基于改进YOLOX的落石检测方法

山坡地区是落石频发的区域,凭人力难以及时发现灾害的发生。为及时检测到落石的发生并做出应对措施,提出一种基于改进YOLOX的落石检测方法,自动检测并报告落石的发生情况;通过自制落石数据集训练YOLOX网络,优化空间金字塔池化结构,获取更多语义信息,并引入ECA-Net(Efficient Channel Attention Module,高效通道注意力模块),提高特征的提取能力和特征间的信息传播,同时改进损失函数并使用数据增强,提高网络训练效果;实验结果表明,改进YOLOX算法的mAP@0.5为92.50%,每秒检测帧数为62.6,相较于YOLOX算法,mAP@0.5提高3.45%,每秒检测帧数上涨0.3;与原算法相比,在不损失性能的情况下,精度有较大的提升,同时满足图片与视频数据的实时检测要求。     

基于改进YOLOX的草莓检测算法

针对机械臂自动采摘草莓任务场景提出了一种基于改进YOLOX的草莓检测算法。使用MobileNetV3重新构建YOLOX的主干网;引入ASPP获取多尺度特征,并使用深度可分离卷积取代ASPP中的普通卷积以降低引入ASPP带来的计算量提升;对主干网输出的三个不同尺度特征分别使用ECA注意力机制提高检测精度。实验表明,改进模型的参数量下降了68%,并保证了精度不损失,适于部署到算力较低的边缘设备。     

改进YOLOv3的火灾检测

针对火灾检测中小目标检测率低、复杂场景下检测精度低和检测不及时等问题, 提出了一种改进YOLOv3的火灾检测算法. 首先, 通过改进的K-means聚类算法重新获取更符合火焰和烟雾尺寸的anchor; 其次在Darknet-53后添加空间金字塔池化, 提升了网络的感受野进而增强了网络对小尺度目标的检测能力; 然后通过CIoU改进损失函数, 在计算坐标误差时考虑中心和宽高坐标两者的相关性, 加快了损失函数的收敛; 最后使用mosaic数据增强丰富了待检测物体的背景. 在自制的数据集上训练并测试, 实验结果表明: 改进后的算法比YOLOv3火焰的AP从94%提升至98%, 烟雾的AP从82%提升至94%, 平均检测速度从31 fps提升至43 fps, 相比Faster R-CNN、SDD等算法也有更高的mAP和更快的检测速度. 因此, 改进后的算法能够更有效地进行火灾预警.     

改进YOLOX火灾场景检测方法的研究

针对现有目标检测模型难以应用在复杂火灾场景的问题,论文提出了基于注意力机制改进的YOLOX火灾场景检测模型,实现对火焰、烟雾以及受灾人员的检测。首先,在CSPLayer层上添加轻量级注意力模块,提升模型整体的检测性能;其次,引入通道混合技术,提高各通道间的交流能力;最后,将主干网络最后一层换为轻量级Transformer模块,强化主干网络对全局信息的抓取能力。通过在自制火灾数据集上的实验表明,T-YOLOX的mAP比基准模型（YOLOX）提高了2.24%,与CenterNet、YOLOv3相比检测精度有较大提升,证明了该算法的有效性和优越性。     

基于改进DCNN的烟火隐患检测方法

针对山火烟雾这类柔性目标图像存在的形状不固定所导致的识别精度低、泛化性差等问题,提出了一个基于YOLO的改进深度卷积神经网络(DCNN)识别方法.该方法通过数据增强算法优化训练网络;利用GIoU_Loss损失函数替换L2 Loss函数,大幅降低损失值;运用空间金字塔池化,将多尺度特征进行融合,增加网络的感受野,提高检测精度.实验结果表明,改进方法相对于原YOLO算法查全率提升了1.3％,查准率提高了2.1％.     

