改进YOLOv5的无人机影像道路目标检测算法（英文）

针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度融合卷积注意力模块（Convolutional block attention module, CBAM）的YOLOv5道路目标检测算法,即YOLOv5s-FCC。首先,引入小目标感知层对模型进行多尺度改进,增加一个针对小目标的YOLO检测头以提高网络对道路中小目标的特征提取能力。其次,利用CBAM融合空间和通道信息以增强网络中的重要信息,通过将CBAM引入Backbone主干网络不同位置,以获得CBAM最佳融合位置。最后,采用CIo U作为损失函数,以提高边界框预测所需的计算速度和精度。在自建的无人机道路目标数据集上进行训练,结果表明,相较YOLOv5算法,YOLOv5-FCC算法可将mAP50和mAP50-95分别提高2.0%和4.2%。在VisDrone数据集上也验证了YOLOv5-FCC算法的有效性,并建立了基于无人机的道路目标检测系统,实现道路目标的自动检测。     

引入注意力机制的轻量级小目标检测网络

为了提高在如无人机航拍图像等背景复杂情况下的小目标检测能力,本文在YOLOv4网络的基础上,提出了一种引入注意力机制的轻量级小目标检测网络.首先,在通道注意力机制中加入多尺度融合模块并构造多方法特征提取器,再将所设计的通道注意力模块嵌入到YOLOv4特征提取网络,增强网络对于图像感兴趣区域的关注能力;接着,改进YOLO...     

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题，提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块，进而增强算法对零件的特征提取能力；将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法，进而提高零件检测精度。试验结果表明，相比原始YOLOv5算法，本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务，同时保证了实时性。     

基于Faster R-CNN的无人机航拍图像小目标检测

为了解决复杂图像背景下无人机航拍图像小目标检测问题,提出了一种基于Faster R-CNN的多尺度小目标检测方法。以高压塔上的鸟巢为检测对象,首先通过改进卷积神经网络ResNet101对目标进行特征提取,然后采用多尺度滑动窗口方式在不同分辨率卷积特征图上获取目标初始建议区域,最后在选取的分辨率较高的卷积特征图上增加一个反卷积操作进一步对特征图的分辨率进行提升,并作为建议窗口的特征映射层传入目标检测子网络中。通过对无人机实际航拍图像中鸟巢的检测结果表明,所提出的算法可以实现对航拍图像中小目标的精确检测。     

基于Faster R-CNN的无人机航拍图像小目标检测（英文）

为了解决复杂图像背景下无人机航拍图像小目标检测问题,提出了一种基于Faster R-CNN的多尺度小目标检测方法。以高压塔上的鸟巢为检测对象,首先通过改进卷积神经网络ResNet101对目标进行特征提取,然后采用多尺度滑动窗口方式在不同分辨率卷积特征图上获取目标初始建议区域,最后在选取的分辨率较高的卷积特征图上增加一个反卷积操作进一步对特征图的分辨率进行提升,并作为建议窗口的特征映射层传入目标检测子网络中。通过对无人机实际航拍图像中鸟巢的检测结果表明,所提出的算法可以实现对航拍图像中小目标的精确检测。     

基于改进YOLOv4的航空发动机损伤检测方法

针对现有目标检测模型参数量大、检测速度慢,难以适应航空发动机孔探检测轻量化应用需求的问题,提出了基于YOLOv4目标检测算法的轻量化航空发动机损伤检测模型。设计了基于深度可分离卷积的轻量化特征融合结构,在YOLOv4的颈部结构(Neck)中,将普通卷积重构为逐通道卷积和逐点卷积的形式,有效减少了网络中的冗余参数;为进一步降低模型参数量,使用MobileNetv3作为特征提取网络。在减少参数量的同时,2种轻量化改进方法有效提高了模型的检测速度;在轻量化后的路径聚合网络(Path Aggregation Network, PANet)中加入卷积注意力模块(Convolutional Block Attention Module, CBAM),通过仅引入少量的参数来提高轻量化网络的损伤检测精度。实验结果表明,改进YOLOv4算法的平均精度均值(mean Average Precision, mAP)为89.82%,模型大小为73.29 MB,检测速度为37.3 FPS。与YOLOv4目标检测算法相比,改进YOLOv4算法以3.55%的mAP损失,使模型参数量降低了约2/3,检测速度提高了1....     

