基于改进YOLOv5的道路病害智能检测

针对现有道路表观病害检测识别精度低、漏判、误检率高的问题,提出了一种改进的道路表观病害检测高精度识别模型(improved pavement detection-YOLOv5, IPD-YOLOv5)。在YOLOv5的主干特征提取网络中添加由不同空洞卷积组成的ASPP模块,引入SE-Net注意力机制以加强算法从裂缝图像中提取不同尺度特征的能力,实现多尺度特征图的有效融合。结果表明：较传统检测算法,所提的IPD-YOLOv5模型在道路裂缝病害检测上的识别精度最高,其中平均精度比未改进的YOLOv5算法提高了7.47%,漏判率降低了10.29%。     

基于YOLOv5-en算法的草莓采摘机器人目标检测技术

为实现草莓采摘机器人在温室中对草莓的快速、精确检测,该文提出一种YOLOv5-en算法。在原有YOLOv5基础上,首先对原始主干进行网络卷积操作并加入CBAM模块;其次,引入Bi FPN模块进行多尺度特征融合;然后,使用直方图均化算法和Mosaic数据增强进行目标检测数据预处理;最后,优化K-means算法对训练数据集聚类分析,同时使用Focalloss损失函数构建YOLOv5-en目标检测网络。通过对比试验得出：与YOLOv5、Faster-RCNNRes Net101和Faster-RCNNVGG16模型相比,YOLOv5-en的m AP分别提升了3.41%、17.85%和14.40%,可达94.36%。通过采摘机器人模拟环境检测验证了该模型的可行性,且达到了应用水平,可为采摘机器人实时小目标检测提供支撑。     

基于LT-YOLOv5s的PCB缺陷检测方法

针对传统PCB缺陷检测算法检测准确度低、实时性差等问题，提出一种改进的YOLOv5s网络PCB缺陷检测方法。针对缺陷特性，去除大目标的检测尺度，保留中小目标检测尺度；在网络模型末端用Transformer替代BottleneckCSP模块，提升了网络模型捕获目标特征的能力；结合坐标注意力模块，提升模型的性能并减少参数。以某PCB数据集为测试对象，结果表明，改进后的算法平均精度均值(mAP)达到99.04%,平均检测速度为19ms/帧，改进后的算法能够更加快速有效的检测出PCB缺陷。     

基于CutMix和YOLOv3的工件表面小缺陷识别方法

针对工件表面小缺陷经常由于数量少且视觉特征不明显而导致的被漏检和错判的问题,提出一种基于CutMix和YOLOv3的工件表面小缺陷识别方法CSYOLOv3.使用贝塔分布动态调整的CutMix方法在网络训练时动态扩充训练集中小缺陷的数量;并对YOLOv3网络进行了改进,拆分其浅层大特征图,取部分与预测分支的特征图融合以保...     

基于CutMix和YOLOv3的工件表面小缺陷识别方法（英文）

针对工件表面小缺陷经常由于数量少且视觉特征不明显而导致的被漏检和错判的问题,提出一种基于CutMix和YOLOv3的工件表面小缺陷识别方法CSYOLOv3.使用贝塔分布动态调整的CutMix方法在网络训练时动态扩充训练集中小缺陷的数量;并对YOLOv3网络进行了改进,拆分其浅层大特征图,取部分与预测分支的特征图融合以保留浅层的小缺陷特征;使用加权的改进损失函数对网络进行训练,提高网络对小缺陷的重视程度和识别准确率.该方法在RTX 2060Ti GPU下对512×512像素的缺陷图片进行识别,速度可以达到14.09帧/s,识别mAP为71.80%,比常用目标检测方法高出5%～10%.对于小于64×64像素的小缺陷,方法的mAP达到64.15%,比YOLOv3-GIoU高出14%.所提出的CSYOLOv3方法能够有效地识别工件表面缺陷,对小缺陷的识别效果有明显提升.     

结合FPN的改进YOLOv3车辆实时检测算法

目前,在对道路车辆进行实时检测过程中还存在检测速度慢和小目标车辆漏检率高等问题。针对该问题,通过分析YOLOv3的网络结构,发现其残差块的结构较为简单,对于小目标车辆特征的提取不够丰富。为此借鉴FPN网络的结构特征,重新构造了特征金字塔模块替换原来的残差模块,并提出了结合FPN的改进YOLOv3模型。改进模型的网络层相较于之前具有更丰富的语义特征(即目标信息),有效的解决了顶层特征在不断卷积池化中可能忽略丢失小目标信息的问题。实验结果表明:改进后的网络结构模型在综合性能上有着一定的提升,其中检测精度较原有YOLO算法提升了5个百分点,此外召回率也从原有的83%提升至89%,召回率提升较为明显,速度方面也能达到实时性检测的要求。     

