基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于国产嵌入式智能计算平台的无人机检测方法

面向陆地战场上对反无人机侦察的现实需求,提出一种基于国产嵌入式智能计算平台的无人机检测方法。针对无人机体型小、易受战场环境影响而不易察觉的难题,采用红外、可见光图像和视频流等多源输入进行目标检测;针对嵌入式平台算力和存储能力有限的特性,构建轻量化深度神经网络,通过将单次多盒检测器(SSD)中的特征提取网络替换为MobileNet进行模型优化;选用国产嵌入式平台比特大陆SE5智能计算盒进行验证,完成模型转换和移植。实验结果表明：所提基于轻量化深度神经网络MobileNet-SSD的无人机检测方法在国产嵌入式智能计算平台上能够准确判断出目标的类别,且平均识别精度和帧率与在开发环境中运行差距不大。充分表明所提方法在国产嵌入式智能计算平台上进行移植后,能够在速度和精度方面满足应用环境对无人机检测算法实时性与准确性的要求。     

基于深度学习框架的装配机器人零件实时检测方法

针对工业生产线上装配机器人在粘连、堆叠、光照变化及环境因素干扰等复杂条件下零件检测率低、鲁棒性差等问题,提出一种基于改进YOLOv3深度学习框架的零件实时检测方法。在基础特征提取网络Darknet-53的每个残差网络后嵌入CFE模块,构建融合CFE模块和Darknet-53的深度特征提取网络CFE-Darknet53,建立YOLOv3深度学习框架下基于CFE-Darknet53的零件实时检测模型,提升检测网络在复杂环境下特征提取能力;设计一种改进K-means算法来预测边界框,通过对零件数据集进行聚类分析,选取最优的锚框个数和尺寸,进一步提高检测准确性。实验结果表明：在复杂条件下,改进算法对相似度很高的多类零件检测准确率能达到91.6%以上,相比YOLOv3算法提升了近10%以上;检测时间为43 ms,在视频传输帧率（24帧/s）下实现了零件实时准确检测。     

基于嵌入式平台与优化YOLOv3 的航拍目标检测方法

针对部署在嵌入式平台的目标检测模型在检测航拍目标时存在的检测速率低、耗时高、存储容量低的问 题,提出一种基于优化YOLOv3 算法的航拍目标检测方法。通过模型剪枝极大地减少了模型参数量,使用二分 K-means 对传统的锚框聚类算法进行优化改进,引入CIOU 损失函数加强边界框回归效果,再经TensorRT 对模型优 化加速后将该检测模型部署到JetsonTX2 平台上。选取大量不同类别不同环境的航拍图像制作数据集进行实验对比。 结果表明：优化后的算法在检验不同航拍图像目标时平均精度可达到83.9%,对每张图片的检测速度从2.8 FPS 提升 至14.7 FPS,满足精确性和实时性要求。     

基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。     

无人机空中回收视觉导航技术

针对无人机空中回收过程中的导航问题,提出一种利用深度学习进行目标检测并配合双目视觉进行位姿 估计的技术。设计空中回收视觉导航系统,通过改进原有目标检测算法YOLOv3 框架提高回收过程中的检测精度和 速度;通过双目视觉系统对特征点进行3 维位姿解算,返回无人机和回收锥套中心相对位置信息。实验结果表明： 改进后的检测算法平均精度比YOLOv3 提高了3.2%,检测速度提高到73 FPS,检测速度明显提升;双目视觉算法 的位姿解算精确度高,两者同时满足导航系统精确性和实时性的要求。     

基于YOLOv3的复杂环境红外弱小目标检测

在复杂环境的红外弱小目标检测问题中,传统算法大多需要对红外目标进行特征增强、背景杂波抑制等预处理工作,算法检测准确率低,控制参数较多。通过对红外目标特性进行分析,本文构建了基于深度学习的复杂环境红外弱小目标检测算法。算法以单阶段目标检测网络YOLOv3为基础,简化处理流程,显著提升对红外弱小目标的检测精度。在红外弱小目标数据集的测试中, YOLOv3较实验对比的方法在检测准确性上具有明显的提升,其平均准确率(AP)可达99.5%以上,验证了算法对红外弱小目标检测的有效性。     

