基于改进YOLOX的航拍遥感图像检测模型

针对遥感图像中小目标众多，目标尺度变化剧烈，背景复杂所造成的目标检测精度低的问题，提出了一种基于改进YOLOX的目标检测算法，在YOLOX的基础上，首先在主干网络中加入注意力机制提高网络对遥感图像中小目标的感知能力，丰富语义信息；其次在特征融合部分中加入MSCE R多尺度信息融合模块，通过融合不同尺寸的特征图，减少遥感图像因为尺度变化造成的图像细节信息损失；最后通过引入CIoU损失函数加快网络收敛速度，使其满足实时性的需求。本文将提出的检测算法在RSOD遥感数据集进行实验，平均检测准确率为9512%，相比于未做改进的YOLOX，检测精度提高了869%。实验结果证明，所提方法具有更高的检测精度。     

基于改进YOLOX的地下排水管道缺陷识别算法

CCTV检测技术在地下排水管道缺陷检测被广泛应用,但CCTV收集的缺陷图像需要依赖专业的检测人员进行检测识别,结果具有一定主观性且耗费大量时间。为了实现地下排水管道缺陷检测识别自动化,提出了一种基于改进YOLOX的地下排水管道缺陷识别方法。首先针对数据集过少的问题,通过StyleGAN2对原始图像进行预处理,生成多缺陷图像。其次,为了提高检测精度,对YOLOX的特征融合层进行改进,借鉴空洞空间卷积池化金字塔思想并引入SE注意力机制解决顶层特征仅包含单尺度特征且不与其它特征图进行融合的问题,同时设计了一种基于权重的特征融合模块,解决不同特征层融合带来的特征混叠问题。最后,将YOLOX边界损失函数改为CIOU,提高目标检测框回归的效率。实验结果表明,所提的算法能够很好对沉积、渗漏、树根入侵、裂缝和错口5种缺陷进行识别,mAP达到68.76%,相比原始YOLOX算法提升了1.62%。     

双注意力机制与改进U-Net的水下图像增强

针对现有的水下增强算法存在色彩失真和去雾效果不好等问题，本文提出基于双注意力机制与改进U-Net的水下图像增强算法。首先采用颜色校正模块对红、绿、蓝三通道进行处理，减少色偏的影响；然后将通道注意力、空间注意力与U-Net网络相融合，对颜色校正后的图像进行去雾、去噪等处理，保留图像纹理细节的同时，实现对比度的增强；最后采用金字塔融合模块将不同分辨率的图像特征进行融合，获得视觉上清晰的图像。实验结果表明，基于UIEBD和UFO-120测试集，UCIQE、NIQE、SURF以及信息熵的平均值分别为0.608 1、4.440 3、31.5和7.649 5,所提算法在主观视觉质量和客观评价指标上都优于其他经典及新颖算法，增强后水下图像去雾效果良好且在颜色校正方面也具有明显优势，显著提高了水下图像的视觉质量。     

改进YOLOX的弱光线道路交通标志检测

针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况，提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块，将CNN和Transformer结合，提高了网络对物体局部和全局特征的学习能力；通过添加自适应特征融合金字塔ASFF，对有效特征层进行加权融合，加快了网络训练收敛速度；并采用Focal Loss替换二元交叉熵损失函数，用以解决因样本少导致分类不准确的问题。实验结果表明，相较于YOLOX算法，改进YOLOX算法mAP值提升了2.89%，参数量减少了6.23 M，可视化实验进一步验证了所提算法可以提高检测精度，有效避免因弱光线导致的漏检、错检现象。     

