基于改进YOLOv5的无人机影像道路裂缝检测方法

道路裂缝的出现对道路使用寿命和人车安全带来明显影响,需及时检测出道路裂缝。针对无人机影像中裂缝目标小、图像背景复杂导致检测精度低等问题,本文以无人机采集裂缝图像作为研究数据,提出了一种改进YOLOv5模型的深度学习道路裂缝检测方法。在YOLOv5模型骨干网络中分别加入CBAM、SimAM、CA注意力机制,提高模型对裂缝的识别能力及检测精度,通过消融试验进行对比分析,同时在YOLOv5模型上融入自适应空间特征融合算法,改善裂缝特征提取能力。研究表明,改进后的YOLOv5网络模型相比于原模型,精度得到明显提高,均值平均精度(mAP)提升20.6%,在保证准确性的同时有效提高了检测精度,可为道路裂缝检测提供新的方法。     

一种基于改进YOLOv3的遥感影像飞机目标检测算法

针对遥感影像场景复杂,飞机目标尺寸小、特征不明显的问题,提出一种基于改进YOLOv3的遥感影像飞机目标检测算法。首先对YOLOv3的特征提取网络的结构进行改进,并将网络的检测尺度由3个扩展至4个,提高小目标的检测率;其次采用线性加权的非极大值抑制算法,降低排列交错紧密的小目标的漏检率;最后在本文设计的数据集上将该算法与YOLOv3进行对比实验。结果表明,改进后的算法对复杂背景下的小尺寸飞机目标的检测准确率和召回率均有明显提升,验证了本文算法的有效性和鲁棒性。     

一种改进YOLOv4的遥感影像典型目标检测算法

如何使传统神经网络算法对遥感影像典型目标检测表现出良好的适应性是当前遥感领域的一项难点.在深入解析最新YOLOv4网络结构及算法核心思想前提下,首先通过增加104×104的特征层尺度并嵌入SE模块进行网络结构改进;继而根据待检测目标尺度特点调整锚点框,提高YOLOv4算法对遥感影像典型目标检测性能;最后设计对照实验进行...     

基于改进ShuffleNetv2的轻量化遥感影像地面目标检测方法

提出一种用于遥感影像地面目标检测的轻量化检测模型,以ShuffleNetv2作为模型的特征提取骨干网络,在网络前三层引入基于风格重新校准通道注意力模块来提高模型对小尺寸样本的学习能力;使用多级特征图融合机制构建特征图金字塔,将浅层特征与深层充分融合,以进一步增强模型对不同尺寸目标特征的学习能力。基于RSOD Dataset创建训练和测试数据集,并在消融实验中验证了所使用改进策略对精度提高的实际效果,在模型对比试验中验证了本文模型在检测精度、速度以及模型体量方面的优越性。     

基于多结构元素复合滤波的形态学边缘检测

为了进一步提高形态学边缘检测算法的性能,设计了一种多结构元素复合滤波器,定义了一种具有方向估计的形态学梯度,并在此基础上提出了一种对噪声不敏感的边缘检测算法。该算法充分发挥形态学变换方式和结构元素的噪声抑制和细节保持性能,用含有方向信息的结构元素检测图像的边缘,并通过沿梯度方向进行非极大值抑制获取单像素宽边缘。实验结果表明,本算法边缘检测效果良好,抗噪性能强,且处理速度较快。     

基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。     

改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN (Region Proposal Network)机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。     

基于道路要素的多尺度路网数据模型

GIS-T路网数据模型是实现ITS应用的前提和基础。本文以道路要素作为表达、存储和组织路网数据的基本单位,考虑不同尺度下的应用需求,提出了基于道路要素的多尺度路网数据模型,同时建立了道路拓扑关系与车道拓扑关系。本模型在不同尺度下分为3个层次,不同层次的要素之间建立了实体对应关系。该模型在交通标志标线布设方案自动生成系统上的实验表明,其建模方法是可行、有效的。     

轻型卷积网络遥感影像多地物快速检测方法研究

针对低算力硬件环境下,常规遥感影像目标检测方法难以正常运行的问题,提出一种轻型遥感影像检测模型。以深度可分离卷积核与平均池化下采样并联结构搭建特征提取结构,然后在特征提取结构末端连接双层轻型特征强化金字塔,最后在检测输出端口使用改进非极大值抑制算法输出最佳检测框。以多个开源遥感影像数据集构建测试数据集,同时使用改进的k-means++算法进行锚点框聚类。实验结果表明,本文模型在平均精度均值方面显著优于对比模型,同时能够在低算力硬件中开展实时级检测,具有实际应用价值。     

