基于轻量级网络的小目标检测算法

针对YOLOv5算法在检测小目标时存在准确率较低的情况，提出旨在提高小目标检测准确率的轻量级网络KOS-YOLOv5算法。首先采用K-means++聚类技术选择一组合适的锚框尺寸作为模型的先验，对小目标实现更精确的锚框尺寸，使模型能适应不同大小的目标；其次利用简化正负样本分配策略（SimOTA）进行动态样本匹配，更好地优化损失函数；最后将空间上下文金字塔（SCP）模块集成到算法检测层中，促使骨干网络更加关注小目标的特征信息，用以增加目标特征提取能力，提高目标的检测准确率。结果表明，改进后的KOS-YOLOv5算法与传统的YOLOv5模型进行比较，算法在检测精确度（P）方面提高了4%，召回率（R）方面提高了2.4%，平均检测精度（mAP）提高了3.1%，损失函数值（Loss）降低了5%，最终检测精度为95.38%。     

基于改进YOLOv5s的铁轨表面裂纹检测算法

铁轨轨枕表面出现的裂纹可能对轨道交通造成安全隐患。针对铁轨裂纹检测的方法存在通用性差、精度低、召回率低的问题，提出一种基于改进YOLOv5s的铁轨裂纹检测算法YOLOv5s-CBE。首先将CA注意力模块分别加入主干C3模块以及C3与SPPF之间，从通道和空间两个维度捕获通道关系和位置信息，提高YOLOv5s主干网络特征提取能力。其次，在YOLOv5s的Neck部分，使用BiFPN融合不同尺度信息，获取拥有丰富语义信息的输出特征图；同时，加权双向特征融合金字塔结构通过引入权重调整不同尺度输入特征图对输出的贡献，优化特征融合效果，减少了卷积过程中特征信息的丢失，提高了检测精度。最后，将原YOLOv5s中损失函数CIoU改为EIoU。EIoU不仅考虑了中心点距离和纵横比，而且还考虑了预测框与真实框宽度和高度的真实差异，提高了锚框的预测精度。相较于原始网络YOLOv5s,YOLOv5s-CBE铁轨裂纹检测网络在自制铁轨裂纹数据集上，模型大小相较于基础网络YOLOv5s降低了1.0 MB，精度mAP提高了3.7%，召回率由73.5%提升到76.2%，不同尺寸裂纹的漏检现象减少，具有一定的优越性和...     

改进YOLOv3的SAR图像舰船目标检测

针对目标检测算法直接应用于SAR图像舰船检测数据集时数据训练不充分、鲁棒性差等问题,本文提出了一种改进YOLOv3的SAR图像舰船目标检测方法,从改进网络训练策略的角度出发,提升算法对不同舰船目标的适应性,优化算法的检测性能。改进主要包括两个方面:一方面本文在YOLOv3的基础上引入了ATSS（Adaptive Training Sample Selection）正负样本的分配方法,提高YOLOv3中正负样本选择的质量,优化网络训练。另一方面本文设计了基于特征层的锚框超参数优化方法,使锚框更加贴合各检测层数据集样本分布,从而使训练模型更好的收敛。本文分别在SSDD、SAR-Ship-Dataset数据集上进行了实验,验证了其有效性。      

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题，提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先，以Darknet19网络代替YOLOv3原始的Darknet53网络，并在特征学习时针对样本中不同MOA长宽比例，通过K-means聚类算法对MOA图像中的目标帧进行分析，重新聚类样本中心锚点框，得到合适的锚框数目和大小。最后，利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明，改进的YOLOv3模型识别精度达到96.3%，识别速度为6.75 ms。     

