摘要：X射线无损检测是进行焊缝焊接质量检查的重要方法,为了提高射线评片效率和准确率,本文提出了基于轻量化yolo网络的实时X射线焊缝缺陷检测方法。首先,在分析焊缝射线检测图像特征的基础上,为提升焊缝图像缺陷检测精度与速度,设计了级联缺陷检测模型,先使用经过轻量化设计的焊缝定位网络定位缺陷集中分布的焊缝区域,再使用滑窗裁剪操作,将切割的小图输入到缺陷检测网络中进行精准的缺陷检测。然后,为了应对缺陷样本过少导致的网络过拟合问题,本文提出了基于负样本正常图像的Copy-Pasting数据增强策略,提升了缺陷检测精度。实验结果表明,本文提出的方法能够有效降低网络模型大小,同时mAP0.5达到99.5%,精确率99.8%,召回率99.6%,检测速度在20 frame/s至33 frame/s,能够满足实时辅助评片的要求。

摘要：在夜间光照不足、目标被遮挡导致信息缺失以及行人目标多尺度的情况下,可见光单模态行人检测算法的检测效果较差。为了提高行人检测器的鲁棒性,基于yolo提出一种可见光与红外光融合的行人检测算法。使用Darknet53作为特征提取网络,分别提取2个模态的多尺度特征。对传统多模态行人检测算法所使用的concat融合方式进行改进,设计结合注意力机制的模态加权融合层,以加强对融合特征图的模态选择。在此基础上,使用多尺度的融合特征进行行人检测。实验结果表明,模态加权融合较concat融合有较大的精度提升,且该算法在夜间光照不足、目标遮挡和目标多尺度情况下检测效果良好,在KAIST数据集上的检测精度优于HalFusion和Fusion RPN+BDT等算法,检测速度也有较大提升。

摘要：在基于深度学习的目标检测算法中,yolo算法因兼具速度与精度的优势而备受关注,但是将其应用于无人机遥感领域时存在检测速度较慢、计算资源要求较高、小目标检测精度不佳等问题。为此,提出基于yolo的轻量级小目标检测算法SS-yolo。使用轻量的主干网络提升算法的推理速度,根据特征金字塔网络分治思想,加入下采样倍数为4的高分辨特征图P2用于检测微小目标。为解决高分辨率特征图(P2、P3)中语义信息不足的问题,构建结合自适应融合因子的语义增强上采样模块。针对定位损失函数中IoU度量方法对目标尺寸敏感所带来的影响小目标定位精确性的问题,设计结合归一化Wasserstein距离度量方法与中心点距离惩罚项的L_(CNWD)定位回归损失函数。实验结果表明,与yolov5s以及最新的yolov7-tiny相比,改进后的SS-yolo模型参数量分别减少了31.3%和20.6%,与yolov7-tiny相比,mAP在VisDrone与AI-TOD数据集上分别提升了7.5和7.0个百分点;与yolov5s相比,mAP分别提升了2.3和3.6个百分点。当输入图片尺寸为800×800像素时,SS-yolo的FPS为110帧/s,能够在满足无人机等边缘设备实时检测的同时,显著提升小目标的检测结果。

摘要：为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种yolo(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统yolo深度卷积神经网络架构进行改进,设计一种更细化的SPP5(spatial pyramid pooling)特征融合网络模块,强化特征图多重感受野信息的融合,并基于此模块提出一种yolov4-SPP2-5模型,在标准yolov4网络中跨层添加并改进SPP层,重新分布池化核大小,增强感受野范围,从而降低目标误检率;其次,提出一种Greedy-Confluence的NMS改进算法,通过对高度接近的检测框直接抑制和对重叠检测框综合考虑距离交并比DIOU(distance-intersection over union)和加权接近度WP(weighted proximity)的方法,均衡NMS的计算消耗并减少检测框的错误抑制,从而提高遮挡、重叠物体的检测精度;最后,分别对改进方法进行性能测试,验证方法的可行性,随后制作水果检测数据集并进行格式转换和标签标注,然后采用数据增强技术对训练数据进行扩充,并使用K-means++聚类方法获取先验锚定框,在计算机上进行了水果检测实验。结果表明,基于改进yolo网络及改进NMS的水果检测方法在准确率方面有显著的提高,平均精度均值(mean average precision,MAP)在yolov4上达到了96.65%,较原网络提升1.70%,并且实时性也得到了保证,在测试设备上达到了39.26帧/s。