基于模型压缩的 ED-YOLO 电力巡检 无人机避障目标检测算法

针对现有卷积神经网络模型体积大、运算量高,导致电力巡检无人机检测速率与精度无法兼顾的问题,提出一种基于模型压缩的ED-YOLO网络实现无人机避障的目标检测算法。该目标检测算法以YOLOv4为基础,首先在主干网络中加入通道注意力机制,在不增加计算量前提下提高检测精度;其次在特征金字塔部分运用深度可分离卷积替换传统卷积,减少卷积计算量;最后利用模型压缩策略裁剪网络中冗余通道,减小模型体积并提高模型检测速度。在自主构建的9 600张电力巡检无人机飞行障碍的数据集进行测试,ED-YOLO与YOLOv4相比,其障碍物目标检测的平均精度均值只降低了1.4%,而模型体积减少了94.9%,浮点运算量减少了82.1%,预测速度提升了2.3倍。实验结果表明,对比多种其他现存方法,本文提出的基于模型压缩的ED-YOLO目标检测算法有着精度高、体积小和检测速度快的优势,满足电力巡检无机避障检测要求。     

基于改进YOLOv5的人脸检测算法

随着计算机视觉行业的不断发展，基于卷积神经网络的目标检测算法也受到了研究人员的重视。针对传统的YOLOv5目标检测算法中的边界框回归损失函数GIOU存在当检测框与真实框呈包含的状态时会退化到传统IOU损失函数，以及当检测框和真实框相交时在垂直和水平两个方向上存在收敛速度慢的问题，提出一种改进的YOLOv5目标检测算法。在传统YOLOv5的基准网络中添加注意力机制，然后在边界框回归损失函数中引入真实框与预测框中心的欧式距离计算预测损失，并分别计算预测框与真实框之间的纵横比作为惩罚项以达到提高回归精度以及加快收敛速度的目的，最后将改进后的YOLOv5目标检测模型应用于人脸检测进行验证。实验利用wideface人脸数据集训练，训练结果表明改进的YOLOv5目标检测算法训练中的损失只有0.013，较传统的YOLOv5目标检测算法损失减少约13.33%，准确率达到82.28%，较传统的YOLOv5目标检测算法提高2.6%。实验表明该目标检测算法能很好的应用于人脸检测中。     

血管介入手术导丝末端检测方法研究

介入手术导丝的末端检测是保证手术精准控制和安全性的关键，本文针对术中导丝末端检测的临床需求，提出一种基于改进YOLOv4Tiny网络的导丝末端检测方法。该方法基于YOLOv4Tiny网络架构，通过优化特征提取网络中的残差结构，增加注意力机制和混合膨胀卷积网络，实现算法对小目标特征提取能力和检测精度的提升、感受野的扩大，且在保证图像的分辨率的同时不增加计算量。为了验证本文改进算法的有效性，对算法在构建数据集和实际手术数据集中分别进行了测试。实验结果表明：本文改进算法在构建数据集中的平均精度可达97.6%,导丝末端的检测误差不足5%,在实际手术数据集中的平均精度为92.8%。本文改进算法为介入手术导丝的末端检测提供了有效方法，在生物医学机器人等领域具有广阔的应用前景。     

基于改进YOLO v5的机床刀具识别方法

针对目前机床刀具分类应用较少、预处理复杂、目标检测适用范围小且识别精度不高的问题,提出基于改进的YOLO v5机床刀具图像识别算法,利用卷积神经网络在特征提取层加入CBAM注意力模块,可以更清晰地提取图像特征,在特征融合层加入CARAFE上采样模块,使刀具的表面特征恢复更好,可以减少特征融合时部分特征的丢失。实验结果表明,改进后的算法使机床刀具等小目标检测精度和检测速度明显提升,且改进后的模型平均精度为96.8%,比YOLO v4模型提高了14.96%,比YOLO v5模型提高了2%。本方法能对不同刀具进行识别,为工业制造中机械零件的识别提供了新的算法支持。     