基于向量注意力机制GoogLeNet-GMP的行人重识别方法

为了提高行人重识别(Re-ID)的准确率和适用性,提出了一种基于向量注意力机制GoogLeNet的Re-ID方法。首先,将3组图像(锚、正、负)输入到GoogLeNet-GMP网络中,获得分段式特征向量。然后,利用空间金字塔池化(Spatial Pyramid Pooling, SPP)对来自不同金字塔等级的特征进行聚合,并引入注意力机制,通过对代表目标视觉信息的多尺度池化区域进行整合,获得多个语义等级上的可区分性特征。同时,将两个不同损失函数的混合形式作为最终损失函数。在Market-15012和Duke-MTMC3数据集上进行实验,结果表明,相比其他优秀方法,所提方法在Rank-1和mAP指标方面表现更优。     

改进YOLOv3的绝缘子自爆缺陷检测方法

绝缘子作为架空输电线路的重要组成部分,直接影响着电力系统的安全和稳定.通过引入深度学习技术实时获取绝缘子的工作状态已成为当前主流的研究趋势.但是在实际的输电线路图像中绝缘子缺陷目标区域小且背景复杂,导致绝缘子缺陷检测精度低.针对该情况提出了一种基于YOLOv3改进的绝缘子缺陷检测算法GC-SPP-YOLOv3.首先借鉴了Ghost Module的思想提出了一个新的特征提取网络,在保证精度不变的情况下,显著提升了检测速度.并在其中引入了双重注意力模块提升网络的特征表达能力.接着引入空间金字塔池化模块丰富特征图的表征层次.在包含4020张绝缘子缺陷图像的数据集上进行实验,该算法相比原YOLOv3算法的mAP提升了3.43%,相比较两阶段算法Faster R-CNN的mAP提高了2.7%,并且在检测速度方面表现出显著的优势,每秒可以检测35张图片.实验结果表明,该算法在绝缘子缺陷检测中具有良好的效率和实用性.     

改进YOLOv4-tiny的疫情协同口罩佩戴检测方法

口罩的佩戴对于疫情防控起着极其重要的作用,针对大规模人群下口罩佩戴检测实时性欠佳、难以部署的问题,提出了一种改进YOLOv4-tiny的疫情协同口罩佩戴检测方法。该算法以YOLOv4-tiny为基础,用两个Resblock-D模块替代CSP模块,降低特征提取网络复杂度,提升检测速度;引入SPP,增加了网络的感受野,使网络满足任意尺寸的影像输入,并增强算法的鲁棒性;引入两层CA注意力机制,提高算法的利用率以保证检测精确度。通过实验检测结果表明,相较于原始YOLOv4-tiny,所提网络mAP提升了0.5个百分点,达到94.0%,检测速度提升了3.96 FPS。在保证检测速度有少量提升的基础上有效提高了检测速度,综合性能得到提升。     

基于改进的YOLOv5的航拍图像中小目标检测算法

目前基于无人机航拍的目标检测技术广泛应用于军事和民用领域,但因其存在成像距离远、高空拍摄图像模糊和目标信息占比小等问题,目标检测准确率不高。针对这一问题,提出一种基于YOLOv5的改进算法。该算法首先在数据增强方面对原始图像进行加雾处理,提高其在雾天的鲁棒性;其次通过融合CBAM模块,来增强不同通道和空间的重要性;再者将原算法中的SPP更换为ASPP,以减小池化操作对特征信息的影响;最后在FPN结构中增加一层检测头,用于更细粒度的检测目标。以YOLOv5s为Baseline,实验表明,改进后的算法比原算法的mAP＿0.5提高了6.9%,可以有效应用于航拍小目标的检测。     

基于改进的YOLOV3口罩佩戴检测算法

为防止病毒的传播,提出一种可以识别人们在公共场合下是否佩戴口罩的目标检测算法。以YOLOV3为基础,将Darknet-53骨干网络结构与Inception-v4思想相结合,在特征提取网络中引入空间金字塔池化(spatial pyramid pooling,SPP)结构,使特征得到增强,准确率得到提升;选取GIoU (generalized intersection over union)损失函数作为评价指标。实验结果表明,改进后的YOLOV3算法能够有效进行口罩佩戴检测,其算法的平均精度均值相比于原始的YOLOV3提高5.4%,达到90.1%。     

改进YOLOv4的油田作业现场烟火检测

为解决油田作业现场烟火预警依赖人工巡检、不能及时发现等问题, 本文提出了改进的YOLOv4烟火检测算法. 具体针对摄像头距离远导致的烟火目标小、不易被识别的问题, 改进了网络特征融合部分, 并添加金字塔卷积PyConv, 增强细节提取能力、增大局部感受野. 针对油田作业现场的复杂背景干扰问题, 加入注意力机制, 用于加强网络对重要特征的权重计算, 同时减少非关键数据的计算量. 最后通过聚类算法对目标样本锚定框优化, 利用自建烟火数据集进行实验, 实验证明, 改进后的算法平均精度值MAP达到90%以上, 能够在复杂背景下对较小烟火目标保持较高的精度, 并且具有较快的检测速度, 满足了油田烟火检测高效性和实时性的要求.     