基于改进的YOLOv4彩色数字仪表读数识别方法

针对传统数字仪表识别方法计算量大、实时性不够和精度较低的问题,研究了一种深度学习与图像处理相结合的识别方法。为减少计算量,在YOLOv4网络中引入GhostNet作为基础网络,同时在YOLOv4非主干网络中引入深度可分离卷积以及Ghost模块来减少参数,并使用h-swish激活函数提高精度。为了凸显二值化过程中彩色仪表的色彩信息,在数字提取过程,研究了一种基于彩色模型多阈值分割的数字二值化方法,对RGB图像的色彩主色进行增强,然后转化为HSI图像,并且通过多阈值处理将满足条件的像素点保留,从而得到二值化图像,相比于传统图像预处理算法可以更好的提取数字信息。实验结果表明改进的识别方法在测试集上准确率达到87.98mAP, 检测速度提高到37.2FPS,在数字仪表定位识别中效果显著。     

基于YOLOv5的轻量化端到端手机检测方法

针对监控图像中手机尺寸较小、分辨率低且特征不明显等问题，给检测算法研究带来了困难。提出了一种改进的YOLOv5网络模型方法用来识别手机的使用。改进的检测算法引入轻量级网络GhostNet作为主干提取网络，将GhostConv模块、C3Ghost模块分别代替主干网络中的Conv基本卷积模块和C3模块，减小网络参数和复杂度；同时，将注意力机制CBAM引入到主干网络中，减少融合后冗余特征的影响，提取到目标区域中更加关键的特征信息；使用四尺度特征检测，在原算法基础上对应的增加检测层，用以提高更小目标的检测精度。实验结果表明，改进后的YOLOv5算法准确率达到95.7%,平均精度达到97.1%,比改进前训练的准确率和平均精度分别提升了2.5%和1.8%,运算量和参数量较改进前分别减少了14.3%和24.5%。改进的YOLOv5算法不仅具有轻量化优势，同时保证了准确率和平均精度。该方法为智能监测技术行业违规使用手机提供了理论依据和技术参考。     

基于改进的YOLOX血细胞检测算法研究

血细胞计数是一种常见的临床检验方法。针对血液显微镜图像中的血细胞种类不均匀、密集且相互遮挡导致现有血细胞检测方法准确率不高,提出了一种改进的YOLOX血细胞检测算法。该算法首先在损失函数中引入Focal loss以改善单阶段目标检测算法正负样本的不平衡和细胞种类不均匀的问题;接着在残差模块中引入混合注意力机制,减少了血细胞相互遮挡造成的漏检、错检的概率;然后在特征融合尾部引入自适应空间特征融合模块以提高特征表达能力;最后在残差模块中引入逆深度可分离卷积模块在减少模型参数的同时还略微提高检测精度。提出的算法在BCCD血细胞数据集进行了测试,改进后的YOLOX算法在血细胞数据集上的检测精度达到了92.5%,相比YOLOX算法提升了2.4%,且减少了8%的模型参数量;该算法在COCO2017通用数据集上的检测精度达到了41.7%,相对于原始YOLOX算法提升了1.2%。     

基于改进MobileNetV3烧结断面火焰图像识别

烧结机尾断面火焰图像蕴含大量与烧结终点相关的特征信息，充分利用烧结火焰图像特征信息进行在线判断烧结终点状态，具有可行性及工程实际意义。针对烧结机尾断面火焰图像特征信息难以提取、识别精度低以及难以满足实时性等问题，提出一种基于改进的MobileNetV3烧结断面火焰图像识别算法。以MobileNetV3作为烧结终点火焰状态特征信息提取的基础模型，引入注意力机制；改进通道注意力结构，减少特征损失提高识别精度；引入空间注意力机制，设计双分支通道空间注意力模块精确捕捉了红火区在烧结断面火焰图像中的位置和内容信息；引入数据增强和余弦退火学习率来提高模型的泛化能力，并采用冻结训练策略加速模型收敛。在烧结火焰数据集上的实验表明，该算法能够充分利用烧结火焰图像中的特征信息，识别准确率达到97.54%，较改进前提高了6.41%。     