改进YOLOv5的矿用输送带损伤检测方法

文中针对目前输送带损伤检测大多是输送带撕裂且缺乏其他损伤类型研究的问题,提出一种改进YOLOv5的矿用输送带损伤检测方法。将SPD-Conv模块替换Conv模块中的卷积层,提升小目标的检测效果;在骨干特征网络与最后预测网络之前引入CBAM注意力机制,对重要的特征通道进行强化;最后,在YOLOv5的基础上引入高斯滤波器消除噪声干扰,提升算法目标检测效率。试验结果表明：改进后的YOLOv5目标检测网络在对输送带的撕裂、击穿、表面划伤、破损4种损伤类型的检测平均精度均值达92.3%,相较于YOLOv5算法提高了35.1%,检测速度达90帧/s,提高了20%,实现了对矿用输送带损伤的快速识别。     

基于改进YOLOv5算法的地铁车辆转向架螺栓缺失检测

目前，地铁车辆的检修主要依赖于人工检测，不仅效率低，而且可能因漏检等原因造成严重的行车安全事故。因此提出了一种基于改进YOLOv5算法的地铁车辆转向架螺栓缺失检测算法。首先，在YOLOv5算法的骨干网络和特征提取网络中添加Ghost模块，轻量化网络结构，提升检测效率和速度；其次，采用改进的YOLOv5算法对螺栓进行定位训练，并插入CBAM注意力模块，增加网络对目标的关注度，从而获得良好的螺栓定位检测模型；最后通过模板匹配的方法，对比网络检测结果与正常转向架螺栓数量及分布，获得缺失螺栓数目与位置信息。实验结果显示，改进后的YOLOv5网络模型检测精度提升3.9%，模型参数量减少了近1/2，检测速度提升9 fps，螺栓缺失检测准确率为86.2%。因此，文中提出的改进YOLOv5算法的地铁车辆转向架螺栓检测模型满足螺栓缺失定位的检测任务要求，取得了良好的应用效果。     

基于目标图像组合算法的改进YOLOv5模型

针对YOLOv5目标检测模型训练时间长、检测精度偏低问题,提出一种目标图像组合算法,考虑必要的图像背景及图像覆盖对目标图像进行分割,设计减少图像失真的重组策略提高单张训练集图像内目标个数,降低模型训练时长。改进先验框生成策略,以绝对差值作为距离函数,对训练集目标边框的长和宽分别进行一维K-means聚类,提高先验框对训练集的适应度。提出多层并列卷积结构,对输入特征经过三层并列卷积后的输出进行融合,增强特征表征能力。以VOC2007和VOC2012训练集和验证集作为训练图像,采用目标图像组合算法,模型训练时间减少30%以上,改进先验框生成策略使先验框对训练集的适应度达到0.735。在VOC2007测试数据集上测试,改进YOLOv5模型平均准确率均值（mAP）由79.1%提升至80.3%。     

基于轻量化YOLOv4的轮毂内部缺陷检测算法

为解决常规深度学习方法检测轮毂内部缺陷存在模型尺寸大、参数多和精度低等问题,提出一种轻量化YOLOv4的轮毂内部缺陷检测算法。该算法采用MobileNetV3替换YOLOv4的主干特征提取网络,并利用深度可分离卷积模块对YOLOv4的PANet(path aggregation network)模块中的传统卷积进行了替换。同时,在PANet特征加强网络中加入通道注意力机制(SE)模块,提高了轮毂内部缺陷目标的识别精度。测试结果表明,所提算法检测精度为90.23%,权值文件为45.2 MB,检测速率为68.38帧/s。相较于常规模型性能有所提升,更适用于轮毂内部缺陷的快速、准确检测。     

基于多尺度特征的YOLOv5铸件自动检测算法研究

针对铸件检测存在精度不够高和易漏检、误检等问题,提出一种基于多尺度特征的YOLOv5铸件自动检测算法。该算法使用双目相机采集铸件图像,并构建铸件图像数据集;为提取更全面的铸件特征,采用多尺度特征融合模块,增加一个检测层检测不同尺度的铸件;为获取更多细节特征,在特征金字塔网络中嵌入卷积注意力机制（CBAM）,以提高铸件图像关键特征的提取能力;同时用Hardswish替换卷积层中的SiLU激活函数来减少模型参数量。实验结果表明,该算法检测m AP值达到了96.5%,较原YOLOv5算法提升了2.6%,能实现铸件自动检测对检测精度及实时性的要求。     