基于改进YOLOv4的X射线图像违禁品检测算法

为提高安检速度、实现X射线图像中违禁物品的自动检测,提出一种基于改进YOLOv4的X射线图像违禁品检测算法。该算法在单阶段目标检测算法YOLOv4基础上设计一种空洞密集卷积模块。将上采样链路融合后特征输入空洞密集卷积模块中,增强特征表达能力和卷积视野。对融合后特征信息加入注意力机制,用来增强有效特征和抑制无效特征,最终得到表征图像信息的特征图输入检测头部。采用Mosaic数据增强方法训练网络,提升网络的鲁棒性。结果表明：该算法在公开SIXray数据集上的均值平均精度达到80.16%,检测速度为25帧/s;该算法在公开SIXray数据集上多类违禁物品能够取得较高的检测精度,且满足检测的实时性要求。     

一种误差梯度变化平滑的目标检测算法

在YOLOv5算法的基础上提出一种改进梯度变化的目标检测算法.该算法在YOLOv5的基础上,保留其骨干网络框架,在其特征处理部分中,对池化操作进行替换,将原本的最大池化操作替换为平滑池化操作,同时将特征处理部分的Leaky ReLU激活函数替换为Mish函数.经过上述修改后的检测算法在训练阶段的误差反向传播过程中能够令权重参数具有更加平滑的梯度变化.     

基于车载计算机的红外图像移动目标检测

环境感知系统作为无人车平台的重要组成部分,是路径规划与决策控制等功能实现的基础与前提。结合车载计算机的硬件基础,设计一种复杂场景下的红外图像移动目标检测系统。该系统采用客户端/服务端(B/S)架构,在客户端浏览器进行服务请求后,服务端使用改进的YOLOv2算法对车载Rapid输入输出(RapidIO)高速总线传输来的红外图像进行目标检测;通过维度重聚类和改进激活函数等方法,有效降低了漏检和误检率;为弥补红外图像对比度低、纹理特征弱的缺点,提出一种基于直方图均衡化的双边滤波图像增强算法,该预处理能够有效保持图像轮廓细节信息。结果表明：改进YOLOv2算法的实时检测准确度相对于原始算法提升了4.1%;图像预处理算法显著提高了检测准确率;该系统可为开拓无人车载红外图像的应用领域提供可靠的技术支撑。     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

目标检测网络在无人机视觉定位的应用

针对当前无人机视觉定位准确性和稳定性的难题,对目标检测网络在无人机视觉定位的应用进行分析。 依据无人机视觉定位的特点和目标检测网络的优势,以特征分层提取作为主体设计思路,通过修改SSD 网络结构, 设计损失函数、更改候选框筛选规则、合并归一化网络,提出一种将改进SSD 网络引入无人机视觉定位的算法,得 到无人机的位置信息,并验证了算法的可行性。实验结果表明：该网络能满足无人机视觉定位的要求,有一定的理 论及实用参考价值。     

YOLOv4-tiny 及其改进算法在航空机务维修照相管理中的应用

针对飞机机务维修照相管理存在工作量大、不精确等问题,提出一种利用深度学习YOLOv4-tiny 算法 来执行照片对比检测的方法。利用一个自制的数据集来训练网络模型,为解决开口销螺母及其他背景干扰,引入 注意力机制模块以改进YOLOv4-tiny。测试结果表明：准确率(precision,P)相较原YOLOv4-tiny 提高了5%,召 回率(recall,R)提高约8%,平均准确率均值(mean average precision,mAP)提高了4.9%,照片识别精度和定位精 准性方面都有较优表现,满足照相管理中对目标精准识别与比对的要求。     

基于改进YOLO 的不规范佩戴安全帽检测

为改善现有变电站巡检人员不规范佩戴安全帽检测时效率、精度低的问题,提出一种基于改进YOLO 的 轻量化变电站人员不规范行为检测模型。该模型由特征提取网络、ECA-SPP 和ECA-PANet 网络以及预测网络组成; 特征提取网络中使用MobileNetV3;提取4 个尺度的特征图并将其输入到SPP 和PANet 网络中,并基于注意力机制 进行优化;以建立的变电站人员不规范佩戴安全帽检测数据集为例,验证所提模型有效性。实验结果表明：所提模 型mAP 为0.824 4,FPS 为38.06,明显优于Faster RCNN、YOLOv4、YOLOx 等模型,具有较高精度和更快的检测 速度,可为变电站人员不规范佩戴安全帽的实时检测提供参考。