改进RRPN模型的遥感图像目标检测

针对遥感目标背景复杂、易受外界环境干扰,传统方法无法满足复杂场景下的检测高精度与实时性要求的问题,提出基于改进RRPN模型的遥感图像目标检测方法。首先,将特征金字塔(FPN)架构引入到了模型的残差网络中,使得遥感图像的高、低层特征得到了有效融合;其次,在特征提取网络中添加了通道和空间相融合的注意力机制(CBAM),提升了模型在遥感图像目标特征提取方面的跨通道和空间处理能力;此外,将剔除重叠建议框时的原始NMS算法优化为DIoUNMS算法,综合考虑遥感图像候选框之间的重叠度、距离、尺度大小等因素,使目标框的回归过程更加稳定。对比实验与消融实验显示,所提方法在公共数据集DOTA和HRSC2016上获得的平均精度均值mAP分别可高达77.30%、90.24%,较原始RRPN模型分别提高了8.29%、11.16%,且优于其他几种较新的经典模型,表明所提方法对于复杂环境下的遥感图像目标检测是合理且有效的。

基于改进YOLOv7的油茶果实成熟度检测

为确保油茶果实处于最佳成熟度进行采摘,提高油茶果实的出油率及茶油品质,该研究针对自然环境下油茶果实多被遮挡的问题,以原始YOLOv7模型为基础进行改进,提出一种油茶果实成熟度检测方法。首先,在主干网络中引入十字交叉注意力机制(criss-cross attention,CCA)加强对被枝叶遮挡果实成熟度特征的提取能力;其次,使用基于距离和交并比的非极大值抑制(distance-iou non-maximum suppression,DIoU-NMS)算法代替传统非极大值抑制(nonmaximum suppression,NMS)算法,从而加强模型对相互遮挡果实的检测能力;最后,以训练集中3 098张油茶果实图像训练改进的YOLOv7模型,验证集中442张图像用于在训练过程中评估模型,并对测试集中885张图像进行测试。改进后的YOLOv7模型在测试集下的精确率P为93.52%,召回率R为90.25%,F1分数为91.86%,平均精度均值mAP为94.60%,平均检测时间为0.77 s,模型权重大小为82.6 M。与Faster R-CNN、EfficientDet、YOLOv3、YOLOv5l和原始YOLOv7模型相比,平均精度均值mAP分别提升7.51、5.89、4.21、4.21和2.91个百分点。试验证明,改进的YOLOv7模型为实现油茶果实的智能化采摘提供理论依据。

基于改进Yolov5s的增强现实文物识别方法

将增强现实技术应用于数字博物馆的文物展览,有助于拉近参观者与文物的距离,使展览更具趣味性。针对增强现实技术在文物展览应用场景中,增强现实设备采集的文物目标图像背景复杂、文物形状纹理丰富而导致的误检、识别准确率低的问题,提出一种基于改进的Yolov5s的文物识别方法。在Yolov5s网络结构中的骨干网络与颈部网络之间引入了CBAM注意力机制,并在骨干网络中的Bottleneck模块中,使用多头注意力机制替换普通卷积,有效捕获局部信息,降低了无用信息的干扰。为了提高识别网络对于目标文物的边界框定位精度,采用DIoU-NMS方法挑选最优的目标识别框作为最终的预测框。实验结果表明,该方法提高了文物的平均识别精度,比原模型更适用于AR应用文物的目标识别。

基于改进YOLOv5s的水果新鲜度检测算法研究

水果新鲜度分级在食品行业中有着重要作用。新鲜度是衡量水果质量的重要标准,直接影响到消费者的身体健康和购买欲望。由于水果颜色、纹理和外部环境变化(如阴影、照明和复杂背景)的相似性,使用机器视觉对水果进行自动识别和分类是具有挑战性的。文章提出一种基于改进YOLOv5s网络模型的多类水果分级方法。首先,引入DIoU-NMS算法,考虑预测框与真实框之间的重叠率以及中心点距离,回归精度得到提高;其次,利用K-means算法对初始锚框进行调整;最后,在主干网络Backbone中嵌入CAM,加强网络的特征提取能力。试验结果表明:改进后的YOLOv5s水果新鲜度检测算法平均检测一张图像耗时为0.028 s,且其mAP达到96.6%,比原来YOLOv5s模型提升了2.4%。所提方法为水果新鲜度检测提供一种高性能的解决方案,并能够以较高的准确率对多类水果进行分级与定位。