基于YOLOv3锚框优化的侧扫声呐图像目标检测

利用侧扫声呐图像来探查海底目标对海洋资源开采和海上军事防护都有重大意义。目前人为提取图像特征进行目标检测的传统机器学习方法逐渐被深度学习取代。深度学习技术在降低算法复杂度的同时提高图像目标检测效率,极大地推动了目标检测技术地发展。将深度学习检测算法应用到侧扫声呐图像目标检测领域时,锚框作为目标检测网络中较为重要的先验信息会影响最终的检测性能,考虑到声呐数据集的真实目标框与网络设定的锚框未必贴合的问题,本文在YOLOv3的基础上对锚框进行了优化,给出了一种能够获取有效先验锚框的策略。首先使用K-Means算法对真实目标框进行聚类,获得比较贴合于声呐数据集的锚框,然后设计了一种超参数锚框映射关系对聚类后的锚框进行拉伸变换,这样获得的锚框既包含了声呐数据集的目标框信息,也能利用到YOLOv3的多尺度特性。实验结果表明,所提锚框优化策略能够让YOLOv3网络获得更优的检测性能,适用于侧扫声呐图像的目标检测问题。      

基于轻量化YOLOv4模型的车辆检测方法

当前,各类基于深度学习的车辆检测模型大多存在参数量大的问题,导致对模型运行的硬件系统要求较高,难以移植到嵌入式平台。为了减小模型的参数量,提升模型的检测速度,本文提出一种基于改进的YOLOv4的轻量化目标检测模型,使用MobileNetV2网络替换YOLOv4的主干特征网络,将普通卷积替换为深度可分离卷积。同时,为了保证模型检测精度,使用K-Means++算法聚类得到预设锚框。实验结果表明,所设计的模型参数量从原YOLOv4网络的64.36 Mb压缩到了11.73 Mb,同时检测速度为47.31 f·s^(-1),能够满足道路车辆检测的实时性要求。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。     

基于改进YOLOv3网络的SAR图像舰船目标检测方法

在基于合成孔径雷达(SAR)图像的舰船目标检测中,针对图像背景复杂、舰船尺寸大小不一等问题,提出了一种改进的YOLOv3深度卷积神经网络(CNN),用于SAR图像中的舰船目标检测。该方法基于训练数据集中的尺寸标签信息,使用交并比作为距离度量,利用k-means聚类方法为舰船目标提取了九组先验锚点框作为后续候选框边框参数优化的初始值;引入r_GIOU来代替交并比r_IOU,用于更新框回归损失和置信度损失,从而得到更加合理的损失函数,能将候选框与标注框之间的相对位置信息引入候选框的边框参数优化。为了验证改进版YOLOv3网络的性能,文中基于高分辨SAR舰船检测数据集AIR-SARShip-2.0,利用平移、翻转、调整亮度等方法进行数据集扩充,得到训练数据集和测试数据集,并进行舰船目标检测实验。实验结果表明：相较于常规YOLOv3网络和Faster R-CNN网络,改进YOLOv3网络在舰船目标检测上的总体效果更好,具有更高的准确率和更少的虚警,提高了平均精度指标,且需要的计算时间更少。     

改进YOLOv3算法在肺结节检测中的应用

针对当前肺结节检测模型精度低、对小结节和近血管结节不敏感的问题,提出了改进的YOLOv3肺结节检测算法。首先,采用Darknet-53 512×512作为主干网络提升对肺内小结节的敏感度;其次,引入Mish激活函数提高模型检测精度;第三,引入K-means++聚类算法,优化锚框,选取更适合肺结节数据集的锚框;第四,将检测框损失函数优化为GIoU,解决了当IoU为0时无法反映预测检测框与真实检测框重合度的情况,同时也避免了当Loss为0时,由于没有梯度回传而无法训练的情况。在LUNA16数据集上的实验结果表明,改进算法经过25 000次迭代后的m AP达到94.89%,比原始YOLOv3算法的m AP提高了4.94%,查准率提高了3.76%,召回率提高了1.15%,对肺内几种常见类型的肺结节都能准确地定位与检测。     

