联合多尺度与注意力机制的遥感图像目标检测

遥感图像存在背景复杂、目标尺度差异大且密集分布等不足,为提高现有算法的检测效果提出联合多尺度与注意力机制的遥感图像目标检测算法. 改进空洞空间金字塔池化模块,增大不同尺寸图像的感受野;提出注意力模块用于学习特征图通道信息和空间位置信息,提升算法对复杂背景下遥感图像目标区域的特征提取能力;引入加权双向特征金字塔网络结构与主干网结合来增进多层次特征的融合;使用基于距离的非极大值抑制方法进行后处理,改善检测框易重叠的问题. 在DIOR和NWPUVHR-10数据集上的实验结果表明：所提算法的平均精度均值mAP分别达到71.6%和91.6%,相比于主流的YOLOv5s算法分别提升了2.9%和1.5%. 所提算法对复杂遥感图像取得了更好的检测效果.     

基于改进YOLOv5的遥感图像检测

针对现有遥感图像目标检测中背景复杂和尺度变化大等问题,基于 YOLOv5 模型提出了一种 改进的遥感图像目标检测算法。 首先,利用 Mosaic 数据增强方法重构数据集,以改善模型的训练效 果和鲁棒性;其次,在 YOLOv5s 的 Backbone 中添加 SE 注意力机制,使改进后模型能够更精准地捕 捉目标特征信息;最后,采用 BiFPN 替代原模型中的 FPN+PAN 结构,使模型能够进行不同尺度的特 征融合,以减少检测过程中浅层信息的丢失。 实验结果表明,相较于原模型,改进后模型的平均精度 均值、准确率和召回率都有所提升;相较于原模型,改进后模型具有更强的特征提取能力及更快的检 测效率。     

基于改进YOLOv5的工程场景行人检测方法

针对复杂工程场景常用的行人检测方法(尤其在小目标检测方面)精度低、复杂度高的问题，提出一种基于YOLOv5网络的改进识别方法。在骨干网络与颈部网络引入ECA注意力机制，提升模型对通道特征的关注度以抑制背景噪声；使用加权双向特征金字塔结构BIFPN对颈部网络进行修改，加强模型对不同尺度特征融合；使用Ghost模块替换骨干网络与颈部网络的部分卷积，减少模型参数、缩小体积。结果表明：提出的改进模型检测精度达到了88.4%,同时，模型的复杂度(参数量与模型大小)仅为13.5×10⁶与6.67 MB;与目前主流的深度学习方法相比，该算法在检测精度与复杂度上具有更好的性能，在复杂的场景下具有较好的识别效果。     

基于改进YOLOv5的电子元件表面缺陷检测算法

目标检测模型在电子元件生产环境中的实时检测能力不佳，为此采用GhostNet替换YOLOv5的主干网络.针对电子元件表面缺陷存在小目标及尺度变化较大的目标的情况，在YOLOv5主干网络中加入坐标注意力机制，在避免大量计算资源消耗的前提下增强感受野，将坐标信息嵌入通道注意力中以提升模型对目标的定位.使用加权双向特征金字塔网络结构替换YOLOv5特征融合模块中的特征金字塔网络(FPN)结构，提升多尺度加权特征的融合能力.在自制缺陷电子元件数据集上的实验结果表明，改进的GCB-YOLOv5模型平均精度达到93%，平均检测时间为33.2 ms，相比于原始YOLOv5模型，平均精度提高了15.0%，平均时间提升了7 ms，可以同时满足电子元件表面缺陷检测精度与速度的需求.     

融合注意力机制与双向特征加权的PCB缺陷识别

针对现有的印刷电路板(PCB)缺陷检测识别方法存在网络模型结构复杂、误检率高等问题,提出了一种融合视觉注意力机制与双向特征加权的PCB缺陷识别方法。首先,在YOLOv5网络结构的基础上通过使用加权双向特征金字塔网络(BiFPN)来加速多尺度融合;其次,引入视觉注意力机制和替换损失函数,增加过滤冗余信息,强化模型对微小目标的提取能力。在PKU-Market-PCB数据集上的实验结果表明,文中方法对各类缺陷的检测精度高达97.4%,与原始的YOLOv5网络及其他文献方法均有显著提升,实验结果表明了该算法在对微小目标检测识别上进一步提升了性能。     