融合改进 YOLOv5 算法的图像全站仪全自动测量方法

针对图像全站仪在无棱镜合作工作模式下无法实现目标点全自动测量的问题,提出一种融合改进YOLOv5算法的图像全站仪全自动测量方法。应用融合卷积注意力机制模块的YOLOv5算法,实现了反射片靶标的广角镜头识别与检测;应用目标自动照准算法,实现了反射片靶标中心的长焦镜头精确照准,进而实现目标点位置坐标的全自动测量。借助自研的图像全站仪开展了反射片靶标的识别与检测实验和目标点全自动测量实验。实验结果表明,利用改进的YOLOv5算法对反射片靶标的识别与检测的准确率可达98.65%;目标点全自动测量方法具有与人工照准测量方法相当的测量精度且测量效率较后者提高了1.5倍。所提方法具有较高的测量精度和测量效率,可广泛应用于无人值守的全自动测量工作场合。     

基于改进YOLOv4算法的结构用锯材表面缺陷检测研究

针对木结构用锯材表面缺陷人工检测效率低下、精度低等问题。提出了一种改进的YOLOv4算法用于结构用锯材表面缺陷检测研究，在原YOLOv4算法基础上加入了自适应特征融合模块（AdaptivelySpatial FeatureFusion,ASFF），解决了不同特征尺度间的不一致性。为了验证算法的有效性，论文分别采用YOLOv3、YOLOv4及改进的YOLOv4算法对1052张结构用锯材表面缺陷样本图像进行对比测试。结果表明，与YOLOv3、YOLOv4算法相比，改进的YOLOv4算法平均测试精度均值分别提高了2.36%和19.9%，对单张含有不同大小目标的图片检测结果提高了13%。     

基于改进YOLOv8的交通标志检测算法

目前交通标志检测在自动驾驶和辅助驾驶等智能驾驶中扮演着重要的角色,其性能的好坏影响着车辆行驶的安全。针对交通标志图像背景复杂和检测目标小等问题,提出了一种基于改进YOLOv8的交通标志检测算法。首先使用全局注意力模块,通过引入空间注意力和通道注意力机制,对输入特征图进行全局关注,有效捕捉输入特征图的全局上下文信息,对特征图在通道和空间维度上进行加权,使模型能够更加关注图像中的交通标志,避免干扰信息的影响,提高网络检测精度;其次引入幻影卷积替换原网络中的普通卷积,减小网络模型体积的同时提高模型的检测速度;最后增加一个小目标检测层,保留特征图更多浅层细节信息,提高网络对小尺寸交通标志的检测能力。实验结果表明,改进后的算法在精确率、召回率和平均精确率上相比于原算法分别提升2.6%、1.1%和1.5%,检测速度满足实时性要求。     

基于GM-APD激光雷达数据融合的小目标检测

GM-APD激光雷达具有单光子探测灵敏度,大幅降低了系统体积和功耗,但受像元数限制,难以获得远距离小目标清晰轮廓,目标检测率不高。针对该问题,提出了基于强度像和距离像多级处理的小目标深度学习检测算法,充分挖掘强度图像和点云特征信息及相互关联性,提高小目标检测概率。通过改进特征金字塔网络,将感受野模块和注意力机制模块与特征提取网络相结合,增强强度像初筛目标准确性,在候选区域内将强度像与距离像融合成带有强度信息的四维点云。然后,使用动态图卷积网络对候选区内目标进行二次检测,利用点云信息进一步筛选候选框内的目标。经GM-APD激光雷达远距离车辆数据集测试,网络的检测准确率达到98.8%,对于车辆结构不完整,车辆回波弱,背景存在强反射光斑等复杂场景有很好的鲁棒性。相较于SSD,YOLOv5等较为先进的目标检测网络,检测准确率分别提升了3.1%与2.5%,该算法为激光雷达弱小目标检测识别提供了一种可行性解决方案。     

改进全卷积网络优化绝缘子缺陷检测

绝缘子各种缺陷的准确检测与定位是保障电网安全正常运行的关键,针对传统学度学习全卷积网络在进行航拍绝缘子图像缺陷识别时准确率不高问题,提出基于改进全卷积网络优化的航拍电网绝缘子缺陷自动检测算法,算法通过优化模型结构、剔除全连接层Dropout、增加多尺度池化与孔洞卷积以及采用双目标优化函数,实现FCN模型的有效改进,实验结果表明,改进全总卷只网络模型,有效提高了对绝缘子缺陷检测的性能和对背影的鲁棒性,取得了比已有算法更有优的检测结果。