基于轻量级YOLOv4的小目标实时检测

为实现渔业养殖中的精准投喂，在传统检测算法的基础上，提出了一种基于鱼群纹理、形状和密集度特征的轻量级鱼类摄食行为实时检测算法F-YOLO。将YOLOv4算法原来的主干特征提取网络CSPDarkNet53替换为MobileNetV3，以少量检测精度下降的代价极大提升网络的实时检测性能，提升对鱼类小目标检测性能；对网络结构卷积层进行通道剪枝和知识蒸馏处理压缩模型，减少浮点运算次数（FLOPs）和计算量；使用优化K-means聚类结合添加全局非极大值抑制的DIoU损失函数确定锚框，解决鱼体相互遮挡导致锚框缺失问题。实验结果表明，所提F-YOLO算法的模型大小仅为13.7 MB，每张图片平均识别时间达到50 ms，精度达99.13%,FLOPs仅为1.64×1010，在嵌入式设备中的检测速度可以达33 frame/s，可为实际渔业养殖提供理论指导。     

改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题，本文提出了一种改进YOLOv5s的目标检测算法。首先，将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3，解决了网络模型较大、参数较多的问题，减少了网络的深度并提升了数据推断速度；其次，对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取，融合多尺度特征进而扩大感受野；最后，对损失函数进行优化，使用CIoU为边界框回归损失函数，改善模型原始GIoU收敛速度较慢问题，使预测框更加符合于真实框，同时降低网络训练难度。实验结果表明，改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4＿tiny分别提升了4.4、15.7、12.4、19.6，模型大小相较于YOLOv5s与轻量级网络YOLOv4＿tiny分别减少了32.4 MB和21 MB，同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求，为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。     

基于改进YOLOv5的航空发动机叶片表面缺陷检测方法研究

针对航空发动机叶片缺陷检测过程中表面噪声较大以及检测精度较低的问题，提出了一种基于改进YOLOv5的叶片表面缺陷检测方法。通过叶片表面缺陷图像采集和典型缺陷标注构建了航空发动机叶片表面缺陷数据集；采用K-means++算法代替K-means算法对标记框进行聚类，获得最适合该数据集中标记框的锚框；在主干网络中结合CBAM注意力机制模块，并且采用EIoU损失函数替换原CIoU损失函数，提高对叶片表面缺陷特征的提取能力。对比实验结果表明所提出的方法相较于YOLOv5算法在平均精度均值上提升了1.4%,相较于FasterRCNN和YOLOv3,本方法在平均精度均值上分别提升了13%和2.9%。     

改进YOLOv4算法的复杂视觉场景行人检测方法

复杂视觉场景下存在过暗或者过曝的光照、恶劣的天气、严重遮挡、行人尺寸差别大以及图像模糊等问题,大大增加了行人检测的难度。因此,针对复杂视觉场景下行人检测准确度低、漏检严重的问题,提出了改进的YOLOv4算法以增强复杂视觉场景下的行人检测效果。首先,构建复杂视觉场景下的行人数据集。然后,在主干网中加入混合空洞卷积,提高网络对行人特征的提取能力。最后,提出空间锯齿空洞卷积结构,代替空间金字塔池化结构,获取更多细节特征。实验表明,在本文构建的行人数据集上,改进后的 YOLOv4算法的平均精度（average precision,AP）达到了90.08%,相比原YOLOv4算法提高了7.2%,对数平均漏检率（log-average miss rate,LAMR）降低了13.69%。     

基于YOLOv5算法的红外图像行人检测研究北大核心CSCD

目标检测是自动驾驶的重要前提,是与外界信息交互的重要环节。针对夜间远处行人检测识别精度低、漏检的问题,提出一种针对检测小尺寸行人的YOLOv5-p4的夜间行人识别模型。首先,通过增加更小目标的检测层,引入BiFPN特征融合机制,防止小目标被噪声淹没,使网络模型可以更聚焦于物体的细小特征;同时使用K-means先验框聚类出更小目标的锚框,并且使用了多尺度的数据增强方法,增加模型的鲁棒性。使用了MetaAcon-C激活函数与EIoU回归损失函数使模型收敛效果更好,提升了算法远距离行人的检测的准确率。最后在红外行人数据集FLIR上验证改进后的YOLOv5-p4模型对于行人的检测能力,实验结果表明该方法与传统方法相比,准确率从86.9%提升到90.3%,适合用于红外图像中的行人检测。     

