基于YOLOv5的铁路接触网异物检测模型初步研究

接触网上附着的异物是影响铁路列车运行安全的一大隐患,在开行列车前需要检查接触网上是否有异物附着。目前,接触网异物检测主要依靠人工巡检,工作效率低,人力物力消耗大。文章通过建模实验,初步探讨利用基于深度学习的目标检测技术实现铁路接触网异物检测的可行性;构建了3种接触网异物检测模型:YOLO(You Only Look Once)v5模型、YOLOv5+坐标注意力(CA,Coordinate Attention)改进模型和YOLOv5+ConvNext Block改进模型,利用包含鸟窝和轻质异物两种常见异物的接触网图像数据集,对这3种模型进行实验分析。实验结果表明,相比YOLOv5算法,对于检测鸟窝和轻质异物两种常见的接触网异物,YOLOv5+CA改进模型和YOLOv5+ConvNext Block改进模型具有更好的效果,且YOLOv5+ConvNext Block改进模型检测小尺寸目标的能力更强。

融合注意力的ConvNeXt视网膜病变自动分级

由于视网膜病变的类间图像特征差别小及分类临界值相对模糊,自动分级算法存在识别与分级准确率低的问题,提出了融合高效通道注意力(Efficient Channel Attention,ECA)特征的ConvNeXt视网膜病变自动分级模型。针对数据集中数据不足的问题,采用水平翻转左右变换的方法扩充数据,并引入相关数据集来均衡数据的分布。针对眼底图像中出现的图像模糊、光照不均等问题,采用Graham方法对图像进行预处理突出病变特征。提出了融合注意力的ConvNeXt网络来辅助医生诊断视网膜病变,引入ECA机制,并设计了E-Block模块,该模块具有高性能、低参数的特性,能够在训练过程中有效捕捉跨通道交互的信息,同时避免降维。采用迁移学习方法训练网络的所有层参数,加入dropout方法避免ConvNeXt网络的学习能力过强导致的过拟合问题。实验结果表明,所提出的模型敏感性为95.20%,特异度为98.80%,准确率为95.21%。与常用的网络相比,本文方法针对视网膜病变自动分级各项性能指标均有提高。

改进YOLOv7的SAR舰船检测算法

为了解决合成孔径雷达(synthetic aperture radar,SAR)图像中小目标舰船和复杂背景下舰船检测精度低的问题,并使模型更加轻量化,提出了一种改进YOLOv7的SAR舰船检测算法。在YOLOv7主干网络构建REPPConv-ELAN模块替换原ELAN,减少网络的计算量和内存占用,加快推理速度,同时增强网络对目标特征的提取能力;在特征融合部分融入ConvNeXt Block加速网络提取和融合复杂目标的特征信息;再把全局注意力机制(GAM)加入至下采样阶段,构建一种用来捕捉全局特征的采样模块(MP-GAM),在通道维度和空间维度上进行特征捕捉和特征融合,实现多维信息的交互,提高网络对复杂背景下舰船的关键特征捕捉能力;在检测头的回归损失函数处引入新度量NWD替换IoU,增强对小目标的检测能力。在HRSID数据集上进行了实验对比,改进后的方法相比于YOLOv7,模型的参数量和计算量显著减少;AP值提升了10.04个百分点,准确率提升了3.61个百分点,召回率提升了15.15个百分点。与目前的主流算法对比,精度明显提高。实验结果表明,改进算法能有效提升SAR舰船检测精度,显著改善复杂舰船的误检和漏检情况。

基于改进ConvNeXt的轴承故障诊断研究

根据现有的网络模型(ConvNeXt)在处理小样本任务过程中,无法完全提供故障信息、所需样本数据量过大、泛化性能不足和鲁棒性能较低的特点,提出一种改进型ConvNeXt网络模型的轴承故障诊断方法。首先使用格拉姆角差场图像编码技术将故障样本进行解码得到相应的故障特征图;然后通过随机裁剪、旋转等方法,对数据增强模块进行改进;其次利用非对称卷积思想对ConvNeXt模型的大卷积核进行重构,增强模型对小样本任务的处理能力;最后融入CBAM注意力机制,提高模型对信号特征的通道和空间方面的提取能力。实验表明,改进型ConvNeXt网络模型对滚动轴承不同故障直径的识别准确率达到了98.3%,相比较GADF+VggNet,GADF+ResNet,GADF+ConvNeXt等网络模型,分别提高了16.7%,1.4%和4.05%。结果表明,所改进模型提升了原始模型在处理小样本条件下故障诊断效果,并且在不同故障直径滚动轴承条件下,故障诊断的准确率优于其他模型,且具有较强的泛化性和鲁棒性。