基于改进YOLOX的钢材表面缺陷检测算法

针对工业生产中钢材表面背景复杂导致缺陷检测精度低的问题，本文提出一种基于改进YOLOX的钢材表面缺陷检测算法。首先，引入了Swin Transformer模块来捕获缺陷钢材表面区域全局上下文信息并提取更多差异化特征；其次，采用加权双向特征金字塔网络（BiFPN），能够方便、快速的进行跨尺度特征融合；最后，对原始目标定位损失函数进行改进，建立了一种融合边界框中心位置的CIoU损失函数从而实现目标框高精度定位。实验表明，算法在NEU-DET数据集上的mAP为80.7%，检测精度相较于原始YOLOX-S网络提高了6.2%，同时也明显高于一些其他主流算法，具有较高的准确率和实用性。     

基于改进YOLOX的接触网U型抱箍开口销检测算法

针对高铁接触网的关键零部件U型抱箍开口销由于目标较小难以检测其缺失故障的问题，提出了一种基于YOLOX模型改进的小目标检测方法。根据高铁接触网图像背景较暗、开口销所占图像比例非常小的特点，引入了卷积块注意力机制模块(CBAM)来关注图像重要区域；使用CIOU替换IOU来优化YOLOX的损失函数，更加准确地评估预测框与目标框的匹配程度；设计了SC-PAN(skip connection PAN)结构来增强特征表达能力；构建了MSF-ASPP(multi-scale fusion atrous spatial pyramid pooling)模块，通过不同扩张率的空洞卷积进行多尺度融合，更好地捕捉图像中的语义信息。实验结果表明，改进后的YOLOX算法对U型抱箍定位的精确度达到了94.05%、召回率为97.53%、平均精度均值(mAP)为97.01%,单张检测时间为0.741 s,对开口销的再次定位的精确度高达99%、开口销缺失检测的精确度高达95.45%,其定位以及缺失检测整体效果都有着明显的提升。     

辐射源个体识别中的对抗攻击研究

基于深度学习的辐射源个体识别研究主要关注识别精度的提升，往往忽视了识别过程中对抗样本的威胁。针对上述问题，本文在增加辐射源个体类别并提升模型识别精度的同时分析研究了对抗样本对高识别率深度学习识别网络产生的影响。首先获取小样本ADS B信号，通过数据随机切片进行数据增强；再对原有网络进行微调并加入卷积注意力模块提高模型对辐射源个体信号的识别率；最后使用4种攻击算法生成对抗样本并在辐射源个体识别网络上进行测试。除此之外，还将攻击前后的信号样本转化为图片进行可视化比较，以在攻击成功率和攻击隐蔽性之间权衡。实验结果表明，优化后的高识别率模型也容易受到对抗样本的攻击，基于动量的迭代攻击效果最好，相比于快速梯度下降的攻击方法的攻击效果高出10%。     

基于AMI-CycleGAN的海洋垃圾图像增强算法

针对循环生成对抗网络(CycleGAN)的海洋垃圾图像增强存在色彩失真、轮廓模糊的问题，提出一种结合自适应空间特征融合的多输入循环生成对抗网络(AMI-CycleGAN)。首先，减少生成器U-Net的网络深度和跨层连接次数以减少参数量，借助平滑扩张卷积避免网格伪影，得到多尺度感受野信息；其次，引入自适应空间特征融合来解决因垃圾尺寸不一导致不同层特征图融合时的信息冲突，得到语义信息丰富的融合特征图，通过与色彩校正网络的增强特征图融合保留了原图像的色彩信息；最后，引入边缘差损失函数和内容感知损失函数丰富细节信息。在trash＿ICRA19上，与CycleGAN相比，其结构相似性值和峰值信噪比分别提升了27.52%和20.75%。与FUnIE-GAN相比，其参数量减少了79.36%,计算速度提高了12.50%。该算法改善了CycleGAN的色彩失真和轮廓模糊问题，且能达到实时检测标准。     

