一种改进注意力机制的输电线路防外破隐患检测方法研究

本文设计了一种基于Fusion-CBAM目标检测算法,对其模型结构进行优化以解决复杂场景下的目标遮挡问题。实验结果表明,与原始的Yolov5方法相比,该方法添加具备channel-Spatial dimensional interaction的注意力模块,以引导模型关注被遮挡的施工机械目标,进一步提升了算法的检测性能。

基于改进YOLOv5s的绝缘子缺陷检测算法研究

绝缘子缺陷检测是智能化电网发展中关键的一步,基于计算机视觉的绝缘子缺陷检测已经被大量应用于智能巡检中,选择YOLOv5s模型作为基础网络,在保证网络运行速度的前提下提升了检测精度。首先在主干特征提取网络中加入CBAM注意力模块,以增强模型的特征提取能力;其次在颈部结构采用BiFPN结构融合多尺度特征,减少特征丢失情况,以提升模型的特征融合能力;最后采用EIoU Loss作为网络回归损失的损失函数,解决了对航拍图像中各种尺度绝缘子敏感的问题,并提升网络的收敛速度。经过实验验证,在检测速度变化不大的情况下改进后的网络模型,平均精度均值(mAP)达到了94.13%,召回率(Recall)达到了84.94%,较YOLOv5s网络模型相比提升了5.71%和14.57%,同时模型的体积减小为13.5 MB,与其他改进模型相比,精度、召回率都有了明显提高,能够更好地满足实际应用的需求。

基于改进YOLOv5的室内楼梯检测方法研究

移动机器人视觉SLAM的楼梯建图过程需要对楼梯特征进行检测识别,传统的边缘检测、直线提取等楼梯检测技术往往视角较为理想、背景较为简单,无法实现栏杆遮挡、复杂背景下的楼梯特征提取;为了解决以上问题,提出了一种可用于移动机器人的改进YOLOv5的楼梯目标检测方法,在输入端引入FenceMask数据增强策略,增加对遮挡楼梯的训练样本数量;通道注意力模块CAM与空间注意力模块SAM采用并行连接的方式组成注意力模块CBAM,加强在复杂环境下对楼梯的特征提取能力;在预测端将NMS与WBF结合,将NMS筛选之后置信度较高且位置相邻的边框进行融合为新的边框,在满足精度要求的情况下改善了Faster-RCNN与SSD检测算法存在的单段多阶楼梯检测速度问题;仿真表明改进的YOLOv5s可以在模型大小18.4 MB的情况下达到82.9%的平均精度,改进的YOLOv5m在增大模型为45.5 MB的情况下平均精度提高为86.5%,均可有效识别栏杆遮挡、复杂背景以及单段长阶梯。

基于改进的YOLOv5s钢材表面缺陷检测研究

针对在钢材表面缺陷检测任务中对缺陷特征提取能力不足以及特征融合不充分的问题,本文提出一种基于YOLOv5s改进的钢材表面缺陷检测算法YOLOv5-TBC。首先,在Backbone的核心特征提取模块中引入三重注意力机制(Triplet Attention),使Backbone更具有适应性和表征能力。其次,研究引入了加权双向特征金字塔网络(BiFPN),提升网络的特征融合,并引入了CBAM注意力机制优化模型对小尺度目标的检测能力。最后,添加了轻量级上采样算子CARAFE用来扩大模型的感受野,进一步提高对不同大小目标的检测效果。实验结果表明,改进后的YOLOv5s模型在NEU-DET数据集上的精确率(Precision,P)和平均准确率(mAP)分别为74.0%和76.6%,较YOLOv5s中P提升了5.8%,mAP提升了3.0%,较YOLOv7中P提升了3.8%,mAP提升了2.1%,证明该网络模型具有更良好的检测性能。

基于局部和全局特征融合的二阶段人脸图像修复算法研究

针对大面积不规则破损的人脸图像修复过程中出现的伪影和不连贯问题,提出一种基于特征融合和多尺度注意力机制的二阶段人脸图像修复算法。在粗修复网络增加全局和局部特征分支来处理编码器的输出。其中,局部特征分支使用多尺度空洞卷积和门控残差连接来聚合上下文信息,并与全局特征分支的输出进行正交融合,提高局部特征与全局特征的相关性,减少特征冗余。在精修复网络增加平均和最大金字塔池化模块,其中,平均池化用于捕捉整体统计信息,最大池化用于提取空间上显著的特征并保留关键信息,并利用通道⁃空间注意力机制进行图像特征结构调整和纹理生成。最后,构建了一个包括多尺度结构相似性损失的复合函数对网络进行训练。实验结果表明,所提算法在主观和客观评价指标上均优于现有算法。

