一种改进YOLOv5模型的PCB板缺陷检测方法

针对传统PCB板检测方法中检测效率不高,检测精度较低等缺点,提出了一种改进YOLOv5模型的PCB板缺陷检测方法。为提升小目标缺陷检测精度,构建了基于BiFPN的网络连接方式,更加充分地利用了不同尺度的特征信息;为了更好地捕捉目标缺陷的位置,引入了Coordinate Attention注意力机制,使模型的定位和目标捕捉更加精准。实验结果表明,较原始的YOLOv5模型,所提出的针对PCB板表面缺陷检测方法的均值平均精度提高了3.2%。     

红外小目标小波多尺度相关检测方法

提出一种基于小波多尺度相关的目标检测方法.该方法通过二进小波对图像进行多尺度分析;利用边缘和噪声具有不同的Lipschitz指数造成它们的小波变换模在不同尺度下的不同传播特性,根据小波变换尺度相关性计算相邻大尺度模相关量用来增强信号,抑制噪声,提取粗略边缘图;并结合小尺度检测,具有定位精确的特点,将粗略边缘图与小尺度模图相与,寻找模极大值点,得到最终的检测结果.实验结果表明,该方法较传统的小波多尺度边缘检测方法能更加有效地进行红外小目标检测.     

基于多尺度自适应稀疏字典的小弱目标检测方法

针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。     

基于NSCT与FCM的多时相遥感图像的变化检测

提出了一种基于非下采样Contourlet变换和模糊C均值聚类相结合的方法。该方法首先对两时相遥感图像进行相减运算得到差异图像。再对差异图像进行NSCT多尺度分解得到子带图像,将各子带图像与差异图像本身构成特征向量。最后通过使用模糊C均值聚类算法对多尺度特征向量进行分类得到最终的变化检测结果(变化和非变化类)。该算法不受变化类和非变化类统计分布的限制,不需要先验知识,适用性强。对真实遥感数据集进行研究,实验结果表明本文方法可以得到较好的检测效果;将本文算法与传统方法相比,该方法具有更好的检测精确度和抗噪性能。     

一种基于多尺度的目标检测锚点构造方法

目标检测是计算机视觉领域的研究热点和基础任务,其中基于锚点（Anchor）的目标检测已在众多领域得到广泛应用。当前锚点选取方法主要面临两个问题：基于特定数据集的先验取值尺寸固定、面对不同场景泛化能力弱。计算锚框的无监督K-means算法,受初始值影响较大,对目标尺寸较单一的数据集聚类产生的锚点差异较小,无法充分体现网络多尺度输出的特点。针对上述问题,本文提出一种基于多尺度的目标检测锚点构造方法（multi-scale-anchor, MSA）,将聚类产生的锚点根据数据集本身的特性进行尺度的缩放和拉伸,优化的锚点即保留原数据集的特点也体现了模型多尺度的优势。另外,本方法应用在训练的预处理阶段,不增加模型推理时间。最后,选取单阶段主流算法YOLO(You Only Look Once),在多个不同场景的红外或工业场景数据集上进行丰富的实验。结果表明,多尺度锚点优化方法 MSA能显著提高小样本场景的检测精度。     

基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题,提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先,对比了3种特征提取网络的性能,选取ResNet50作为骨干网络;然后,引入特征金字塔网络（FPN）,通过融合多层次的特征信息,提高Faster R-CNN的多尺度检测能力;最后,基于构建的隐形眼镜表面缺陷数据集,使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster RCNN算法在测试集上的平均精度均值（mAP）达到了86.95%,相比于改进前的Faster R-CNN算法,提高了9.45个百分点,可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。     

