到60.98%mAP,与原YOLOv5算法检测结果相比提高10.85百分点,与官网公布的竞赛最佳结果相比提高2.01百分点。

基于改进RetinaNet的马拉松号码簿检测方法研究

针对自然场景中马拉松运动员号码簿的扭曲形变与多目标混合等复杂情况,提出一种基于改进RetinaNet的号码簿检测网络模型,以提高号码簿检测精度。该模型以RetinaNet为基础网络结构,在原有候选框生成策略中引入角度参数,通过生成不同角度、大小的候选框来匹配水平及倾斜目标。模型中针对旋转检测框在角度回归中引起的边界问题,采用环形平滑标签方法将角度回归问题转化为分类问题,通过对窗口函数及窗口半径的设置,使得目标区域定位更精确。实验结果表明,在收集到的真实马拉松数据集上,相比原始RetinaNet,改进后的模型在简单及复杂背景下的检测精度均有所提升。在相同数据标注的条件下,与具有多角度的文本检测模型CTPN、EAST模型相比,改进后模型对于倾斜号码簿的检测性能更优。

基于旋转目标检测的指针仪表读数识别方法

为解决判断指针方向的问题,提出一个旋转目标检测网络R-YOLOv5。采用旋转矩形的形式定位指针的位置和角度方向,采用环形平滑标签的长边表示法区分矩形的方向,将角度回归预测问题转化为分类问题,设计合适的损失函数和旋转IoU计算方法,解决角度周期性对训练的影响。针对指针仪表数字刻度识别问题,提出一种空间聚类算法,能够鲁棒地识别刻度的数字。实验结果表明,所提指针仪表读数识别方法在误差允许范围内,识别准确率达93.9%。

基于密集编码标签的遥感图像旋转目标检测算法

针对现有目标检测算法在遥感图像中检测精度低,容易漏检等问题,提出了一种遥感图像旋转目标检测算法,使用YOLOv5m作为基本框架。首先,使用环形平滑标签CSL(Circular SmoothLabel,CSL)将角度回归预测转变为角度分类预测,解决回归预测中的角度周期性和边界可交换性的问题,提升检测精度。其次,使用密集编码标签(DenselyCodedLabel,DCL)替换稀疏编码标签,大幅减少预测层厚度,提升训练速度。实验表明,使用改进后的算法较基准算法mAP提升4.88%,模型训练速度与原模型速度基本相同,证明了算法的有效性。

改进YOLOv5网络在遥感图像目标检测中的应用

针对遥感图像目标检测存在的尺度多样化、分布密集、小目标检测困难等问题,提出了一种改进YOLOv5网络的遥感图像目标检测的新方法Fca_YOLOv5。该方法引入了频率通道注意力网络,引导模型更加关注信息丰富的特征;将网络输入尺寸优化为1 024,减少了图像缩放带来的影响;采用圆形平滑标签计算角度损失,对船舰目标进行旋转目标检测,进一步提升检测效果。在DOTA遥感图像数据集上进行实验,检测精度最高达到了75.9%,船舰旋转目标检测精度达到了96.1%,并且Fca_YOLOv5s的检测精度比YOLOv5s提高了3.1%。实验结果表明,改进网络对遥感图像中的微小目标具有较好的检测效果,有效提升了遥感图像的检测精度,对实现遥感图像中的微小目标检测具有一定的参考意义。

基于YOLOv5的多分支注意力SAR图像舰船检测

针对合成孔径雷达图像噪声大,成像特征不明显,尤其在面对海陆边界、港口码头、近岸岩礁等复杂场景,通常的检测算法对SAR图像目标特征提取困难,导致检测精度不高,出现误检漏检等问题。在YOLOv5的基础上设计了一种旋转的目标检测方法,提出了多分支注意力模块可以跨维度的信息融合,能更好地提取SAR图像目标中的位置信息和语义信息,以提高检测精度。此外,由于旋转目标检测会产生边界不连续问题影响边界框的回归,因此,利用了圆形平滑标签的方法将角度参数从回归问题转为分类问题,由此提高了精度。最后在HRSID、SSDD+数据集上进行了实验,精度分别达到84.98%和90.13%,比原始的YOLOv5算法分别提升了1.29%和2.57%,实验结果证明所提算法的有效性。

旋转框定位的多尺度再生物品目标检测算法

针对传统目标检测算法未考虑实际分拣场景目标物形态尺度的多样性,无法获取旋转角度信息的问题,提出基于YOLOv5的改进算法MR;-YOLOv5.通过添加角度预测分支,引入环形平滑标签(CSL)角度分类方法,完成旋转角度精准检测.增加目标检测层用于提升模型不同尺度检测能力,在主干网络末端利用Transformer注意力机制对各通道赋予不同的权重,强化特征提取.利用主干网络提取到的不同层次特征图输入BiFPN网络结构中,开展多尺度特征融合.实验结果表明,MR;-YOLOv5在自制数据集上的均值平均精度(mAP)为90.56%,较仅添加角度预测分支的YOLOv5s基础网络提升5.36%;对于遮挡、透明、变形等目标物,均可以识别类别和旋转角度,图像单帧检测时间为0.02~0.03 s,满足分拣场景对目标检测算法的性能需求.

基于旋转YOLOv5的电力作业车态势感知方法研究

针对电力作业场景下的电力作业车安全监测问题,提出了一种基于YOLOv5的旋转目标检测算法,通过检测电力作业车的机械臂旋转角度,判断电力作业车在当前作业场景下的作业姿态是否安全。文中以YOLOv5为主干网络,采用环形平滑标签的方法,将角度的边界回归问题转化为分类问题,解决了角度周期性变化带来的损失值突变问题。实验结果表明,CSP-DarkNet-YOLOv5l模型对电力作业车机械臂的平均检测精度达到了80.02%,均优于GhostNet-YOLOv5l、MobieleNetV3-YOLOv5l、ShuffleNetV2-YOLOv5l,并且对机械臂的旋转角度预测也最接近真实值。