基于改进的YOLOv7的雾天场景下绝缘子及其自爆缺陷检测方法

为了解决现有的目标检测方法在雾天场景下存在绝缘子、自爆缺陷识别准确率低、易漏检的问题,提出了一种融合了坐标注意力机制(CA)和双向加权特征金字塔网络(BiFPN)的YOLOv7算法的雾天场景下绝缘子、自爆缺陷检测方法。首先,通过大气散射模型采用中心点合成雾的方法生成轻雾数据集、浓雾数据集和混合雾气浓度数据集;其次,在主干特征提取网络末端和预测端前端融入坐标注意力机制,提高网络对重要特征的关注程度;再次,在特征融合网络中借鉴BiFPN的思想添加跨层权重连接,提升模型的特征融合能力,改善遮挡目标与小目标的漏检问题;最后,考虑到真实框与预测框之间的方向匹配问题,使用SIoU损失函数替代CIoU损失函数,进一步提升模型的检测性能。研究结果表明,与原始YOLOv7相比,改进后的YOLOv7在轻雾、浓雾和混合雾气状态下的平均精确率分别提升了6.65%、5.55%和6.54%,分别达到96.95%、95.58%和96.65%,查准率分别提高了0.11%、0.08%和0.51%,召回率分别提高了10.25%、9.35%和8.23%。改进后的YOLOv7在对雾天环境下绝缘子、自爆缺陷有较好的检测效果。

用于肺部病灶图像分割的多尺度稠密融合网络

针对主流的深度学习网络难以完整分割肺部病灶、区域边界预测模糊的问题,提出一种基于U-Net的多尺度稠密融合网络(MDF-Net)。首先,引入多分支密集跳层连接以捕获多级上下文信息,并在网络末端引入信息加权融合(IWF)模块进行逐级融合,以解决网络中的特征损失问题;其次,设计一种自注意力金字塔模块,使用各金字塔层对特征图进行不同规模的切分处理,并使用自注意力机制计算像素关联度,从而增强局部与全局区域的感染特征显著性;最后,设计一种区别于传统U-Net的上采样模式的上采样残差(UR)模块,多分支的残差结构与通道特征激励使网络能够还原更加丰富的微小病灶特征。在两个公开数据集上的实验结果显示,与UNeXt相比,所提网络的准确度(ACC)分别提升了1.5%和1.4%,平均交并比(MIoU)分别提升了3.9%和1.9%,实验结果验证了MDF-Net具有更好的肺部病灶分割性能。

基于金字塔权重的QR二维码重构

在QR二维码的识别过程中,会遇到运动模糊等问题,因此获得的QR二维码难以识别。因此,本文提出了一种基于金字塔权重的QR二维码重构方法。首先,对输入的QR二维码图像使用仿射变换进行校正,并将校正后的QR二维码图像按模块分区;然后,对分割后的QR二维码的每一个模块利用分层加权求灰度值,并利用大津算法对改图像进行重构;最后,使用去模糊处理的QR二维码图像进行重构试验。试验结果表明,对比去模糊处理后的二维码和重构的二维码的识别正确率,基于金字塔权重的QR二维码重构具有很高的正确率,并能够在一定程度上提升了QR二维码图像正确识别率。