基于改进YOLOv4的输电线路耐张线夹缺陷检测

为了减少耐张线夹压接缺陷判别过程中人为因素对结果的干扰，提升评判效率，提出一种基于改进YOLOv4的输电线路耐张线夹缺陷检测方法。首先，通过“三跨”线路耐张线夹X光探伤工程，建立包含6类常见压接缺陷的图像样本集；其次，依次采用对比度拉伸、拉普拉斯算子增强、限制对比度自适应直方图均衡化及高斯滤波等图像处理方法对数据集进行预处理；然后，引入卷积块注意力模块和残差结构对原始YOLOv4模型的路径聚合网络层和空间金字塔池化层进行改进，增强模型对空间和通道维度的关注度，优化模型多感受野特征表达能力，提升算法对深层语义特征的提取效果；接着，利用预处理数据对YOLOv4及其改进模型进行训练与测试；最后，根据YOLOv4及其改进模型对各类压接缺陷的检测性能不尽相同这一特点，采用2次非极大值抑制搭建多网络融合缺陷检测模型，并完成模型的测试。先后的测试结果表明，改进YOLOv4、多网络融合模型对6类压接缺陷检测的平均精度均值分别为92.22%、93.08%,可实现对耐张线夹压接缺陷的有效检测。     

改进YOLOX的轻量级人体跌倒检测算法

针对边缘计算设备算力和存储空间有限的问题，提出了一种基于YOLOX改进的轻量级人体跌倒检测算法。首先采用GhostNet中的Ghost模块降低YOLOX中Neck和Prediction层的卷积参数冗余；其次，在Neck层中添加坐标注意力机制，增强关键信息提取能力，减少背景带来的噪音影响；最后，针对轻量级模型检测头检测能力不足问题，引入辅助头模块以加强轻量检测头的学习能力。通过算法检测性能以及在边缘计算端NVIDIA Jetson Xavier NX运行实验，结果显示，所提模型的mAP@0.5达到84.9%,且模型大小为25.6 MB。相较于YOLOX模型，仅以牺牲少量推理速度提升了4.6%的检测精度，减少了25.4%的模型大小，另外与一些主流目标检测算法相比，也具有一定的优越性。这些结果表明所提模型能够更好地满足边缘计算设备在人体跌倒检测中对轻量化和准确性的需求。     

基于图像增广与迁移学习的输电线路金具 多目标实时检测方法

架空输电线路金具的状态评估工作对于线路的可靠运行至关重要,金具的检测是评估工作的重要一环。针对金具识别检测中数据集人工标注的工作量大,以及难以兼顾高精度和快速性问题,提出一种基于YOLOX网络改进的输电线路金具检测方法。将无人机拍摄的金具图像进行增广预处理丰富数据集,骨干网络采用在线Mosaic、Mixup增强方式,引入基于特征提取的迁移学习并采用余弦退火学习率进行两阶段模型训练。实验结果表明,改进后的方法对各类金具检测的平均精度均值提高了18.32%,与Faster R-CNN等5种主流检测模型相比,所提方法平均检测精度均值最高,且检测速度仅次于YOLOv3,能够更加快速、精准地识别各类金具,并在一定程度上减少人工标注的工作量。     

面向数字孪生低压配电网的基于Gabor-YOLO算法的架空线高效识别方法研究

从各种测量装置中实时获取和更新电力线路运行状态是低压配电网数字孪生的基础,获取电力线路运行状态的首要任务是对电力线进行精准识别。本文针对低压配电架空线路航拍图像背景复杂、遮挡严重、目标特征微弱的问题,提出了基于Gabor-YOLO的算法,用于低压架空电力线的高效提取。首先,对图像进行灰度化和高斯滤波等预处理后利用改进后的Gabor算子进行特征提取,在图像中分割出前景区域;其次,在改进YOLO网络模块中,对电力线及辅助目标进行定位和识别最终提取出电力线。实验结果表明,改进的Gabor算子可以快速提取出图像前景区域,改进的YOLO网络可以在前景区域中准确提取出电力线。实验结果证明所提方法相比于yolov4等方法具有最高的准确率和提取速度,mAP值可达93.6%,满足实际工作需要。     