基于特征增强和筛选机制的遥感电力目标检测

电力遥感目标检测对电网安全有着重要意义。针对电力遥感目标检测精度低的问题，提出了一种基于特征增强和筛选机制的YOLOv5目标检测算法。数据预处理方面，通过同态滤波和Retinex去雾算法进行数据增强，降低遥感影像大气折射和光照不均匀影响，增强目标特征；网络模型方面，将CBAM融合注意力模块添加到网络骨干层之前，通过k-means聚类特征增强和筛选机制，减少卷积核深度和网络参数；预测网络方面，将预测框中心坐标和真实框中心坐标之间的欧式距离作为代价函数添加到回归损失函数中。在google电力遥感数据集上进行对比实验，结果表明：检测平均精度均值可达83.7%,相比于基线算法以及其他检测算法，平均精度值提升了9%,速度提高了45.7%。     

基于SIOU函数的改进YOLOv5遥感目标检测方法

为提升YOLOv5算法对遥感图像密集目标的检测精度并改善漏检问题,提出了一种改进的YOLOv5遥感目标检测算法。改进方法首先采用7*7卷积模块替换骨干网络中Focus模块以增大模型感受野;其次,在保证与原模块效果相同的情况下使用SPPF以提升检测速度;最后,引入SIOU损失函数,利用边界框回归之间的向量角度来重新定义损失函数,有效提高了检测的准确性。实验结果表明,针对公开的NWPU VHR-10遥感数据集,所提改进算法在保持与原算法相同检测速度的情况下,检测精度提高了3.5%。     

FCOSR:一种无锚框的SAR图像任意朝向船舶目标检测网络

以FCOS为代表的无锚框网络避免了预设锚框带来的超参设定问题,然而其水平框的输出结果无法指示任意朝向下SAR船舶目标的精确边界和朝向。针对此问题,该文提出了一种名为FCOSR的检测算法。首先在FCOS回归分支中添加角度参量使其输出旋转框结果。其次,引入基于可形变卷积的9点特征参与船舶置信度和边界框残差值的预测来降低陆地虚警并提升边界框回归精度。最后,在训练阶段使用旋转自适应样本选择策略为每个船舶样本分配合适的正样本点,实现网络检测精度的提高。相较于FCOS以及目前已公开发表的锚框旋转检测网络,该网络在SSDD+和HRSID数据集上表现出更快的检测速率和更高的检测精度,mAP分别为91.7%和84.3%,影像切片平均检测时间仅需33 ms。      

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

基于YOLOv5的轻量级火焰视频流实时检测算法

针对火焰检测模型小目标检测能力差、模型体积大、计算复杂、难以部署到移动端设备的问题,提出了一种轻量化的DGC＿YOLOv5 (you only look once v5)算法。本文首先调用k-means计算函数,计算出适合本文数据集的锚框尺寸;其次引入卷积块注意力机制(convolutional block attention module, CBAM),提高算法对小目标的检测能力;然后利用轻量型的Ghost模块对主干网络中的C3模块进行改进;最后利用深度可分离卷积(depthwise separable convolution, DS＿Conv),用简单的线性计算代替复杂计算,降低模型复杂度,减小模型体积。实验表明,相比原始的YOLOv5算法,本文算法在测试集上的平均精度均值(mean average precision,mAP)可达到94.4%,比原始算法提高1.7个百分点,在视频测试集上平均检测速度可达到71 FPS,可以满足实时检测的要求,参数量和计算量分别减少为原来的41.2%和34.8%,模型大小减少8.4 M,便于后续移动设备端的部署。     

基于改进YOLOv5的航空发动机表面缺陷检测模型

针对目前航空发动机表面人工缺陷检测效率低的问题，提出一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先，在网络中融合数据增强策略搜索算法，自动为当前数据集搜索最佳的数据增强策略，实现训练效果的提升；其次，在backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后，将YOLOv5的定位损失函数改进为efficient intersection over union损失，在加快模型收敛的同时提高预测框回归精度。实验结果表明，所提YOLOv5-CE模型，相比原YOLOv5s网络，在检测速度几乎没有下降的情况下平均精度均值提高了1.2个百分点，达到了98.5%，能够高效智能检测航空发动机4种常见类型缺陷。