多特征融合和孪生注意力网络的高分辨率遥感图像目标检测

为提高高分辨率遥感图像目标检测效果,本文将多特征融合方法和孪生注意力网络相结合,提出一种新的目标检测方法。构建遥感图像目标检测的整体框架,基于锚框模型对遥感图像目标进行多层特征的提取及融合;运用孪生注意力网络对遥感图像目标实时视觉跟踪检测,引入通道和空间的双重自注意力机制,提高目标图像的特征表达能力,由此得到更加精准的检测结果。实验分析结果表明,本文方法的平均总体精度为93.8,F1指数平均值为0.88,Kappa系数平均值为0.93,均明显高于对比方法,说明本文方法具有较好的检测效果。     

基于自适应增殖数据增强与全局特征融合的小目标行人检测

针对当前规模的小目标行人数据集较少，传统行人检测模型对小目标检测效果较差的问题，提出一种基于消隐点性质，提出自适应增殖数据增强和全局上下文特征融合的小目标行人检测方法.利用射影几何与消隐点的性质，对图像中的多个目标进行复制；通过仿射变换投影到新的位置，生成多个大小与背景合理的小目标样本以完成数据增强.利用跨阶段局部网络与轻量化操作改进沙漏结构，融合坐标注意力机制强化骨干网络.设计全局特征融合颈部网络（GFF-neck），以融合全局特征.实验表明，在经过数据增强后的WiderPerson数据集上，改进算法对行人类别的检测AP值达到了79.6%，在VOC数据集上mAP值达到了80.2%.测试结果表明，当搭建实验测试系统进行实景测试时，所提算法有效提升了小目标行人检测识别精度，并满足实时性要求.     

基于改进YOLOv7的番茄果实目标检测

针对农业采摘机器人在采摘过程中面临果实重叠、果实遮挡和果实体积小难以识别等一系列问题,提出一种改进YOLOv7网络对番茄果实进行目标检测。首先在YOLOv7网络结构中增加SimAM注意力模块和CA注意力模块,提高网络特征提取能力;其次结合特征融合网络的张量拼接操作与加权特征金字塔,提高特征融合能力;再用Soft-NMS算法代替NMS算法,增加网络对重叠区域的检测能力;最后将CIOU Loss替换成EIOU Loss,优化网络性能。实验结果表明,改进后的 YOLOv7网络 mAP值可达 96.7%,准确率为 96.2%,召回率为 99.0%,满足网络对番茄检测精度的要求。     

基于注意力模型的输电线路隐患检测

为了提高输电线路巡检效率，解决高空悬挂物和鸟巢检测准确率低的问题，提出将注意力模型集成到YOLOv5网络的输电线路隐患检测算法。该算法将SE注意力模型融入YOLOv5网络当中，得到通道级别的全局特征，增强模型对通道特征的敏感性，提高了对高空悬挂物和鸟巢检测的准确率。在一组输电线路隐患图像上进行广泛实验，结果表明，带有注意力模型的YOLOv5网络对高空悬挂物检测的平均准确率为84.2%，对鸟巢的平均准确率为87.4%，该方法检测到的m AP值比直接使用YOLOv5算法高2%。     

改进YOLOv5s的公路隧道烟火检测方法

针对公路隧道初期火灾烟火混淆且检测实时性要求高的问题，提出改进YOLOv5s的隧道烟火视觉检测方法.该方法通过在YOLOv5s中引入卷积注意力模块(CBAM)，提高对轮廓特征不明显的隧道烟雾及初期火焰重要特征检测的准确率.替换骨干网络中的Focus模块，降低BottleneckCSP的卷积层数目，提升烟火特征提取网络效率.用CIoU替换原有的GIoU损失函数，加快模型的收敛速度.实验以10 000张隧道烟火数据集为训练样本，用YOLOv5s和改进后的YOLOv5s-PRO进行对比试验分析，用2021年3月6日重庆真武山隧道火灾视频数据验证模型.实验结果表明，该算法的检测精度达到91.53%，比YOLOv5s提高了3.21%，检测速度达到6.12 ms，比YOLOv5s提高了0.42 ms，检测精度较高，速度较快，可以应用于实际公路隧道的烟火检测.     