基于红外图像检测和改进YOLOv4的高压套管故障识别方法

红外检测是高压外绝缘设备状态在线检测的主要方法之一，为了提高高压套管发热故障红外图像检测的准确率，解决因故障样本较少引起的漏检问题，文中提出了一种基于改进型YOLOv4的故障识别方法，可实现对套管发热区域的高效定位与识别，具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括：首先，将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中，以加强网络对特征信息的提取；其次，分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失，以提高损失函数的回归精度以及对数据集中困难样本的识别准确率，从而有效减少漏检发生的概率。实验与测试结果表明，所提方法与改进前相比平均精度提高了5.61%，对数据集中更难被识别的故障样本的精确度提升了8.57%。     

基于改进YOLOv5与CRNN的电表示数识别

为了提高电表示数检测和识别的准确率，基于轻量高效的YOLOv5s网络提出了改进的目标检测网络。首先，在特征提取阶段添加CBAM注意力机制对图像的重要特征进行自主学习，并设计了一种特征融合网络D-BiFPN加强了对深层特征的提取；其次，引入CIOU损失函数，使目标框的回归更加稳定。对CRNN文本识别算法的主干网络进行改进，模型保持轻量化的特点，在移动端部署上有良好的前景。最后，在电表数据集上测试得出：相比于YOLOv5算法，所提出的算法精度均值提升了5.13%;相比于CRNN算法，所提出的文本识别算法准确率提升了7.4%。实验结果表明，改进后的文本检测算法对电表示数的检测精度较高，文本识别算法准确率和速度较高，满足电表示数检测识别的实际应用需求。     

基于改进CenterNet的输电线路电力器件及异常目标检测

为实现输电线路电力器件及异常目标的快速准确检测，提出了一种基于改进CenterNet的目标检测算法。首先，使用轻量级Mobile NetV2作为CenterNet的特征提取网络，同时对解码网络的通道数进行缩减，提高检测速度；其次，构建多通道特征增强结构，并引入底层细节信息，解决CenterNet因仅利用单一特征而造成检测精度低的问题；然后，设计同尺度残差注意力特征融合模块，取代上采样过程中特征直接相加的融合方式，以此拟合来自不同支路的同级特征；最后，引入椭圆高斯散射核优化标签编码，提升边界框回归的质量。对改进的CenterNet算法进行了实验，结果表明：该算法在构建的数据集上得到的均值平均精度达96%，前向推理速度为13 ms/帧，模型参数量约为5.9 MB，各项指标均优于FCOS、YOLOX等主流检测算法。该方法与无人机结合可为电网智能巡检提供参考。     

结合MSRCR与多尺度融合的水下图像增强算法

为解决水下图像增强时出现的图像边缘细节模糊,亮度不均等问题,提出了一种结合带色彩恢复的多尺度视网膜增强算法(MSRCR)与多尺度融合的水下图像增强算法。首先,将获取到的水下图像基于的MSRCR算法色彩校正,并将校正后的图像转换到Lab颜色空间对亮度分量进行自适应增强。其次,对MSRCR色彩校正图像和Lab空间亮度分量增强图像分别计算拉普拉斯对比度权重、局部对比度权重、显著性权重和曝光度权重,并构建归一化后的权重图。最后,将归一化的权重图和MSRCR色彩校正图像以及Lab空间亮度增强图像输入图像金字塔进行多尺度分解与逐层融合。实验结果表明,该算法有效的克服了单一水下图像增强算法的缺点,使得增强后的图像边缘细节更加清晰,色彩更加丰富。