基于雷视融合YOLOv5变电站行人检测

针对变电站安全监控场景下的行人识别,纯视觉传感器目标检测极易受到光照条件和物体遮挡的影响,存在误检和精度不高等问题,主流雷达视觉融合目标检测网络存在实时性差、精度低的问题,提出了一种以YOLOv5作为主干网络的多尺度雷视融合目标检测算法,实验结果显示该算法在平均精度均值(mean Average Precision,mAP)0.5:0.95和帧率(Frames Per Second,FPS)上均显著优于其他主流目标检测算法。在YOLOv5结构上,额外增添了一条毫米波雷达点云多尺度特征融合分支。雷达点云RGB图像首先通过通道压缩(Channel Block Squeeze,CBS)、跨阶局部网络(Cross Stage Partial Network,CSP)模块提取特征之后,继续通过卷积注意力模块(Convolutional Block Attention Module,CBAM)和最大池化层对雷达点云信息进行不同层次的特征提取,使用空间注意力融合模块的改进对雷达点云特征和视觉特征进行3次多尺度特征融合。实验分析表明,所提算法mAP0.5:0.95比原始YOLOv5网络有显著提升,FPS也远优于目前主流雷视融合算法。

基于残差网络的运煤皮带异物分类方法

在煤炭运输的过程中往往会有异物划伤或撕裂运输皮带,造成出煤口堵塞等安全事故。因此需要及时识别出运煤皮带上的异物并对其分类,以此进行预警、分选并控制来降低事故发生几率。针对多数分类网络存在计算参数量大、分类准确率不高等问题,提出一种基于残差网络构建的运煤皮带异物分类网络。该网络采用多个小卷积层代替第一层的7×7卷积以增强对局部特征的捕捉能力,并加入批标准化层和ReLU激活函数,使网络更快收敛的同时增强网络的非线性能力;在残差块中使用深度可分离卷积代替普通卷积,大幅降低网络的参数量和计算量,加快模型推理速度;在残差块中引入CBAM注意力机制,增强网络对通道特征和空间特征的学习能力,减弱无用背景信息对模型的影响,将注意力集中到运煤皮带区域;将深层特征与部分浅层特征融合,提升对锚杆类小目标异物的识别率。该网络在自建的矿井数据集上的精确率达到了91.4%,比改进前的网络提高了4.7%,召回率达到了91.2%,比改进前的网络提高了5.8%,计算量降低了20%,参数量降低了31%。结果表明,构建的网络准确率更高,更加轻量化,训练速度更快,实时性更强。

结合注意力机制与双向特征融合的叶片病害检测方法

传统的Mask R-CNN网络检测目标时会出现特征丢失和特征混淆的情况,且对于密集的小目标容易出现漏检、错检等问题。针对这一问题,提出一种结合注意力机制和双向特征融合的叶片病害检测方法。首先,构建数据集时给叶片图片加入高斯噪声斯和椒盐噪声两种人工噪声,模仿自然界的复杂噪声,提升数据的多样性;其次,结合PAFPN结构与CBAM注意力机制,生成的CBAM-PAFPN结构,替代Mask R-CNN网络FPN结构,优化Mask R-CNN网络的特征提取方式;最后,将原网络NMS筛选候选框的方式替换为Soft-NMS。结果表明:对于无噪声的数据集,mAP值提升0.46%,Recall值提升2.24%;平均错检率为1.34%,降低3.28%,约为原网络的1/4,平均漏检率为0.12%,降低2.19%,约为原网络的1/20。改进后的网络在检测和定位精度上都有所提升,为有效检测不同大小、不同密集度的叶片病害提供技术支持。

基于多注意力机制与跨特征融合的语义分割算法

图像语义分割技术在缺陷检测、医疗诊断、无人驾驶等领域广泛应用。针对现有语义分割模型普遍存在训练成本过高、目标轮廓分割效果不佳以及对小目标误分割、漏分割等问题,基于DeepLabv3+网络框架,提出多注意力机制与跨特征融合相结合的图像语义分割算法。该算法选取轻量级网络MobileNetv2作为主干,以缩短训练时间;通过优化空洞空间金字塔池化模块中空洞卷积的膨胀率,改善多尺度语义特征的提取效果,提高模型对小目标的分割能力,并将兼具通道与空间的卷积块注意力机制引入其中,更加关注对分割起决定作用的区域,从而加强对目标边界的提取;在编码器中设计跨特征融合模块,以聚合不同层次特征图的空间信息和语义信息,提高网络学习特征的能力;在编码和解码部分均引入坐标注意力机制,以分解全局平均池化的方式将位置信息嵌入到通道中,从而得到分割目标的准确位置。实验结果表明,所提算法F3crc-DeepLabv3+在PASCAL VOC 2012增强数据集和Cityspaces数据集上的平均交并比分别达到了75.06%和73.06%,平均精度分别达到了84.16%和82.05%,精确率分别达到了86.18%和85.43%,训练时间分别为10 h和13.8 h,具有较优的网络性能。