基于改进YOLOv5s的桥梁螺栓缺陷识别方法

针对现有算法在检测桥梁螺栓缺陷时因螺栓背景复杂和尺寸较小而导致的特征提取不充分、目标定位不精确问题,提出了一种基于改进YOLOv5s的桥梁螺栓缺陷识别方法。该方法在骨干网络中引入注意力机制以提升模型对螺栓特征的提取能力并加深对螺栓全局特征的关注度;优化空间金字塔池化结构以减少螺栓特征信息流失;采用MPDIoU作为边界框回归损失函数,提高螺栓边界框的回归精度;将YOLO检测头解耦以消除目标检测中分类任务和回归任务共享检测头对边界框位置回归的负面影响。在螺栓锈蚀、螺栓松动、螺栓脱落和螺母脱落4类典型缺陷螺栓以及正常螺栓的3810张自制螺栓图像数据集上进行训练和测试,实验结果表明：本文算法对螺栓缺陷的检测精度达到90.8%,相较于YOLOv5s提升了3%,均值平均精度达到92.6%,相较于YOLOv5s提升了4.3%,可以应用于桥梁螺栓的缺陷智能识别。     

基于改进YOLOv7的安全帽佩戴检测算法

为提高工作场所安全帽佩戴的检测精度,提出一种基于YOLOv7网络架构的改进算法。首先,在特征提取网络中引入卷积块注意力机制(CBAM)取代YOLOv7中主干网络部分原有的卷积模块(CBS),增强网络的特征提取能力,加强网络对目标和背景的分辨能力;其次,为解决由于网络层数的加深导致小目标特征减弱甚至消失的问题,增加一个小目标层,通过将浅层网络特征与深层网络特征融合,进一步保留小目标特征。实验结果表明,原YOLOv7对安全帽佩戴检测的均值平均精度为86.1%,改进后到达93.4%,实现了检测精度的提高。     

基于YOLOv4-MP的绝缘子爆裂缺陷检测方法

针对输电线路绝缘子爆裂缺陷检测中缺陷目标小、背景复杂多样导致检测精度低的问题，提出了一种基于YOLOv4改进的检测算法YOLOv4-MP。首先，为减少复杂背景的干扰，在特征提取网络中嵌入Shuffle Attention注意力模块，使模型能够提取到更加有效的特征信息。其次，为增强特征融合的效果，在空间金字塔池化中引入带空洞的池化层，能够有效增大感受野。最后，为减少低层信息的丢失，采用Mish函数作为路径增强网络的激活函数。实验结果表明，YOLOv4-MP的平均精度均值(Mean Average Precision, mAP)达到了93.60%，比YOLOv4算法提升了6.37%。与常用的检测算法相比，YOLOv4-MP具有更好的检测性能，对于绝缘子爆裂缺陷检测具有较大应用价值。     

基于注意力与多级特征融合的YOLOv5算法

针对复杂场景下目标检测与识别精度较低的问题,提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制,增强对特征空间和通道信息的学习能力,同时在瓶颈网络中采用多级特征融合结构,对不同分支的特征进行融合,增加特征的丰富性,提升应对复杂场景的能力。此外,利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积,降低网络参数量和复杂度。结果表明：与传统的YOLOv5s算法相比,所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。     

基于改进YOLOv4-Tiny的矿井电机车多目标实时检测

为解决煤矿巷道环境恶劣以及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至四尺度预测,并且在网络模型的颈部引入空间金字塔池化（SPP）模块,以丰富特征融合信息,增大网络模型的感受野;其次,以煤矿巷道中的行人、电机车、信号灯以及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类,通过对比分析验证了K-means++算法具有更好的聚类效果;最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步直观了不同改进措施对网络模型检测性能的影响,并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明：YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均检测精度（mAP）为95.35%,对小目标“碎石”的平均检测精度（AP）为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38和41.66个百分点;改进后算法的平均检测速度达58.7帧/秒（FPS）,模型内存仅为26.3Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。     

