基于改进YOLOv4算法的遥感图像飞机目标检测

针对在遥感图像上对飞机目标检测的精度低问题,论文通过对PANet特征融合网络结构的加深使得YOLOv4算法对小目标的检测更加敏感,进而提高算法的平均检测精度;另外,利用K-means++算法产生了能够自适应与数据集的检测先验框以减少YOLOv4检测算法对边界框回归损失计算过程中的冗余。在RSOD(Remote Sensing Object Detection)数据集上的对比实验表明,综合改进后的YOLOv4算法AP值达到了80.25%。特别地,改进后的YOLOv4算法对小目标检测的置信度得分较高。

YOLOv4-Tiny的改进轻量级目标检测算法

目标检测是深度学习的重要分支领域,大量的边缘设备需要轻量级的目标检测算法,但现有的轻量级的通用目标检测算法存在检测精度低、检测速度慢的问题。针对这一问题,提出了一种基于注意力机制的YOLOv4-Tiny的改进算法。调整了原有的YOLOv4-Tiny算法的主干网络的结构,引入了ECA注意力机制,使用空洞卷积改进了传统的SPP结构为DC-SPP结构,并提出了CSATT注意力机制,与特征融合网络PAN形成CSATT-PAN的颈部网络,提高了网络的特征融合能力。提出的YOLOv4-CSATT算法和原始YOLOv4-Tiny算法相比,在检测速度基本持平的情况下,对于信息的敏感程度以及分类的准确程度有了明显的提高,在VOC数据集上精度提高了12.3个百分点,在COCO数据集上高出了6.4个百分点。在VOC数据集上,相比Faster RCNN、SSD、Efficientdet-d1、YOLOv3-Tiny、YOLOv4-MobileNetv1、YOLOv4-MobileNetv2、PP-YOLO算法在精度上分别高出3.3、5.5、6.3、17.4、10.3、0.9和0.6个百分点,在召回率上分别高出2.8、7.1、4.2、18.0、12.2、2.1和4.0个百分点,FPS达到94。通过提出CSATT注意力机制提高了模型对于空间的通道信息的捕捉能力,并结合ECA注意力机制和特征融合金字塔算法,提高了模型的特征融合的能力以及目标检测精度。

基于改进YOLOv4的遥感图像目标检测算法

针对遥感卫星图像目标尺寸较小、背景较为复杂并且分布密集的问题,在YOLOv4算法基础上,通过使用K-means重新聚类,优化先验锚框的数量和尺寸,减少网络的计算;引入动态激活函数,自适应网络输入特征,提高模型的泛化能力;改进PANet结构,扩展了浅层特征的特征融合。实验结果表明,改进的YOLOv4算法对遥感图像中密集排列的小目标图像识别的准确率、检测速度都有所提高,满足了对于遥感图像小目标检测的要求。

基于改进YOLOv4的多目标车辆检测算法

针对现有检测方法存在小目标车辆漏检率高以及夜间车辆误检率高的问题,提出一种基于改进YOLOv4的多目标检测算法。引入深度可分离卷积代替标准卷积,减少模型的参数量与计算量。在保留YOLOv4输出层的同时,增加一层网格为104×104的输出层,提升算法对小目标车辆的检测性能。在Head部分引入Inceptionv3结构,采用K-means++聚类算法重新确定锚框,进一步提高算法对小目标车辆的检测性能。实验结果表明,算法相比改进前,在不降低检测速度的同时,其mAP增加2.44%,模型大小减少1/3,具有良好的鲁棒性。

基于改进YOLOv4的消防设施检测算法

消防安全问题是一个全球性的难题,由于城市化进程加快和人口密集度增大,火灾事故频发,给人们的生命财产安全带来了极大威胁。准确定位建筑图纸中的消防器材作为智慧消防管理中不可或缺的一部分,然而目前建筑楼层消防器材统计效率低下。针对这一问题,文章提出了一种基于YOLOv4的消防设施检测算法以实现消防器材自动检测和定位。首先构建了建筑图纸中消防设施数据集,用于检测识别等研究工作,其次对YOLOv4模型的先验框参数进行设计,使其符合消防设施检测的实际应用,然后根据数据集特点选取合适的特征层降低模型参数量,并使用ASPP扩大模型的感受野,最后对Mosaic数据增强算法的参数进行了实验,提升了模型的检测能力。实验结果表明,所提算法权重为54.07MB,Map值高达89.47%。