基于普适性和特适性融合的交通检测方法研究

针对目前交通检测在特殊交通工具类型的场景适应性较差、车辆漏检和误检频发等问题,提出了1种基于普适性和特适性需求相融合的交通检测方法.该方法通过设计同时汲取普适性场景特征与特适性交通工具特征的数据集,利用迁移学习的思路,冻结YOLOv5模型的主干网络,并使用DIoU-NMS算法代替经典的NMS算法,以减少漏检的情况,实现对特定交通场景的快速精准检测.实验结果表明,改进的交通检测模型算法与目前常见的几种模型算法相比,均值平均精确率(mAP)分别提高了8.9%、10.9%、5.0%,且在不同的场景下依然具有良好的鲁棒性.

基于改进YOLOv3算法在道路目标检测中的应用

为了提高道路环境下目标检测的准确率和实时性,提出一种基于YOLOv3的改进检测算法。通过深度可分离卷积模块减少模型计算量,提高模型的实时性;采用K-Means++聚类算法代替原来的K-Means算法生成本数据集所需的先验锚点框,解决K-Means算法受初始点选取的影响较大,聚类结果不稳定的问题;在YOLOv3的多尺度预测网络中引入SENet(squeeze-and-excitation networks),加强网络对特征的学习能力;改进位置损失函数,解决使用IoU(intersection over union)度量时存在无法反映预测框与真实框重合度大小、无法优化IoU为零等问题;利用DIoU-NMS(基于Distance-IoU的非极大值抑制)去除冗余框,减少错误抑制,提高检测精度。实验结果表明,改进算法相对于原算法在检测耗时降低的同时,对5类常见目标检测的准确率均有提升。

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题,提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块,进而增强算法对零件的特征提取能力;将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法,进而提高零件检测精度。试验结果表明,相比原始YOLOv5算法,本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务,同时保证了实时性。

改进YOLOv5s的非机动车头盔佩戴检测方法

针对传统非机动车头盔检测算法目标漏检率高,在密集骑行场景下检测精度低等问题,提出了一种基于改进YOLOv5s的非机动车头盔佩戴检测算法。该算法采用Kmeans++算法聚类生成锚框,增强网络的稳定性;接着使用轻量级通用上采样算子(CARAFE)对高阶特征图进行上采样操作,增大感受野,充分利用特征语义信息;同时在Backbone模块和Head端前引入坐标注意力机制(coordinate attention,CA),在保证轻量化的同时,进一步提高算法的检测精度;最后利用DIo U-NMS对目标检测模型的输出后处理,降低密集场景下模型的漏检率,改善遮挡物体的检测能力。与YOLOv5s算法相比,改进后的算法精确度、召回率、平均精度分别提升了2.3%、1.5%和1.5%,能够实现对非机动车头盔佩戴的高精度检测。

基于改进YOLOv5羊只目标检测方法

针对羊的群居特性导致羊只重叠程度较高、检测效率低,且易造成漏检错检等问题,提出一种基于改进YOLOv5羊只目标检测方法。将YOLOv5的耦合头部替换为解耦头部,用来提升收敛速度;引入C3SE注意力模块,使网络可以更专注学习羊只特征;将NMS(Non-Maximum Suppression)更换为DIOU-NMS(Distance Intersec⁃tion Over Union-Non-Maximum Suppression),解决羊群因重叠检测不精确问题,提升定位与检测精度。实验结果表明,改进后的YOLOv5精准度P提升2.8%,召回率R提升3.5%,平均精度均值mAP提升3.0%,满足实际场景对羊只的检测要求。