基于通道注意力与特征融合的水下目标检测算法

水下光学图像存在色偏、低对比度、目标模糊的现象,导致水下目标检测时存在漏检、误检等问题。针对上述问题,提出了一种基于通道注意力与特征融合的水下目标检测算法。基于通道注意力设计了激励残差模块,将前向传播的特征信息进行自适应分配权重,以突出不同通道特征图的显著性,提高了网络对水下图像高频信息的提取能力;设计了多尺度特征融合模块,增加了大尺度特征图用于目标检测,利用其对应的小尺度感受野提高了网络对小尺寸目标的检测性能,进一步提高了网络对水下不同尺寸目标的检测精度;为提高网络对水下环境的泛化性能,设计了基于拼接和融合的数据增强方法,模拟水下目标的重叠、遮挡和模糊情况,增强了网络对水下环境的适应性。通过在公共数据集URPC上的实验,与YOLOv3、YOLOv4和YOLOv5相比,所提算法的平均精度均值分别提升5.42%,3.20%和0.9%,有效改善了水下复杂环境中不同尺寸目标漏检、误检的问题。     

基于改进 YOLOv5s 的可回收垃圾检测方法

对垃圾进行回收益处颇多，不仅可以节约资源，还有助于自然环境保护。在传统的垃圾回收中，一般会消耗大量的人力和物力，本文基于现有单阶段目标检测算法 YOLOv5s 再结合注意力机制和 RFB 感受野模块，提出一种兼顾检测速度与精度的 YOLOv5s 改进模型，该模型可运用于室内智能垃圾回收机器人或垃圾场处理终端中。首先对 RFB 模块的结构做出调整并利用注意力机制进行改进，在一定程度上克服了 RFB 模块引入其他不必要特征信息的缺点；然后在算法中引入改进后的 RFB 模块，使算法能更好地与不同尺度的垃圾物体相匹配，提高了检测的精度；并根据数据集目标物体的特点重新调整了锚框大小。实验结果表明，YOLOv5s-SERFB 在数 据集 TrashNet-Plus 上有良好的表现，最终改进模型的 mAP 为 91.7%，相比于原始的 YOLOv5s 模型高2.2%， 算法能较好地满足实时检测任务的需要，同时表现出良好的检测效果。     

一种改进型YOLOv5草莓检测算法

针对现有的草莓检测算法模型参数量大、准确率低、实时性差等问题,提出一种改进型YOLOv5草莓检测算法。算法基于YOLOv5模型,骨干网络引入GhostConv和C3Ghost模块进行参数量压缩,构造轻量化模型;加入Cutout增强数据,增加训练样本的多样性,进而提高模型的泛化能力和抗干扰能力;通过引入Gather-Excite和Transformer注意力机制加强对草莓图像重要特征的关注,从而提升检测算法在复杂环境下的识别能力。实验显示,所提算法的平均精度均值1和平均精度均值2分别为97.7%和83.5%,参数量缩减为4.01 M,推理时间为26.3 ms。改进后的算法相比原算法具有识别速度快、定位准度高以及占用内存少的优势,在满足精准采摘工作要求的前提下可以提高采摘效率。     

CGB-YOLO:用于检测钢铁表面缺陷的YOLO算法

针对YOLOv5对金属表面细小缺陷或微观缺陷的检测结果易受背景干扰的问题,提出了一种改进的金属表面缺陷检测算法。通过在主干网络引入坐标注意力机制,提高模型对缺陷的关注度;将主干网络中的一些CBS和C3模块替换为GhostNetV2结构构建轻量级的网络,优化模型的性能和效率;在Neck层采用双向特征融合网络(BiFPN)来增强颈部以产生丰富的表征,加深整个网络并重用低层次的特征。最后,广泛的实验结果表明,CGB-YOLO在NEU-DET上的精度达到75.0%mAP,比改进前提高了3.8%。该模型在金属表面缺陷检测中具有较好的综合性能。     

基于改进YOLOv5的轻量级铁水罐号车号检测算法

为解决车号罐号识别中因环境恶劣、字符较小导致的准确率偏低且实时性较差等问题,提出一种基于改进YOLOv5的轻量级检测方法.首先通过二阶段检测并增加小目标检测层,进一步采用大尺寸图像输入和数据均衡方法,提升模型检测效果;其次在骨干网络的最后一层引入CA坐标注意力,并制作掩码实现感兴趣区域检测,提升复杂场景下的车号字符检测精度.最后,通过采用GhostNet模块替换骨干网络模块,使模型进一步轻量化.实验结果表明：YOLO-MGCA模型,相较于基线模型map提高了1.4%,模型精度增加了3%,模型参数量减少了40%.