基于YOLOv4改进特征融合及全局感知的目标检测算法

YOLOv4算法在检测速度和精度上达到了很好的平衡,但仍存在着定位框不准确、检测率低的问题,尤其是在检测目标较小、尺度变化大的情况下。针对以上问题,提出一种新的基于YOLOv4改进的目标检测算法。该算法采用改进的特征融合模块(path aggregation network combined with bi-directional feature pyramid network,P-Bifpn)代替PANet(path aggregation network),增加跨尺度连接的同时在输出端引入权重,增强重要特征的表现力,解决由多尺度变化而引起的精度下降。然后,采用新的全局注意力机制(global association network,GANet),在减少平均池化与计算量的同时增强Sigmoid函数输出,加强模型对目标上下文关系的学习,减少噪声干扰和全局信息的损失。试验采用RSOD、NWPU VHR-10数据集,平均检测精度分别提升了约5%和3%;泛化试验采用VOC2007+2012公共数据集,平均检测精度提升了约0.6%。试验结果表明改进的算法能够有效提高模型的检测能力。

基于YOLOv4算法的低压动力配电箱表面缺陷检测方法研究

目前常规的低压动力配电箱表面缺陷检测方法主要采用红外传感设备对表面进行扫描,从而实现缺陷检测,但缺乏对缺陷特征的融合处理,导致检测精度较差。对此,提出基于YOLOv4算法的低压动力配电箱表面缺陷检测方法。首先对原始图像进行灰度化处理,并采用高斯滤波算法降低图像中的噪声部分。然后通过构建CNN网络结构,对图像中缺陷的边缘特征进行分离,并通过对特征提取结果进行拟合处理实现多特征融合。最后通过构建YOLOv4网络结构,对激活函数与注意力机制进行设计,实现配电箱表面缺陷的定位与检测。对该方法进行缺陷检测性能的检验,结果表明垂直深度检测误差值较低,检测精度较理想。

基于改进YOLOV4CSP算法的非法垂钓人员智能检测研究

在一系列保护南水北调源头生态环境和水源的工作中,打击非法钓鱼作业是一项基础且重要的任务。为提升南水北调工程水源地水环境管理水平并加强水行政安全管理工作,文章提出了一种基于监控场景的智能实时垂钓行为检测方法,其中利用改进的YOLOV4CSP目标检测算法实时检测水域内的钓鱼人员,输出其在监控画面中的坐标位置,从而精准打击非法垂钓行为,实现了保护水源和维护生态环境的目标。改进的YOLOV4CSP目标检测算法不仅在行人检测数据集上提升了1.4个类别的平均精确度,而且在实测的南水北调宝应水站监控画面上呈现出显著的可视化效果,可准确输出钓鱼人员的坐标位置。当在非垂钓区域检测到钓鱼人员时,系统将自动及时通知行政人员,以便对非法钓鱼作业进行精准驱逐和打击,从而发挥了保护生态环境和水源的作用。

基于优化改进的YOLOv4算法在骑行头盔佩戴检测上的研究

针对当前算法在交通环境中对电动车和摩托车驾驶员的头盔配戴检测表现出较高的漏检率和定位精度不足等问题,本文提出了一种优化改进的YOLOv4算法。引入了轻量级网络MobileNetV2替代CSPDarknet53主干网络,不仅显著减少了参数数量和计算成本,而且保持了必要的表征能力。采用CA注意力机制结合深度可分离卷积提升网络特征的代表性,并且与深度可分离卷积结合进一步优化了计算效率。为了更有效地利用不同层次的特征并提升检测性能,引入了SPP+最大池化结构。在不同的空间尺度上捕捉和融合特征,促进模型捕获更为全面的上下文信息。实验结果表明,优化改进的YOLOv4算法mAP值达到了98.55%,比YOLOv4算法提高了1.9%,检测速度由35.66fps/s提升至53.25fps/s。确保准确度的前提,优化改进的YOLOv4算法在头盔配戴检测任务上的表现有了显著提升,使其更适用于轻量级应用场景。

基于改进YOLOv4-tiny的行人检测算法研究

在汽车智能化进程中,对于道路行人的检测研究是必不可少的,文章基于YOLOv4-tiny提出一种改进的行人检测算法,应用于车载小型摄像头。将空间金字塔池化结构(SPP)引入网络结构,通过SPP模块实现局部特征和全局特征的融合,丰富最终特征图的表达能力;在特征层和上采样引入了坐标注意力(CA)机制,从通道和空间两方面对图像特征进行有效关注;实验采用PASCALVOC-2007数据集进行训练和验证。实验结果表明,改进后的算法在VOC数据集中,平均精度提高了3.84%,F1值为0.80,查准率提高了0.77%,查全率为73.95%,平均准确率均值(mAP)提高了8.79%,在保证算法速率的同时提高了检测精度。该研究为汽车智能化行驶过程中的行人检测提供了建议。

