基于改进YOLOv5s的绝缘子缺陷检测方法

绝缘子在高压和超高压架空输电线路中的安全运行至关重要,因此对绝缘子图像的准确识别显得尤为关键。为了提高绝缘子缺陷检测的精度,提出了一种基于改进YOLOv5s模型的绝缘子缺陷检测方法。通过引入scSE注意力机制,以实现通道和空间方面的校准,强化了该模型在对绝缘子缺陷的辨识能力,从而进一步提高对绝缘子图像识别的精度,特别是在遮挡和相似目标干扰的情况下表现更为出色;在此基础上增加了Mosaic数据增强处理,为模型的训练提供更多数据,使模型在多场景下表现优异。经实验证实,该算法准确率达到了92.8%,召回率达到97.5%,mAP达到了98.8%,其检测精度明显优于其他模型,并在复杂场景下展现了出色的鲁棒性,为绝缘子检修工作提供了新的思路。

嵌入scSE模块的改进YOLOv4小目标检测算法

为解决目标检测任务中小目标检测精度低,错检、漏检率高等问题,提出一种scSE-IYOLOv4的改进YOLOv4的小目标检测算法。实验使用VEDAI小目标数据集,采用K-means++算法对目标样本进行锚定框优化,以提升算法精度。在YOLOv4算法的基础上,分别研究分析了scSE注意力模块嵌入至模型不同位置以及在模型颈部增加SPP模块对算法检测性能带来的影响。实验证明,在YOLOv4模型的骨干网“Add”和“concat”层后嵌入scSE注意力模块,以及在颈部增加SPP模块均能有效提升算法对小目标的检测精度,在VEDAI测试集上mAP@0.5均提升了2.4%。根据YOLOv4算法模型骨干网和颈部改进的实验结果,提出scSE-IYOLOv4目标检测算法。实验证明scSE-IYOLOv4算法能显著提升小目标的检测精度,在VEDAI测试集上mAP@0.5值较YOLOv4提升了4.1%,在PASCAL VOC数据集上mAP@0.5提升了2.2%。

融合scSE模块的改进Mask R-CNN海洋锋检测方法

海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE(spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率(IoU,Intersection-over-union))及检测精度(mAP,Mean Average Precision)均达0.914以上。此外,对文中设计评估模型进行检测效率实验,结果发现在不同网络模型、不同迭代次数情况下,本文提出模型消耗时间最短,远低于YOLOv3网络完成训练时所用时长。

基于改进YOLOv4的磁瓦缺陷检测算法

磁瓦在生产制造过程中会因为工艺问题产生各种不同的缺陷,传统检测算法检测速度慢、精度低,为了实现磁瓦表面缺陷快速有效的检测,文中提出了一种改进YOLOv4算法的磁瓦缺陷检测方法。首先将scSE注意力模块嵌入特征提取主干网络中的CSPnet的残差单元中,增强小目标的空间特征和通道特征;其次,采用空洞卷积空间池化金字塔(ASPP)模块代替原有SPP模块,增大卷积核感受野,更多地保留图像细节并增强信息相关性;最后,在颈部部分用深度可分离卷积替换5次卷积块中的传统卷积,以此来更好地对特征信息进行提取,减小模型的参数量。实验结果表明,改进的YOLOv4算法对磁瓦表面缺陷检测的平均精度值达到96.67%,检测速度为44 ms,模型大小为249 MB,明显优于原始算法,具有较高的检测精度和实用性。

基于改进YOLOv4的小目标行人检测算法

行人检测在无人驾驶环境感知领域具有重要应用。现有行人检测算法多数只关注普通大小的行人目标,忽略了小目标行人特征信息过少的问题,从而造成检测精度低、应用于嵌入式设备中实时性不高等情况。针对该问题,提出一种小目标行人检测算法YOLOv4-DBF。引用深度可分离卷积代替YOLOv4算法中的传统卷积,以降低模型的参数量和计算量,提升检测速度和算法实时性。在YOLOv4骨干网络中的特征融合部分引入scSE注意力模块,对输入行人特征图的重要通道和空间特征进行增强,促使网络学习更有意义的特征信息。对YOLOv4颈部中特征金字塔网络的特征融合部分进行改进,在增加少量计算量的情况下增强对图像中行人目标的多尺度特征学习,从而提高检测精度。在VOC07+12+COCO数据集上进行训练和验证,结果表明,相比原YOLOv4算法,YOLOv4-DBF算法的AP值提高4.16个百分点,速度提升27%,将该算法加速部署在无人车中的TX2设备上进行实时测试,其检测速度达到23FPS,能够有效提高小目标行人检测的精度及实时性。

改进YOLOv4的安全帽佩戴检测方法

由于安全帽目标较小、环境复杂等因素的影响,易造成卷积神经网络的漏检与误检。为提高复杂环境中对安全帽的检测能力,提出一种基于YOLOv4的安全帽检测网络SR_YOLO。采用多尺度池化操作改进空间金字塔池化层,由分层卷积与scSE注意力模块组成特征增强模块,改进网络结构,分别提高对网络感受野信息的获取能力和对Neck网络的特征提取能力。利用Kmeans++算法对安全帽数据进行anchor尺寸优化,提高算法的检测准确率。实验结果表明,SR_YOLO的mAP为84.05%,较YOLOv4提高1.45%,每秒检测帧率为30 fps,能够实现安全帽佩戴情况的快速准确检测。

改进Yolov5的玉米叶部蚜虫检测方法

针对蚜虫作为小目标在田间背景下由于其体积小、图像占比低带来的特征难以提取的问题,以及提取过程中蚜虫个体尺寸差异较大的问题,提出了一种改进Yolov5网络的蚜虫检测方法。在主干网络中段不同位置嵌入两个空间-通道并行注意力模块(scSE),在空间维度和通道维度上校准特征图的权重,增强蚜虫有效特征的提取,抑制背景无关信息的干扰。另外,在主干网络后段引入空洞卷积空间金字塔池化模块(ASPP),对特征图以不同膨胀速率的空洞卷积核提取多尺度信息,并进行特征融合,以搜索不同大小的蚜虫目标。实验结果表明,改进方法比原Yolov5网络平均精确率提高了3.9%,召回率提高了2.5%,同时保证了每张图片5ms的检测速度,对比其他流行方法在精确率和速度上也有明显的优势,证明了其检测田间蚜虫的有效性。

基于改进YOLOv3的安全帽检测方法研究

针对目前对工业现场安全帽佩戴检测过程中出现的检测准确率低和实时性弱问题,提出一种基于YOLOv3的改进模型。首先,采用K-Means++聚类算法,优化获取安全帽佩戴检测的先验框尺寸;在YOLOv3特征提取网络之后引入注意力模块(scSE);并在网络预测阶段,引入残差模块。实验表明:在自制安全帽佩戴检测数据集实验中平均准确率达到88.16%。相较于原始的YOLOv3算法,改进后算法对安全帽检测平均准确度有一定程度的提高。

基于改进的Faster-RCNN的生活垃圾智能检测分类

针对传统Faster-RCNN算法检测小目标物体精度较低等问题,提出了一种改进算法。该算法以Faster-RCNN算法为基础,选用RepVGG残差网络做为基础特征提取网络,以便更多保留垃圾中小目标的特征信息。在RPN网络中使用K-means++聚类算法获得更加精准的基准候选框,并在RepVGG网络中嵌入scSE注意力机制,提高小目标垃圾的检测精度,增强算法的鲁棒性。实验结果表明本文算法对小目标检测效果的精度有1.51%以上的提升。