基于改进YOLOX-s的安全帽检测

在施工现场中, 发生过许多高空坠落事故, 因此在施工现场佩戴安全帽是十分有必要的. 针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况, 提出一种基于YOLOX-s的改进算法. 首先, 在Neck层引入主干特征提取网络中的160×160特征层进行特征融合, 并且增加了一个针对小目标的检测头; 其次, 采用SIoU损失函数计算损失值, 使得网络在训练过程中考虑的损失项更加全面; 并且采用varifocal loss函数来计算置信度损失值, 进一步改善训练过程中存在的正样本与困难样本不均衡的问题, 最后, 采用CA (coordinate attention)注意力机制来增强模型的特征表达能力. 实验结果表明, 通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制, 使得网络在训练过程中收敛与回归性能更佳. 改进后的算法的mAP值为95.57%, 相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%. 改进后的算法检测速度为54.73帧/s, 符合实时检测速度要求.     

改进YOLOv4的油田作业现场烟火检测

为解决油田作业现场烟火预警依赖人工巡检、不能及时发现等问题, 本文提出了改进的YOLOv4烟火检测算法. 具体针对摄像头距离远导致的烟火目标小、不易被识别的问题, 改进了网络特征融合部分, 并添加金字塔卷积PyConv, 增强细节提取能力、增大局部感受野. 针对油田作业现场的复杂背景干扰问题, 加入注意力机制, 用于加强网络对重要特征的权重计算, 同时减少非关键数据的计算量. 最后通过聚类算法对目标样本锚定框优化, 利用自建烟火数据集进行实验, 实验结果证明, 改进后的算法模型具有相当高的性能, MAP达到90%以上, 能够在复杂背景下对较小烟火目标保持较高的识别率, 说明改进后的算法在油田作业现场烟火识别中具有较高实用价值.     

基于改进SSD的口罩佩戴检测算法

新冠疫情近年来在全球肆虐,新冠病毒具有极强的传染性,在公共场所佩戴口罩可以阻断病毒的传播途径,有效遏止疫情的蔓延。利用计算机视觉技术对公共场合佩戴口罩行为进行检测具有重要意义,在疫情防控常态化条件下,需要对人脸口罩佩戴进行正确识别,同时要识别口罩佩戴是否正确。在实际检测环境中,口罩佩戴检测任务中的场景复杂多样,佩戴口罩的人脸目标尺度不一,正确与错误佩戴口罩特征差异小,难以检测。提出一种改进SSD算法的口罩佩戴检测算法。以SSD检测算法为基础,引入特征融合网络及协调注意力机制,重构特征提取网络,增强对细节信息的学习和处理能力。同时,将算法的分类预测分数和IoU分数进行合并表示,使用Quality Focal Loss函数调节正负样本的权重。在自制口罩佩戴检测数据集上的实验结果表明,该算法的平均精度均值达到96.28%,与原始算法相比提高了5.62%,对口罩佩戴检测具有良好的准确性和实用性,可满足疫情防控下的实际需求。     

基于改进YOLOv5s的焦炉烟火识别算法

针对炼焦厂烟火排放全天候环保监测的要求,提出了基于改进YOLOv5s的焦炉烟火识别算法;该算法以YOLOv5s为基础网络,在主干网络Backbone中添加CBAM注意力机制模块,使网络更加关注重要的特征,提升目标检测的准确率;新增FReLU激活函数代替SiLU激活函数,提高激活空间的灵敏度,改善烟火图像视觉任务;在自建数据集中烟、火样本标签基础上,增加灯光标签来解决强灯光对火焰识别的干扰,并通过分流训练、检测的方式来解决昼夜场景的烟火检测问题;在自建数据集上做对比实验,更换激活函数后,联合CBAM模块的YOLOv5s模型效果最佳;实验结果显示,与原始YOLOv5s模型相比,在白天场景下的烟火识别mAP值提升了6.7%,在夜间场景下的烟火识别mAP值高达97.4%。     