基于改进孪生神经网络的精准识别系统研究

为提高变电站环境监控及风险识别准确率,提出一种基于改进孪生神经网络的识别方法。通过在孪生神经网络中引入特征对比模块、CBAM注意力机制、DLA多尺度融合,有效解决了变电站环境监控图像中光影变化、背景变化和多尺度图像带来的识别精度低的问题,实现了变电站环境监控与风险的准确快速识别。仿真结果表明,所提方法具有一定的有效性和优越性,相较于孪生神经网络、YOLOv3、SVM、KNN模型,所建模型在各项性能指标上的表现更好,准确率、查准率、召回率、F1值和F2分别达到94.11%、92.56%、98.46%、93.27%、96.39%,且能快速、实时分类识别异常图像,对每张图像的检测用时为0.076 s。

基于EC-CSP和双路特征融合的红外无人机目标检测

针对红外无人机目标检测的实时性与准确性需求不断提升的问题,提出基于EC-CSP和双路特征融合的红外无人机目标检测算法。首先,提出结合ECA-CBAM注意力机制的CSP模块(Efficient Channel Attention-Convolutional Block Attention Module-CSP,EC-CSP),使网络能关注更重要的区域。其次,提出包含5×5、9×9像素大小最大池化的STM(Small Target Maxpool)模块,抑制背景特征对小尺度目标特征的干扰;最后,提出融合1×1与3×3基本卷积操作的全局特征提取(Global Feature Extracion,GFE)模块,并与STM模块组成双路特征融合(Dual Path Feature Fuasion,DPFF)模块,提高全局特征和局部特征的融合能力。实验结果表明,新算法取得了良好的实验效果。

基于2D DWT与MobileNetV3融合的轻量级茶叶病害识别

针对现有茶叶病害识别方法病害信息挖掘不足导致识别准确率低的问题,该研究提出了一种基于二维离散小波变换(discrete wavelet transform, DWT)和MobileNetV3融合的茶叶病害识别模型CBAM-TealeafNet。为增强网络对病害频域特征的检测能力,将2D DWT获取的频域特征与bneck结构提取的深度特征融合,形成频域与深度特征融合的识别网络。为提高特征提取能力,在bneck结构中,嵌入卷积块注意模块(convolutional block attention module, CBAM),为特征通道分配相应权重。为解决样本类别不平衡对识别模型性能的影响,利用焦点损失函数取代交叉熵损失函数以提高识别精度。经验证,CBAM-TealeafNet在5种不同茶叶病害上整体识别准确率达到98.70%,参数量为3.16×10^(6),相对MobileNetV3,准确率提升2.15个百分点,参数量降低25.12%。该方法可为茶树叶部等作物病害轻量级识别研究提供模型参考。

基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络(Mask R-CNN)模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块(CBAM),分别从通道和空间提升小目标特征保持性;其次,使用全局交并比(GIoU)计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。

基于改进YOLOv5s的煤矸石目标检测算法

针对工业场景下煤矸石分拣任务检测精度低、分拣速度慢的问题,提出一种基于改进YOLOv5s的煤矸石目标检测算法。在主干网络的卷积层中加入轻量化注意力机制CBAM,以提升目标在复杂的煤渣环境中的特征表达的能力;其次,改进特征融合层为BIFPN,BIFPN结构进行了双向跨尺度连接和加权融合,以加强煤矸石浅层的特征信息和高层煤矸石位置信息,解决煤矸石颜色、纹理相近难以分类的问题;最后,在原算法DIoU的基础上增加对边界框高宽比考虑,以提升检验框检测的准确率。在工业生产环境中采集的10000张煤矸石图像作为数据集对所提方法进行实验,实验表明,与改进前的YOLOv5s模型相比,在检测速度基本保持不变的前提下,改进算法平均精度mAP_0.5达到了93.3%,平均检测精度提高了5.1%,实现了对煤矸石进行目标检测的要求。

基于高光谱数据和雷达融合的滑坡信息提取

为了改进微地形滑坡遥感影像分类技术,从而提高微地形滑坡遥感信息提取的精度,采用湖北宜昌部分地区的无人机航拍高光谱影像(HSI)和激光雷达(LiDAR)数据作为研究数据源,并对高光谱和LiDAR数据进行融合,最后采用结合注意力模块(CBAM)的卷积神经网络(CNN)方法,对融合后的数据进行滑坡信息提取。研究表明,利用高光谱和雷达数据的优势,可以更准确地提取滑坡信息。