基于轻量化YOLOv3的带钢表面缺陷检测方法

缺陷检测是带钢生产过程中不可缺少的工序,现有检测方法普遍存在检测精度较低、实时性差等问题。为解决上述问题,本文提出了一种基于轻量化YOLOv3的快速缺陷检测方法。MobileNetv2作为主干网络并用两个尺度的特征图进行输出,保证了网络模型的轻量化;将改进后的注意力模块融合进特征金字塔网络(feature pyramid network, FPN),同时结合空间金字塔池化模块(spatial pyramid pooling, SPP),以提高算法对缺陷的学习能力;使用K均值聚类算法获得更优的先验框,并且使用CIoU(complete-intersection over union)对损失函数进行优化,进一步提升网络性能。提出的方法在带钢缺陷数据集上检测速度为70.8 FPS;模型参数量为7.1 MB,仅为YOLOv3的3.02%。实验结果表明本文所提方法能够在保证精度的同时实现对缺陷的快速检测,具有良好的生产线部署能力。     

基于注意力机制与多尺度融合的PCB缺陷检测

针对印制电路板(PCB)缺陷区域受背景干扰过多以及缺陷目标尺度较小导致缺陷检测精度低的问题,提出了一种基于注意力机制与多尺度融合的PCB缺陷检测方法。在YOLOv5模型的特征提取网络中,引入一种三维注意力模块,以增强缺陷目标特征的显著度,使模型更加注重目标特征;为充分利用微小缺陷目标的多尺度特征,在特征融合网络中引入加权双向特征金字塔网络(Bi-directional Feature Pyramid Network, BiFPN),减少缺陷目标特征信息的丢失,提高模型对微小缺陷目标的检测精度。实验结果表明,该方法能够准确检测出PCB图像中的缺陷目标,在保证实时性的同时,较原方法的平均检测精度提高了3.9%,表明了该方法的有效性。     

基于改进的Cascade-RCNN网络的人员检测算法

为解决人员密集情景下行人检测存在大量的目标误检、漏检的情况,本文提出了一种改进的基于Cascade-RCNN的目标检测网络,提高了人员检测的准确率.对目前检测效果较好的Cascade-RCNN做了一些改进:选用ResNeXt101代替ResNet作为骨干网络,以便提取更加充分的特征;为了获得更好的标记框,用kmeans聚类算法得到更符合目标形态的anchor长宽比例,通过WBF算法融合多个模型的结果得到更精确的边界框,同时引入多尺度训练以提高对小尺度目标的检测能力.实验结果表明,在CrowdHuman公开数据集上,用ResNeXt101提取特征其得分提高了 3.7％,用kmeans聚类算法生成anchor比例和WBF算法融合多预测框其准确率提升了 0.7％和1.2％,最终整体性能较基础Cascade-RCNN提升近6％.     

基于特征转移金字塔网络的SAR图像跨尺度目标检测

SAR图像多尺度目标检测能够实现大场景SAR图像中关键目标的定位与识别,是SAR图像解译的关键技术之一。然而针对尺寸相差较大的SAR目标的同时检测,即跨尺度目标检测问题,现有目标检测方法难以实现。该文提出一种基于特征转移金字塔网络(FTPN)的SAR图像跨尺度目标检测方法。在特征提取阶段采用特征转移方法,实现各层特征图的有效连接,实现不同尺度特征图的提取;同时采用空洞卷积群方法,增大特征提取的感受野,促使网络提取到大尺度目标特征。上述环节能够有效保留不同尺寸目标特征,从而实现SAR图像中跨尺度目标的同时检测。基于高分三号SAR数据、SSDD数据集及高分辨率SAR舰船检测数据集-2.0等数据集的试验表明,该文方法能够实现SAR图像中机场、舰船等跨尺度目标的检测,在已有数据集上mAP达96.5%,较特征金字塔网络算法提升8.1%,并且整体性能优于现阶段最新的YOLOv4等目标检测算法。      