改进YOLOv7的视频监控小目标检测

小目标检测作为目标检测中一项极具挑战性的项目, 广泛分布于日常生活中, 在视频监控场景中, 距离摄像头约20 m远处的行人人脸就可以被认为是小目标. 由于人脸可能相互遮挡并容易受到噪声和天气光照条件的影响, 现有的目标检测模型在这类小目标上的性能劣于中大型目标. 针对此类问题, 本文提出了改进后的YOLOv7模型, 添加了高分辨率检测头, 并基于GhostNetV2对骨干网络进行了改造; 同时基于BiFPN和SA注意力模块替换PANet结构, 增强多尺度特征融合能力; 结合Wasserstein距离改进了原来的CIoU损失函数, 降低了小目标对锚框位置偏移的敏感性. 本文在公开数据集VisDrone2019以及自制的视频监控数据集上进行了对比实验. 实验表明, 本文提出的改进方法mAP指标在VisDrone2019数据集上提高到了50.1%, 在自制视频监控数据集上高于现有方法1.6个百分点, 有效提高了小目标检测的能力, 并在GTX1080Ti上达到了较好的实时性.     

改进YOLOv5s的小目标烟雾火焰检测算法

针对复杂环境中,烟雾火焰检测存在精度低,小目标检测困难等问题,提出一种改进的基于YOLOv5s的小目标烟雾火焰检测算法。基于公开数据集自建了9 981张不相似的烟雾火焰图像数据集,解决现有数据集的限制,提高了模型的训练效率与泛化能力;在网络中添加3-D注意力机制SimAM,增加算法的特征提取能力,而且没有增加额外的参数;修改网络中的Neck结构,将三尺度检测改为四尺度检测,并结合了加权双向特征金字塔网络（BiFPN）结构,对特征融合过程进行修改,提高小目标的检测能力与特征融合能力;通过遗传算法来优化网络中的部分超参数,进一步模型的检测能力。实验结果表明,改进后的算法比原始YOLOv5s算法平均检测精度提高了7.2%,同时对小目标检测精度更高,误检漏检等情况减少。     

基于显著性目标检测的弹着点定位算法

针对目前炮弹定位方法安全隐患大、人工测量效率低、精度差的问题,本文提出一种基于显著性目标检测网络BASNet(Boundary-Aware Salient Object Detection)的弹着点定位方法。采用改进的BASNet网络,结合注意力机制模块CBAM(Convolutional Block Attention Module)、金字塔池化模块PPM(Pyramid Pooling Module)与深度可分离卷积,对炮弹火焰进行显著性检测,提取弹着点图像坐标。实验结果表明,该方法在自制的炮弹火焰数据集上的检测精度F值达到0.914,MAE为0.006,推理速度为3.86 fps,优于BASNet、U2Net等显著性目标检测网络。该方法提取的弹着点图像坐标与真实坐标误差为5.92个像素值,相比于BASNet网络减少近4.85个像素值。综合可知,该算法增强了网络对显著性物体内部的检测精度,提高了模型推理效率,减少了图像弹着点坐标误差,适用于靶场小范围炮弹火焰烟雾的检测,能够满足靶场应用的实测需求。     

基于改进YOLO的双网络桥梁表观病害快速检测算法

桥梁表观病害检测是确保桥梁安全的关键步骤. 然而, 桥梁表观病害类型多样, 不同病害间外观差异显著且病害之间可能发生重叠, 现有算法无法实现快速且准确的桥梁多病害检测. 针对这一问题, 对YOLO (You only look once) 进行了改进, 提出了YOLO-lump和YOLO-crack以提高网络检测多病害的能力, 进而形成基于双网络的桥梁表观病害快速检测算法. 一方面, YOLO-lump在较大的滑动窗口图像上实现块状病害的检测. 在YOLO-lump中, 提出了混合空洞金字塔模块, 其结合了混合空洞卷积与空间金字塔池化, 用于提取稀疏表达的多尺度特征, 同时可以避免空洞卷积造成的局部信息丢失; 另一方面, YOLO-crack在较小的滑动窗口图像上实现裂缝病害的检测. 在YOLO-crack中, 提出了下采样注意力模块, 利用1×1卷积和3×3分组卷积分别解耦特征的通道相关性和空间相关性, 可以增强裂缝在下采样阶段的前景响应, 减少空间信息的损失. 实验结果表明, 该算法能够提高桥梁表观病害检测的精度, 同时可实现病害的实时检测.