摘要：为了解决钢铁缺陷检测任务中小尺度、形态复杂、结构模糊目标导致现有算法精度低漏检率高问题,提出了基于YOLOv5s的SDD-YOLO算法。SDD-YOLO通过使用双层路由Transformer将局部特征与全局特征结合,提高对结构模糊的缺陷的检测效果;设计了全新的CSDA注意力,增强空间和通道的信息交互能力;使用nwd距离改进NMS算法,提高对小尺度目标的检测精度;设计了一种新的特征提取结构,降低梯度信息损失。使用增强后NEU-DET数据集实验后表明,SDD-YOLO算法相比YOLOv5s召回率提升了6.22%,平均精度均值提高了5.38%,提高了对多种缺陷类型的检测能力同时能够满足实时检测的需求。

摘要：针对SAR舰船数据集小物体在图像中像素占比小、物体识别不清、检测效率低等问题,提出一种改进YOLOv7的SAR舰船目标检测算法STSD-YOLO。首先,根据SAR图像特点,重新设计网络结构,改变多尺度特征融合与特征提取的关系,解决下采样次数过多而丢失细节特征的问题;然后,使用轻量型注意力机制Shuffle Attention,在空间域与通道域注意力机制基础上,融合特征分组与通道置换,提升网络特征提取能力,降低计算复杂度;其次,引入卷积变体DSConv,通过在可变量化内核中仅储存整数来实现减少计算量;最后,加入nwd度量,将边界框建模为2D高斯分布,以衡量小物体的边界框之间的相似性来增强对小物体的检测性能。使用HRSID舰船数据集进行了实验验证,结果表明,相较于基准算法,所提STSD-YOLO算法在舰船检测任务中mAP提升9.9%,模型体积下降62.55%。通过对比实验验证,所提改进算法对比其余主流算法检测效果更优,能有效解决SAR图像检测的问题,可以胜任SAR图像中的舰船检测任务。

摘要：佩戴安全帽能够保护生产工作者头部免受坠物撞击带来的伤害;轧钢车间存在空间跨度大、作业设备繁多、环境杂乱、昼夜光照差别大、炫光、监控目标尺度变化范围大等问题,增加了安全帽佩戴检测难度;针对上述问题,设计了基于改进YOLOv7模型的轧钢车间安全帽佩戴检测方案;算法基于nwd方法改进损失函数以提高目标检测精度,并在SPPCSPC模块上增加了BiFormer模块,使模型对小目标具有更好的检测精度,同时不会增加运算负担,优于其他注意力机制;在自建安全帽数据集上对改进的YOLOv7模型进行训练,实验表明,改进的YOLOv7模型平均精度均值为99.3%,检测速度达82FPS,与其他主流算法、改进算法对比,改进YOLOv7的mAP指标最高,大大超过了其他模型的指标,同时检测速度基本与改进模型前相差不大,并没有因为精度提高而明显降低检测速度,有较好效果。