面向通用目标检测的YOLO方法研究综述

作为深度学习时代首个单阶段目标检测算法,YOLO以其强大且独特的范式在计算机视觉领域掀起了一股热潮,并成为目标检测算法的里程碑式成果,至今为止仍是在速度与精度之间实现最佳平衡的典型算法,广泛应用于自动驾驶、智能视觉系统等工业领域。过去的八年里,在深度学习技术的驱动下,YOLO方法有了快速发展并对整个目标检测领域产生深远影响。从技术进化角度深入调查YOLO方法相关工作,对最初的YOLO v1到最新的YOLO v9与YOLO v10每一次迭代创新和贡献进行全面总结,根据不同时间节点的和技术的重大改进将YOLO方法分为早期基础YOLO、标准版本YOLO、标准改进YOLO和独特改进YOLO四部分,详细介绍每个时期改进方法的独特视角。此外,总结评估YOLO方法的数据集与指标,收集了不同版本YOLO、同一版本YOLO不同型号的详细实验结果,从宏观层面与微观层面归纳YOLO的发展变化,通过分析揭示各版本YOLO之间的开发框架、骨干网络架构、先验框使用情况等技术的差异和内在联系,强调了YOLO在速度与准确率之间平衡的重要性。最后通过系统的梳理,凝练YOLO方法未来的发展趋势。

基于优化YOLO方法机场跑道目标检测

为提供机场调度决策依据,需对机场跑道上的飞机和车辆等目标进行准确和快速检测。提出了基于优化YOLO框架的机场目标检测方法。根据监控系统拍摄角度得到图像投影,调整YOLO框架的检测网络结构,并在网络中增加卷积层,使检测器适应监控系统的投影成像,从而改善检测效果。构造机场模拟环境进行仿真试验。试验结果表明,在预设30°摄像头俯拍角度下,基于优化YOLO方法的机场检测目标帧率达26帧/s,准确率达91%以上,且对环境具有一定鲁棒性,可满足机场跑道入侵检测实时性要求,为机场塔台调度人员提供辅助决策依据。

基于双重检测的气门识别方法

针对目前工业中的气门识别方法存在重叠目标漏检率高、检测精度较低、目标包裹度差、圆心定位不准的问题,提出了一种基于双重检测的气门识别方法。首先,运用数据增强对样本进行轻量扩充;其次,以深度卷积网络为基础,加入空间金字塔池化层(SPP)和路径聚合网络(PAN),同时调整先验框,改进损失函数,从而提取气门预测框;最后,以霍夫圆变换(CHT)方法对预测框中的气门进行二次识别,从而达到精准识别气门区域的目的。把所提方法和原YOLOv3、YOLOv4、传统CHT方法进行对比,并采用精确率、召回率、交并比联合进行检测效果评估。实验结果表明,所提出的方法在检测精度和召回率上分别达到了97.1%和94.4%,相较原YOLOv3方法分别提高了2.9个百分点和1.8个百分点;且该方法使目标包裹度更好,目标中心点的定位更准确,其矫正框和真实框的交并比(IOU)达到了0.95,与传统CHT方法相比提高了0.05。所提方法在提高模型识别准确率的同时提高了目标抓取的成功率,在实际应用中有一定的实用价值。

YOLO-Person:道路区域行人检测

城市道路场景下的行人目标尺寸变化大,并且人群密集容易引起遮挡问题,增加了行人检测难度。为了提高城市道路区域行人检测的准确性和实时性,更好应对驾驶场景的实际需求,对You Only Look Once(YOLO)方法进行改进。原YOLO模型分为行人特征提取阶段和行人坐标回归阶段,将浅层特征与深层特征多尺度融合,增加骨架网络的特征提取效果;添加注意力机制,在特征融合后加入空间通道增强模块,并且将GIoU损失引入网络训练过程,提高对遮挡目标的识别能力;结合行人尺寸,提出CrossYOLO层对网络宽度进行调整,加快了模型运算速度。在Caltech行人基准数据集下进行验证实验,结果表明YOLO-Person模型与原YOLO以及其他流行方法相比,对小目标和遮挡目标误检率更低,并且速度更快,具有一定的实际应用价值。