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

基于改进YOLOv3-SPP算法的道路车辆检测

针对在城市道路场景下视觉检测车辆时,车辆密集和远处车辆呈现小尺度,导致出现检测精度低或者漏检的问题,提出了一种基于改进的YOLOv3-SPP算法,对激活函数进行优化,以DIOU-NMS Loss作为边界框损失函数,增强网络的表达能力。为提高所提算法对小目标和遮挡目标的特征提取能力,引入空洞卷积模块,增大目标的感受野。实验结果表明,所提算法在检测车辆目标时m AP提高了1.79%,也有效减少了在检测紧密车辆目标时出现的漏检现象。

基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

基于SGD和余弦退火算法改进YOLOv3的高压电力设备目标检测方法

针对现有高压电力设备检测方法存在实时性差、准确性低和难以部署在移动端等问题,提出一种基于随机梯度下降(SGD)和余弦退火算法改进YOLOv3的高压电力输送设备安全检测算法。采用网络复杂度较小、计算速度快、识别精度高且易于部署的移动端YOLOv3作为算法的主要框架;然后设计了深层的残差网络(Darknet53)作为该模型的主干特征提取网络,在提高识别精度的同时解决网络过深可能产生的梯度爆炸问题;进一步地结合SGD优化算法和余弦退火算法,在保证网络训练学习效率较高的同时避免网络陷入局部最优解,以此提高高压电力设备安全检测的速度和精度,满足实际需要;最后使用采集的高压电力设备数据集对整个网络进行训练。结果表明,YOLOv3在高压电力设备数据集上的平均检测精度达到了97.08%,检测速度达到了56帧/s,误检率只有0.78%。

基于改进YOLOv8的景区行人检测算法

针对当前景区行人检测具有检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,创建TAPDataset行人检测数据集,弥补现有数据集在小目标检测方面的不足,并基于YOLOv8算法,构建一种检测精度高、硬件要求低的新模型YOLOv8-L。首先引入Depth Sep Conv轻量化卷积模块,降低模型的参数量和计算量。其次采用BiF orm er注意力机制和上采样算子CARAFE,加强模型对图像的语义理解和信息融合能力,提升模型的检测精度。最后增加一层小目标检测层来提取更多的浅层特征,从而有效地改善模型对小目标的检测性能。在TAPDataset、VOC 2007及TAP+VOC数据集上的实验结果表明,与YOLOv8相比,在FPS基本不变的情况下,在TAPDataset数据集上,模型的参数量减少了18.06%,mAP@0.5提高了5.51%,mAP@0.5∶0.95提高了6.03%;在VOC 2007数据集上,模型的参数量减少了13.6%,mAP@0.5提高了3.96%,mAP@0.5∶0.95提高了6.39%;在TAP+VOC数据集上,模型的参数量减少了14.02%,mAP@0.5提高了4.49%,mAP@0.5∶0.95提高了5.68%。改进算法具有更强的泛化性能,能够更好地适用于景区行人检测任务。

基于改进YOLOv5s的仓储货物检测算法研究

针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。

基于改进YOLOv5s的着装不规范检测算法研究

针对餐饮后厨工作人员着装不规范,在复杂背景下采用现有算法检测精度低且易出现误检、漏检等问题,提出一种基于YOLOv5s的着装规范检测改进算法YOLOv5s-ESW。首先,在主干网络引入新型多尺度注意力机制改进C3模块,增强网络的特征提取能力;其次,在颈部网络中采用空间和通道重建卷积模块(SCConv)替换原始网络中的卷积模块(Conv),减少模型参数冗余,同时提升模型的精度;最后,在预测部分引入WIoU损失函数更换CIoU损失函数,提高模型泛化能力,加快收敛速度。将改进算法应用到自建餐饮后厨工作人员着装数据集中进行实验,实验表明,改进后的模型检测平均精度提升了4.1%,参数量减少了11.4%。该模型在提高了检测精度的同时降低了网络复杂度,能够满足餐饮后厨工作人员的着装规范检测的要求。

基于协调注意力机制的轻量级YOLOv4零件检测

针对零件自动检测任务在复杂工况下,如零件堆叠粘连、有杂物干扰等,存在实时性差、硬件资源占用大等问题,提出一种基于轻量级YOLOv4网络的零件检测方法。采用MobileNeXt代替CSPDarkNet53作为主干特征提取网络(backbone),并在每个卷积模块中添加协调注意力机制,用于增强特征层的语义表达能力;提出一种Fused-Sandglass模块插入到浅层的backbone中,提高网络的推理速度;网络训练方面引入渐进式训练方法和focal loss损失函数,提升训练速度,并且有效缓解正负样本失衡的问题。实验结果表明,该方法在15种零件的检测任务中能够保持和YOLOv4网络相近的准确率,但参数量大小仅为其20%,推理速度达到了43.7 fps,能够满足实际生产的需求。