基于改进YOLOv4的轻量化织物疵点检测方法

为解决传统织物疵点检测速度慢、精度低以及部署难问题,提出一种基于改进YOLOv4的轻量化织物疵点检测方法。以YOLOv4网络为基础,使用轻量主干网络GhostNet,并添加Light CBAM注意力机制,以减少网络参数并提高检测精度;采用特征自适应融合ASFF策略,充分利用特征图纹理与语义信息,提高小目标疵点检测能力;改进NMS算法,生成预测框更快更精确。试验结果表明:相较于YOLOv4网络,改进的算法效率提升显著,mAP@0.5提高1.38个百分点,检测速度提高了14帧/s,模型参数量下降71.6%。

基于CBAM-DDcGAN的锌渣红外与可见光图像融合

对热镀锌生产线锌池中的锌渣分布进行准确识别是捞渣作业智能化的前提。红外图像易损失锌渣的纹理特征,可见光图像又容易受到光照等因素的影响,红外与可见光图像的融合是提高锌渣识别精度的有效手段。本文提出一种结合卷积注意力机制模块(CBAM)和双判别器生成对抗网络(DDcGAN)的红外与可见光图像融合算法。首先,生成器内部采用编解码网络,编码器采用密集连接方式,与CBAM相结合,在最大程度地保留图像特征的同时还能突出关键特征,抑制无用信息,提升融合效果。其次,利用两个判别器与生成器分别进行对抗训练,可同时保留两种源图像的信息。采用锌渣图像数据集进行对比实验,结果表明,本文算法所得融合图像在主观视觉效果和客观定量指标上均有不同程度的改善。

基于改进YOLOv5的输电线路鸟巢缺陷检测方法

鸟巢侵占是输电线路经常发生的一个故障情况。鸟类在铁塔上筑巢将会影响铁塔的绝缘性能,造成跳闸事故的发生。传统的输电线路鸟巢识别方法效率低且安全性不足。为此,本文提出了一种改进YOLOv5模型的输电线路鸟巢检测算法。通过在主干网络中加入CBAM注意力模块,以较小的计算代价提升主干网络的特征提取能力。在颈部网络中引入自适应特征融合模块替换原始结构,加强多尺度特征融合效果。使用更加稳定和平滑的Mish激活函数作为激活函数,以提升分类精度和泛化能力。实验结果表明,相较于原始YOLOv5s模型,改进方法在召回率以及平均精度均值方面分别提升4.4%和2.3%。对于遮挡目标以及远近距离目标均表现出良好的性能,验证了改进方法的有效性。

多模式特征融合网络肺结节良恶性分类方法

胸部计算机断层扫描(computed tomography,CT)中肺结节良恶性的精确分类对于肺癌的早期诊断具有重要意义。然而,CT影像中肺结节背景的复杂,以及图像特征提取不全面等问题,为实现肺结节良恶性的精确分类带来困扰。为此,提出了多模式特征融合网络肺结节良恶性分类方法。具体地,以MobileNet V3为骨干网络,以原始肺结节CT图像及提取出的结节图像为输入,设计了一种双路径特征提取网络,不仅能够有效提取原CT图像的全局信息,还能有效挖掘肺结节区域的判别性特征,以弥补结节较小时网络过多关注其周围组织从而产生误判的问题。此外,在特征提取阶段引入convolutional block attention module(CBAM)和通道混洗机制,进一步增强了网络的特征表达能力。同时,对原MobileNet V3网络结构做出修改,删除最后四组基于倒残差结构的bottlenecks(bnecks)模块,使模型能够以较小的时间和空间复杂度精确诊断恶性结节。在LIDC-IDRI数据集上的实验表明,提出的方法能够在显著降低网络参数量和FLOPs的同时实现对肺结节良恶性的精确分类,分类准确率、敏感性、特异性、精确率、F1值和AUC值分别达到了93.71%、94.03%、93.48%、95.56%、92.65%和98.66%。

基于改进YOLOv5模型的高速道路裂缝检测研究

为解决当前高速道路裂缝的错检、漏检、精度低等问题,提出一种基于YOLOv5改进的道路裂缝识别模型。首先,通过在骨干网络中添加注意力模块(CBAM)提升算法的特征提取能力;然后,修改网络特征融合方式,采用加权双向特征金字塔(BiFPN)替换特征金字塔(FPN)+像素聚合网络(PAN)结构以加强特征融合。最后,在加权双向特征金字塔尾部与检测层头部添加注意力机制,以提升网络的表达能力。实验结果表明,改进模型相较于传统YOLOv5模型在mAP@0.5、mAP@0.5:0.95方面分别提升33.5%、21.5%,改进后的YOLOv5算法对道路裂缝的检测效果较好,能快速、准确地识别定位高速道路上的裂缝。