面向偏振成像小目标检测的YOLOv5改进方法

针对目标检测中小目标特征提取能力不足及检测精度不高等问题,提出一种面向偏振成像小目标检测的YOLOv5改进方法,该算法输入端采用偏振度图像,提高目标物体与背景对比度;减少C3模块数量,保留高频信息的同时提取更多的浅层特征信息;在主干网络中加入坐标注意力机制,增大目标物体的特征信息的权重;优化边界框回归损失函数,解决训练时梯度消失等问题。将改进后算法应用在光伏组件表面落叶检测中,检测结果表明,其准确率、召回率和平均精度均值分别提升了0.59%、1.93%、0.36%,该算法针对小目标特征提取能力有所提升且检测精度更高。     

面向小目标检测的机器视觉实验项目改进设计

目标检测是计算机视觉实践课程中重要的实验项目,尤其是小目标检测是该领域的难点。针对实验中常用的SSD模型存在的小目标检测能力不足等问题,提出采用特征图融合的方法改进特征金字塔的结构。在不改变特征图通道数的前提下,对底层特征图通过上采样和卷积操作,增强细节信息的表征能力,构成新的特征金字塔进行训练和预测。在VOC数据集上的测试结果表明：相较于SSD模型,改进模型对不同大小目标的检测精度都有提升,小目标的检测精度提升一倍以上,并且改善了SSD模型存在的漏检和误检问题。通过模型的优化和对比,加深了学生对目标检测原理的理解,提高了学生解决实际问题的能力,促进了计算机视觉实践课程的建设。     

基于改进的YOLOv5识别遥感影像中输电塔的方法

针对遥感影像目标检测中部分输电塔因目标较小、特征不显著而难以识别的问题,提出一种优化和改进的YOLOv5目标检测方法.首先,通过增加更大尺度检测层,以提升小目标的检测效果;其次,将大尺寸高分辨率遥感影像通过滑窗分割成小尺寸图像,进行检测及再还原,解决了遥感影像中难以直接有效识别输电塔等问题;最后,调用GDAL模块自动计...     

基于YOLOv3算法的室内临时障碍物检测方法改进

针对室内疏散引导员需要选择一条畅通路径的问题,提出了一种基于改进的YOLOv3算法的室内临时障碍物检测方法,监控疏散通道中的实时状态.首先引入注意力机制同时缩减网络结构对YOLOv3算法中的特征提取网络进行改进,其次采用双向连接金字塔和适应性卷积检测方式对YOLOv3算法中的特征检测网络进行改进.实验结果表明,改进的Y...     

基于改进YOLOv5的小样本水下声呐图像目标检测

声纳图像目标检测在水下救援和资源勘探中具有重要意义。传统的声纳目标检测技术存在智能化程度低、鲁棒性差、实时性差、识别精度低等问题。尽管许多基于卷积神经网络的目标检测算法在自然图像中取得了很大的成功。然而,对于水下声纳图像来说,海底混响噪声干扰、前景目标区域像素占比低、成像分辨率差等问题对实现准确的水下目标检测提出了相当大的挑战。为了解决这些问题,文章基于YOLOv5目标检测模型提出了一种新的声纳图像目标检测器。首先,在原有Backbone的基础上基于多头注意力机制引入C3MHSA模块和SE注意机制,提高模型的收敛性和提取目标形状和空间有效特征的能力。此外,在Backbone中加入RFB模块,提高网络在高感受野存在的情况下学习重要信息的能力。实验结果表明,改进后的Yolov5网络的m AP@0.5值为98.9%,较原始YOLOv5模型有了全面大幅提升,明显优于现有方法。     

基于改进YOLOv5s的交通标志识别算法

交通标志的自动识别对汽车的安全行驶具有重要意义。针对现有交通标志识别算法存在识别精度低、速度慢的问题,该文提出了一种基于改进YOLOv5s的交通标志识别算法。引入MobileNetv3主干网络,将RFB模块与ECA-Net模块相结合,在不提高网络计算量的情况下,确保更大范围内聚焦有效特征;在特征融合中采用AFF模块,将注意力从同层融合扩展到跨层区域;采用Matrix NMS筛选候选框,以提升模型检测速度。在中国交通标志数据集CCTSDB上的验证结果表明,该算法识别精度为96%,速度为48帧/s,在多种环境下对目标的识别能力得到增强,可以满足交通标志实时识别的需要。     

基于改进YOLOv5算法的红外图像行人目标检测

针对红外图像中行人检测算法准确率低、漏检等问题,提出了一种基于改进YOLOv5s的红外行人目标检测方法。首先,利用Transformer编码结构替换C3模块中的Bottleneck结构,以加强检测网络的特征融合能力;其次,利用递归门控卷积gnConv对视觉感受野模块RFB进行改进,并在YOLOv5s头部检测网络前加入改进的RF-gnConv模块,以提高模型对各种复杂场景行人检测的适应力;最后,利用OTCBVS数据集对算法模型进行验证。结果显示：改进后的算法模型平均精度均值达到97.3%,检测速度为63帧/s,验证了改进算法对红外图像中行人检测的有效性。     