基于特征注意力金字塔的遥感图像目标检测方法

遥感图像场景复杂、目标大小不一、分布不均衡等特点增加了目标检测的难度,而适于检测不同尺度目标的特征金字塔融合不同深度的特征图时,没有考虑特征图各自的重要性,没有强调目标区域的特征,为此本文提出基于特征注意力金字塔的遥感图像目标检测方法 FAPNet(Feature Attention Pyramid Network)。首先,使用通道拼接方式融合不同深度的特征图,给用于检测的特征图提供不同大小感受野的特征,并基于通道注意力对融合的特征图在通道维度重标定,根据特征图所负责检测目标的尺度自适应地调整不同大小感受野特征的权重,强化感受野大小与待检测目标尺度匹配度较高的特征,弱化匹配度较低的特征。其次,使用叠加的扩张空间金字塔池化结构,结合弱监督分割网络建模位置注意力,强化目标区域特征,弱化背景区域特征,进一步提升目标检测方法的性能。实验结果表明,相较于RetinaNet,针对汽车目标,所提方法在UCAS-AOD数据集和RSOD数据集上检测精度AP分别提升了3.41%和2.26%,针对多类目标所提方法在各目标上取得了较优的AP结果,且mAP结果优于其他比较方法。     

基于多尺度特征融合的遥感影像目标检测

提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。     

基于神经网络的无人机影像多目标检测方法

针对现有方法检测无人机目标时精度与泛化能力不足,提出一种基于回归的多目标检测方法.使用密集连接增强层间信息传递,添加批量再规范化(Batch Renormalization,BRN)层加速模型训练,降低样本分布不均而导致的精度偏低,使用密集连接结构聚合上采样层不同层信息.以开源数据集Vision Drone为基础建立优化数据集训练模型.结果表明,提出模型检测精度达89.57％平均精度均值,相比(You Only Look Once v3,YOLOv3)模型和(Region Full Convolutional Network,R-FCN)分别提高6.53％和3.11％,检测速度达27每秒传输帧数,在不同场景表现稳定.     

基于面向对象算法的道路信息提取研究

道路作为重要的基础设施,其信息的快速提取对于地面空间数据库的更新具有重要的理论与现实意义。本文将面向对象的思想引入影像道路分析提取中,按照局部区域与相邻区域的"异质"特征对高分辨率影像进行多尺度分割,产生"同质"像素集,得到最优尺度参数;然后通过探究最优特征组合及最邻近分类提取,面向对象道路提取用户精度可以达到96.5%。通过多次实验对比分析,旨在探索基于面向对象算法道路信息提取的最佳方法。     

注意力空洞卷积无人机遥感多目标检测方法研究

针对无人机遥感影像中多类别目标的检测问题,本文提出一种单阶段的深度学习新目标检测模型。在特征提取结构内,首先使用空洞卷积核来构建基本的提取结构,让模型在提取过程中获取感受野更大、原始信息保留更充分的特征图;针对小目标检测精度不佳问题,采用通道注意力与空间注意力组合的多路注意力机制来提高模型对真实目标的关注程度;在特征图连续上采样的基础上,将来自同层以及高层下采样的特征图进行融合来获取鲁棒性更强、语义信息更充分的特征图实施最终的检测。以VisDrone、DLR-MVDA数据集和路采影像组成数据集,并使用暗通道先验等方法对其进行强化,组成训练数据集对模型进行训练。实验结果表明,本文所提出的模型对于无人机遥感影像中的多种类别的目标均能够实现较好的检出,其平均精度均值较其余3种基准模型分别提高8.56%、4.58%及15.81%,检测速度可以达到25帧/s的水平,说明所提出模型能够针对遥感影像中的多类别目标实施快速精准的检测,同时具有较好的泛化能力。     

一种露天矿区非结构化道路分割检测方法

针对露天矿道路非结构化、边缘不清晰,难以用传统图像分割方法对其进行快速、有效识别的问题,该文提出一种基于双边分割优化网络(DAM-BiSeNetV2)的矿区道路快速检测方法。该方法以双边网络架构为基础,通过在细节分支后添加基于通道注意力机制的压缩激励模块,增强通道间特征的显性关系,以达到感知重点区域、突出局部特征的作用;并利用轻量化的特征金字塔注意力机制优化语义分支,提升了上下文之间的特征整合,更加高效地提取高层次的道路语义信息并最大程度保留空间位置信息;最后将局部语义特征与高层语义特征进行融合,以提升矿区非结构化道路检测效果。实验结果表明,该方法对露天矿区非结构化道路检测精度达到97.4%,实时检测速度达到64 fps,能够实现对复杂背景下露天矿区非结构化道路进行有效识别,检测出道路安全行驶区域。     