基于注意力机制的多尺度全场景监控目标检测方法

针对复杂城市监控场景中由于目标尺寸变化大、目标遮挡、天气影响等原因导致目标特征不明显的问题,该文提出一种基于注意力机制的多尺度全场景监控目标检测方法。该文设计了一种基于Yolov5s模型的多尺度检测网络结构,以提高网络对目标尺寸变化的适应性。同时,构建了基于注意力机制的特征提取模块,通过网络学习获得特征的通道级别权重,增强了目标特征,抑制了背景特征,提高了特征的网络提取能力。通过K-means聚类算法计算全场景监控数据集的初始锚框大小,加速模型收敛同时提升检测精度。在COCO数据集上,与基本网络相比,平均精度均值(mAP)提高了3.7%,mAP₅₀提升了4.7%,模型推理时间仅为3.8 ms。在整个场景监控数据集中,mAP₅₀达到89.6%,处理监控视频时为154 fps,满足监控现场的实时检测要求。     

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%。     

基于Transformer的航空目标检测算法

近几年，基于深度学习的目标检测算法在航空图像检测任务中得到了广泛应用。针对传统水平目标检测算法无法定位航空图像中大量密集排列的倾斜目标问题，提出了TF-BBAVectors模型算法来实现航空图像中倾斜目标的检测任务。为了避免深度卷积神经网络(Deep Convolutional Neural Network, DCNN)带来的网络退化等问题，使用Transformer结构搭建特征提取网络；针对密集的、小尺度图像目标的问题，采用多尺度特征融合的方法提升检测效果；针对倾斜目标检测的问题，通过边界框边缘感知向量表示任意角度的倾斜目标。在DOTA1.0和SSDD+数据集上的部分测试结果表明，此方法的平均精度分别为72.39%和79.98%,证明了TF-BBAVectors模型算法的有效性。     

基于Swin-Transformer的YOLOX交通标志检测

交通标志检测是驾驶辅助系统和自动驾驶系统的关键因素之一。在交通标志检测过程中，交通标志距离不同导致目标尺度变化很大，远距离小尺度交通标志对基于卷积网络的目标检测器提出了巨大挑战。YOLOX-Swin算法将Swin-Transformer作为YOLOX的骨干网络以提取交通标志图像特征，通过移动窗口获取足够的全局上下文信息，并利用多头自注意力机制提取更多差异化特征；利用YOLOX自身的路径增强特征金字塔网络(Path Aggregation Feature Pyramid Network, PAFPN)提取、融合包括交通标志低层信息在内的多尺度特征信息，提升小目标交通标志检测精度。由于小目标交通标志在图像中所占像素较少，同时考虑到Transformer需要的训练样本多于卷积网络，在原本的复制粘贴法上进行改进，增加交通标志样本数量，以进一步提高交通标志检测精度。在TT100K数据集上的测试结果表明，所提目标检测方法较其他几种方法具有更高的交通标志检测精度，能满足交通标志检测准确性和实时性要求。     

基于注意力掩模融合的目标检测算法

在计算机视觉任务中,平衡目标检测的精度与速度对于后续的实际应用如目标跟踪和识别起到关键作用。基于此,提出了一种基于注意力掩模融合的目标检测算法。首先,通过VGG网络提取特征,经过初步二分类和回归后得到一系列预选框;然后,将上述预选框输入到特征金字塔结构中,通过构建注意力掩模模块自适应地学习有效特征,同时融合特征金字塔结构与注意力掩模模块得到更具表征性的特征;最后经过多分类和回归得到多尺度的检测结果。在PASCAL VOC 2007和PASCAL VOC 2012数据集上展开了实验,测试集结果显示,在交集并集比(IOU)为0.5的条件下,对于320×320的图片输入,平均精度均值(mAP)分别为81.0%和79.0%,检测速度为60.9fps。本文算法将注意力信息结合到目标检测中,实现了通用目标检测的精度和速度均衡。     

基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测

针对脉冲红外热成像检测缺陷构件时,红外图像噪声较大、边缘信息模糊等特点,提出了一种基于模糊C均值聚类和Canny算子相结合的边缘检测新方法。该方法首先对输入的红外图像进行整体灰度变换,采用模糊C均值聚类对图像进行区域分割、提取和二值化;再将各个区域进行叠加,使红外图像的边缘变得连续;最后,采用Canny算子对处理后的图像进行边缘检测,实现缺陷的识别。在图像边缘检测基础上,分析了图像定位缺陷位置与实际缺陷位置之间的相对误差,并运用物像关系,实现缺陷几何尺寸的定量检测。结果表明:该方法对缺陷边缘识别完整清晰,具有较高的定位精度和抗噪能力,有利于缺陷的识别与定量检测。     