改进YOLOX-S算法的安全帽和口罩检测

针对建筑工地等危险场景下需要对相关人员佩戴安全帽和口罩进行检测,提出基于改进YOLOX-S算法对安全帽和口罩小目标进行同时、实时检测．首先,在YOLOX-S中CSPLayer结构引入ECA注意力机制,引导模型更加关注小目标信息的通道特征,增强模型对有用特征的利用能力;其次,在主干特征提取网络的三个特征层后添加ConvNext Block模块,增强模型对有用特征的利用能力;最后,在加强特征提取网络中引入BiFPN的加权特征融合机制,将原来concat变为BiFPN＿concat,增加了对每个输入特征添加可学习的权值,来学习不同输入特征的重要性,区分特征融合过程中不同特征的重要程度,更好关注待检测的目标信息．实验结果表明,改进后算法的mAP为93.2%,比原始YOLOX-S算法平均精确度提升了3.1%.     

FMNet:基于特征对齐的多方位注意力机制服装图像分割网络

针对语义分割中不同尺度特征融合导致的特征错位问题,提出了一种用于不同尺度语义特征融合的上采样方法。首先,将不同尺度特征图初步融合,将得到的语义信息作为低分辨率特征图进行上采样的位置参照;随后,将低分辨率特征图上采样后,再与高分辨率特征图进行融合。针对神经网络中语义学习模块对语义特征信息学习不充分的问题,提出了一种多方位注意力机制(multi-directional attention mechanism, MAM),从空间、通道和类别3个方位学习语义信息。根据上述2个方面的创新,提出了用于服装图像分割的网络——FMNet,并选取、划分服装数据集DeepFashion2作为训练、验证和测试的数据集。实验结果表明,所提FMNet的平均交并比(mean intersection over union, mIoU)相较于OCRNet提高了2%,相较于DeepLabv3+和PSPNet分别提高了5%和10%。     

一种注意力融合的多尺度点云分类网络

针对传统点云分类网络不能较好结合全局特征和局部特征信息、导致分类精度不够高的问题,提出一种包含注意力机制的特征融合模型。通过构建多尺度网络,增大网络感受野,从而获得不同程度特征。采用注意力机制进行特征融合,使得局部特征和全局特征相互补偿,增强特征描述符的语义丰富性,获得上下文有效信息,以此提高整体的分类精度。在公开数据集ModelNet 40上对该算法进行验证,取得92.85%的分类精度,验证该网络模型的可行性。     

融合图像显著性的YOLOv3船舶目标检测算法研究

针对复杂水面环境下的船舶目标检测问题,运用融合图像显著性的YOLOv3船舶目标检测改进算法以提高检测能力。该算法基于Darknet-53网络模型,根据水上船舶特点,融合非极大值抑制算法Soft-NMS和显著性检测算法FT思想,进一步优化最终检测以达到更准确的效果。用Soft-NMS算法替换原有NMS算法,使得算法对小目标和重叠目标检测效果明显提升。融入FT算法对船舶图像局部细节作进一步细化,使得包围盒回归更加准确。在建立的数据集上进行训练与测试,实验结果表明,改进方法比原始方法准确率提高4%,达97%,检测速度提高10帧/s,达30帧/s,表明改进算法有效提高了船舶目标检测精度,且加快了检测速度。     

基于多分支特征融合的车载激光雷达3D目标检测算法

该文基于多分支特征融合的3D目标检测算法将无序的点云划分为规则的体素,利用体素特征编码模块和卷积神经网络学习体素特征,再将稀疏的3D数据压缩为稠密的二维鸟瞰图,最后通过2D骨干网络的粗糙分支和精细分支对多尺度鸟瞰图特征进行深度融合。该文实现了对多尺度特征的语义信息、纹理信息和上下文信息的聚合,得到了更加精确的原始空间位置信息、物体分类、位置回归和朝向预测,在KITTI数据集上取得优异的平均精度,并在保持一定帧率的同时具有较强的稳健性。     

多源图像智能化融合方法的研究

多源图像的智能化融合技术是在目前多尺度特征融合作为图像融合研究中一种新的研究方向,通过对图像的多尺度特征处理与人工智能中统计学习相结合,提出初步的模型以及技术方案,有效地改善图像融合的性能。     

基于迭代型形态成分分析的多聚焦图像融合

为了提高多幅多聚焦图像的融合质量,提出一种基于迭代型形态成分分析的特征加权融合算法。该方法利用形态成分分析正交性和稀疏性的特点,改进形成能够有效对源图像进行多尺度分解的迭代型形态成分分析方法;然后采用移动窗口计算方法对分解后的多尺度子图提取四维特征向量,用以反映子图的亮度、纹理规则性、光滑程度和随机性。此外,提出以四维特征向量的特征值作为权值,设计适用于两幅及以上多幅源图情况下的以特征权重作为判别依据的融合规则,并运用这一规则对复合子图进行逐层融合,最终通过多尺度逆变换得到融合图像。实验结果证明,与已有多尺度融合算法相比,新方法融合得到的图像具有更好的主观感受和更高的客观评价指标值。