摘要：为解决密集小尺度人脸检测精度低的问题,提出一种改进yolo的密集小尺度人脸检测方法。使用目标框与真实框的面积交并比作为距离损失函数对传统的k-means聚类算法进行改进,结合小尺度人脸目标占比小且长宽比例接近1的特点,对候选框进行聚类,筛选合适的尺度数量;在不同层级的特征图进行细粒度的特征融合,对感受野较小的浅层特征进行空间降维通道升维后,与感受野较大的深层特征进行融合,提高对小尺度人脸特征的表示能力;结合聚类框,调整预测层的宽度和深度,形成适用于检测密集小尺度人脸网络结构。在WIDER FACE人脸检测数据库上进行实验的结果表明,该方法对密集小尺度人脸的检测精度有明显提高。

摘要：为了利用计算机视觉技术准确检测老年人的跌倒状况,针对现有跌倒检测算法中人为设计特征造成的不完备性以及跌倒检测过程中前后景分离困难、目标混淆、运动目标丢失、跌倒检测准确率低等问题,提出了一种融合人体运动信息的深度学习跌倒检测算法对人体跌倒状态进行检测。首先,通过改进yolov3网络进行前景与背景的分离,并根据yolov3网络的检测结果对前景人体目标进行最小外接矩形标记;其次,分析人体跌倒过程中的运动特征,将人体运动特征向量化并通过Sigmoid激活函数转化为0到1之间的运动权重信息;最后,通过全连接层将将运动特征与卷积神经网络(CNN)提取的特征进行拼接和融合从而实现人体跌倒分类判别。将所提跌倒检测算法与背景差分、高斯混合、VIBE、方向梯度直方图(HOG)等人体目标检测算法及阈值法、分级法、支持向量机(SVM)分类和CNN分类等人体跌倒判断方案进行了对比实验,并将所提跌倒检测算法在不同光照条件下和混合日常噪声运动干扰下进行了实验,结果表明所提算法在环境适应性和跌倒检测准确率上都优于传统的人体跌倒检测方法。该算法能有效检测出视频中的人体并对人体跌倒状态进行准确检测,进一步验证了融合运动信息的深度学习识别方法在视频跌倒行为分析上的可行性与高效性。

摘要：针对yolov4目标检测网络结构复杂,参数量以及计算量大等问题,提出了一种轻量化目标检测算法(yolov4-GC)。首先,使用ghostnet结构替换原始yolov4的主干网络,降低了获取冗余特征图像的计算量,在SPP与PANet模块中使用深度可分离卷积,使模型的计算量和参数量比原始yolov4分别降低82%和80%;再结合PyConv多尺度卷积设计出Py-PANet金字塔结构,提高了模型对于图像特征的提取和融合能力。在Pascal VOC数据集上的实验结果表明,在保证模型精度的情况下模型的参数量和计算量相比原始有明显降低。

摘要：基于深度学习的目标检测与识别在渔业养殖的应用中,存在数据集质量低,网络计算复杂度高、推理速度慢等问题,不易满足高实时性应用场景。本研究收集并标注83种水族馆鱼类的10042张图像数据集,在保证目标检测和识别能力、降低网络计算复杂度、提高推理速度的情况下,探究网络的优化方法。利用“深度可分离卷积”重新设计yoloV4网络的主干网络(backbone)对比Mixup、Cutmix、Mosaic等不同数据增强方式及Mish、Swish、ELU等不同激活函数对网络的优化效果。根据对比结果择优选择数据增强方式、激活函数的组合用于优化网络。结果显示:根据该方法优化的网络在测试集上的预测精确率达到94.37%,计算复杂度(BFLOPS)仅为5.47,相较yoloV4降低了93.99%。研究表明,本研究优化网络的方法,能够在保证检测与识别精确率的前提下,大幅降低网络计算复杂度、提高推理速度,为高实时性应用场景的鱼类目标检测与识别提供了参考。