基于多层次互补特征的通用目标检测模型

针对实际场景中多类目标检测问题,该文提出了一种基于多层次特征表示和异质互补描述子的通用目标检测模型。该模型采用基于组件的目标描述思想,提取目标不同层次的互补特征,并将其统一到条件随机场(CRF)框架中。目标中单个组件及其局部特征对应CRF的一元节点,组件之间的几何空间结构特征则体现在节点之间的两两连接关系上。通过引入节点支持向量机(SVM)分类器和边缘拓扑结构学习,极大提高了模型的鉴别能力和灵活性。在UIUC多尺度数据集和PASCAL VOC 2007数据集上测试结果表明,该文模型不仅能有效描述多类复杂目标,还能较好地解决姿态、尺度、光照变化及局部遮挡情况下的目标检测问题。     

基于SimAM-YOLOv5s的PCB缺陷检测算法

为解决PCB缺陷检测存在精度低、检测效果差的问题,提出一种基于SimAM-YOLOv5s的PCB缺陷检测算法。利用Kmeans++对锚框进行重新聚类,通过添加浅层尺度信息来丰富小目标数据,提高深层和浅层语义信息的融合能力;将损失函数修改为SIoU,即引入角度损失来计算距离损失,以加快网络收敛速度,使回归参数更加准确;通过结合轻量化注意力机制SimAM为网络提供三维的注意力权重,过滤掉冗余信息,改善模型的准确性和鲁棒性。实验结果表明,改进后YOLOv5s算法的模型大小为27.7 MB,检测的平均精度均值为98.39%,比原网络提高了4.44%,有效提升了PCB缺陷检测的精度。     

基于改进VGG网络的单阶段船舶检测算法

单阶段多框架目标检测算法在目标检测领域取得 了成功的应用,但其针对公共数据集中船舶检测的平均精度明 显低于其它刚体类目标类别,同时现有公开数据集中的船舶数量较少且类别单一。为提高检 测精度,提出一种基于改 进VGG网络的单阶段船舶检测算法,在原有VGG底层网络的基础上加入异步卷积和最大池化的 交替连接结构,保证 实时处理的同时提高船舶检测的平均精度。为增加训练所需的船舶数量和类别,广泛收集互 联网中包含船舶的图片, 建立了包含22507个船舶目标的数据集,其中6902个目标标签细分为七类船舶。实验将公开数据集VOC2007和 VOC2012中的图片缩小至300训练后,SSS D在VOC2007test中的平均检测精度均值可达79.3%,平均检测速度 超过40 fps。通过迁移参数的方法,在自建数据集中训练后,对大类 船舶检测的平均精度超 过84%,对七类船舶检测的平均精度均值超过89%,领先现有同类船舶检测 算法。     

联合特征增强和锚点自动生成的遥感图像高精度目标检测

目标检测是遥感图像处理领域中一项重要而具有挑战性的任务,针对遥感图像中目标尺度差异较大以及方向分布随机等导致的遥感图像多尺度目标检测精度较低问题,本文提出一种基于特征增强和锚点框自动生成模块的目标检测方法。该方法在ResNet50网络中加入可操控的空洞卷积模块,并以此为基础设计了增强特征金字塔网络,提高网络对于目标多尺度特征表达能力。在区域建议网络中利用锚点框自动生成模块自主学习锚点框的位置和形状,以此获得更为稀疏和高质量的候选区域。本文在NWPU VHR-10数据集和飞机目标数据集上与多种基于卷积神经网络的目标检测算法进行对比实验,结果表明,本文所提方法在两个数据集上的mAP均为最优,分别为99.2%和87.7%,该方法具有较强的尺度自适应能力,有效的提高了遥感图像多尺度目标检测的精度。