基于YOLOv5目标检测模型和视觉的垂直位移测量方法

基于视觉的结构位移测量方法具有低成本、高精度、多点测量等优点,在实际工程中得到了广泛的应用。提出基于YOLOv5目标检测模型和视觉的封闭空间建筑物垂直位移测量方法,该方法利用YOLOv5目标检测模型识别和提取标志物兴趣区域,减少了后续标志物定位与跟踪的计算量。以基准点反算CCD相机架设的观测点位移量,并归算由相邻帧间标志物圆心像素变化转化的垂直位移值,实现观测点移动状态下封闭空间建筑物位移测量。实验结果表明,该方法得到的垂直位移测量的最大误差小于0.16 mm,能够满足工程结构垂直位移测量与监测的需要。     

Dense RFB和LSTM遥感图像舰船目标检测

针对当前遥感图像舰船目标检测精度不佳问题,本文构建舰船目标数据集STAR,提出基于Dense RFB和LSTM多尺度舰船目标检测算法。该算法首先在SSD网络基础上设计了浅层特征增强模块,基于人眼视点图采用Dense RFB特征复用和膨胀卷积增大感受野的尺度和种类,增强浅层网络对细节特征的提取能力;其次设计了深层多尺度特征金字塔融合模块,采用FPN和LSTM思想,基于反卷积和残差网络对深层不同尺度特征进行融合,增强网络结构非线性和特征层的表征能力;最后加入聚焦分类损失函数进行联合训练,有效避免了正负样本失衡问题。在遥感图像舰船数据集上实验,本文所提舰船目标检测算法精度均值达到81.98%,检测速度达到29.6帧/s。此外,遥感图像中成像模糊、被遮挡、部分被裁剪等舰船目标的检测效果也优于原有经典算法,实验结果表明该算法对遥感图像舰船目标检测的泛化能力较强,有效地提高了遥感图像舰船目标检测的精度。     

联合BEMD和WMM方法实现位场多尺度边界检测

利用不同尺度下的位场数据进行边界检测可获得相应的多尺度边界信息,其在区域地质构造单元划分、地质填图、矿产资源圈定和结晶基底研究等方面具有广泛应用。通过联合二维经验模态分解（bi-dimensional empirical mode decomposition, BEMD）和小波模极大值（wavelet modulus maximum, WMM）方法实现位场数据多尺度分解及各尺度异常边界检测,首先,证明了BEMD方法能够实现对位场的多尺度分解,且分解各尺度异常具有实际地质含义;然后,对构建的模型重力异常进行边界检测,结果显示, WMM方法具有良好的抗噪声干扰能力,能够清晰、准确地检测出组合模型体的边界位置、走向及分布范围;最后,将该联合方法用于三峡地区布格重力异常的多尺度分解和各级固有模态函数的边界检测,结合径向对数功率谱曲线对分解各尺度异常进行场源深度估计,得到了三峡地区不同深度层位上的构造或岩体线性分布特征,并对各尺度异常边界检测结果与区域地质构造特征进行了比较分析和解释,验证了该方法的优越性和有效性。     

一种多孔径SAR图像目标检测方法

提出了一种多孔径SAR图像目标检测方法,充分利用SAR图像幅度和相位信息来区分人造目标和杂波。由于人造目标的回波能量往往集中在部分方位角范围内,当该部分方位角范围所对应的多个子孔径图像中存在目标时,其局部相关性较强,因此,该方法利用多个子孔径图像之间的相干系数检测目标。实验结果表明,该方法有效地提高了目标检测概率,同时降低了虚警概率。     

基于支持向量机的特定目标检测方法

提出了运用支持向量机进行目标检测的方法。通过对航空影像中的军事目标和自然背景两类样本进行学习,支持向量机检测方法建立了针对目标和非目标有效区分的识别模型,该模型能够对航空影像中所有的区域进行快速的检测和识别,检测到所有感兴趣的人造军事目标。试验表明,该方法快速、高效且具备一定的鲁棒性。