摘要：YOLOX是全球首个一阶无锚框目标检测模型,超越了YOLO-V(3-5)和SSD等传统锚框模型,极大提高了山地灾害检测识别精度。然而,该模型存在不同尺度之间特征不一致的问题,融合后的特征图质量有待提升。以西藏高原山地灾害重灾区为试验区,在建立了西藏高原山地灾害数据集的基础上,通过融合Adaptively Spatial Feature Fusion(asff)注意力机制和骨干网络尺寸调整机制,设计了一个优化的、不同适用性的高原山地灾害检测模型(Plateau mountain disaster detection model,PMDDM)。为验证PMDDM模型的优越性,将其与传统YOLOX模型、不同注意力机制、不同目标检测模型进行了对比分析,并且对不同尺度模型的检测性能和可视化结果也进行了对比分析研究。结果表明:asff注意力机制可以有效的解决传统YOLOX模型中存在的不同尺度特征间的特征不一致问题,且对模型检测性能提升明显优于SE、CBAM、ECA、GAM和Coord等注意力机制;PMDDM模型对山地灾害的检测精度优于Faster-RCNN、SSD和YOLO-V3模型,可以满足不同工作场景对硬件配置、检测速度和精度的需求,且模型尺度越大,识别目标的准确率越高。

摘要：目标检测是遥感影像处理中一项基础性和常规性的工作。本文基于YOLOX(you only look once X)网络进行改进,设计了一种针对遥感影像目标的检测算法。首先在特征提取模块PANet(path aggregation network)中加入自适应空间特征融合(adaptively spatial feature fusion, asff)网络,针对目标检测中尺度不一致的细部特征进行深入挖掘。其次,设计了基于ECA(efficient channel attention)的特征提取模块,高效通道交互在更加关注特征图中正样本特征信息的同时降低了模型的复杂性。再次,为了避免过拟合造成梯度消失、激活效果弱的问题,提出使用swish激活函数。最后,在DOTA(dataset for object detection in aerial images)上进行实验,通过消融实验定性分析、通过对比实验定量验证了本文算法的最佳机制和有效性。结果表明:在添加asff和ECA机制并且优化swish激活函数的前提下,改进网络模型的全类平均正确率(mean average precision, mAP)达74.42%,较原始网络提升了12.75%;与当前应用广泛的目标检测算法Mobilenet-YOLOv4、YOLOv4、YOLOv5、YOLOX相比,本文算法实现了mAP 11.42%~17.84%的提升。

摘要：为解决太阳能电池板缺陷类型和尺度多样、小目标难以检测的难题,同时平衡各类缺陷的检测精度和速度,提出了一种改进轻量型YOLOv5的太阳能电池板缺陷检测方法。首先将网络模型部分卷积块替换为改进后的MobileOne Block模块,减少了模型参数量,提高模型检测速度;同时将主干网络的最后一层替换为SepViT Block,增强模型对全局信息的提取;然后设计了融合SimAM注意力机制的asff自适应特征融合模块,在改进多尺度特征提取的同时减轻模型的重量;最后增加P2检测层,提高小目标的检测效率,给模型带来持续的性能提升。实验结果表明,改进算法与原YOLOv5模型对比,参数量压缩了23.47%,检测速度达到了103 F/S,更好地实现嵌入式使用;检测精度达到了96.2%,比最新的YOLOv7-tiny提高了5.3%,证明了其优势。

摘要：高速公路广告牌人工巡检的作业方式危险系数高、效率低下,研发智能化巡检平台已然成为当下迫切的需求.针对上述问题,该文开展了如下工作:(1)自主构建了一份高速公路广告牌影像数据集,含多源图像数据2 200张;(2)提出了一种改进的YOLOv5s高速公路广告牌实时目标检测算法,该方法将骨干特征提取网络的CSP1-x结构替换为更轻量的PP-LCNet网络,以实现模型的轻量化;将特征图金字塔的特征融合层由原来的PA-Net网络替换为asff自适应空间特征融合网络,使颈部网络能对不同层级的特征自适应地融合,在空间上过滤冲突信息以抑制梯度反向传播时的不一致性,以解决高速巡检带来的目标尺寸变化剧烈以及运动模糊等导致的检测精度偏低的问题.基于自建数据集训练与其他主流算法开展对比实验,证明了该算法在检测精度和速度上的优势;通过开展消融实验,验证了该文所采用的两种改进方法对模型性能提升的有效性.

摘要：人脸检测是驾驶员驾驶行为检测和驾驶疲劳检测的首要前提,而实时检测效率和检测精度则直接影响最终的判别效果,同时轻量化设计也更有助于后期在嵌入式设备上的计划部署;为此,基于Yolov5s设计了一种轻量化的驾驶员人脸检测算法。首先采用Shufflenetv2作为特征提取主干,降低网络的参数量和计算复杂度;然后引入asff实现不同层间的人脸信息融合,并结合SIoULoss提升模型训练速度和检测精度。结果表明,该检测算法的性能和轻量化程度均得到了有效的提升,节省了硬件成本,满足设计要求。