1 昆明物理研究所，云南昆明 650221
2 河海大学理学院，江苏南京 210024
针对红外图像相对于可见光检测精度低，鲁棒性差的问题，提出了一种基于 YOLO的多尺度红外图目标检测网络 YOLO-MIR（YOLO for Multi-scale IR image）。首先，为了提高网络对红外图像的适应能力，改进了特征提取以及融合模块，使其保留更多的红外图像细节。其次，为增强对多尺度目标的检测能力，增大了融合网络的尺度，加强红外图像特征的进一步融合。最后，为增加网络的鲁棒性，设计了针对红外图像的数据增广算法。设置消融实验评估不同方法对网络性能的影响，结果表明在红外数据集下网络性能得到明显提升。与主流算法 YOLOv7相比在参数量不变的条件下平均检测精度提升了 3%，提高了网络对红外图像的适应能力，实现了对各尺度目标的精确检测。
目标检测 深度学习 红外图像 object detection, deep learning, infrared image, Y YOLO
北京理工大学 光电学院 “复杂环境智能感测技术”工信部重点实验室, 北京 100081
针对激光惯性约束核聚变实验中海量靶丸筛选效率低的问题, 提出一种基于改进YOLO-v5深度学习模型的靶丸快速筛选方法。方法通过控制靶丸在不同的景深处成像, 并将图像拼接在一起以获得其清晰图像; 同时引入通道注意力机制来增强模型的特征提取能力, 建立了SE-YOLOV5s深度学习靶丸表面缺陷识别模型, 并对靶丸缺陷按照缺陷种类进行了分类和评估从而实现对海量靶丸的筛选。靶丸表面缺陷检测的准确率为94.4%, 每秒可检测到约50张靶丸图像（分辨率3072×4096）, 为激光惯性约束核聚变试验提供一种快速、准确筛选海量靶丸的方法。
应用光学 聚变靶丸 目标识别 深度学习 YOLO算法 applied optics ICF capsules target identification deep learning YOLO algorithm
中国石油大学（华东）机电工程学院，山东青岛 266580
带涂层钢结构亚表面缺陷的存在例如腐蚀、钢基体裂纹及涂层脱粘等，会对整体结构的性能产生影响，并加速涂层系统退化过程。因此，提出一种基于 YOLO v5的带涂层钢结构亚表面缺陷脉冲涡流热成像智能检测方法。这一方法可以在不移除涂层的情况下自动检测带涂层钢结构亚表面缺陷，具有重要的工程应用价值。通过所提方法，在保留涂层的情况下，对带涂层钢结构中的腐蚀、裂纹、脱粘等亚表面缺陷进行智能检测。检测结果表明，本文所提方法能够精确地识别和分类带涂层钢结构的 4种亚表面缺陷类型：钢基体裂纹、脱粘、严重质量损失（如腐蚀凹坑、腐蚀磨损）以及轻微质量损失（如腐蚀薄层）。4种缺陷类型的检测精度分别高达 96%、97%、95%和 93%，同时满足实时性检测需求。
带涂层钢结构 缺陷智能检测 脉冲涡流热成像 coated steel structures, intelligent defect detect YOLO v5
1 武汉科技大学 信息科学与工程学院，湖北 武汉 430081
2 武汉科技大学 教育部冶金自动化与检测技术工程研究中心，湖北 武汉 430081
现有的多数人体姿态估计算法通过设计复杂的网络结构以获得高精度而导致速度较低。YOLO-Pose人体姿态估计算法吸收了先进目标检测算法的优点同时获得了较高的精度和速度，然而仍然存在漏检和误检问题。本文对YOLO-Pose算法进一步改进，针对人体姿态非刚性和人体关键点分布多样性的特点提出一种新的轻量级人体姿态检测算法。首先，设计了轻量级通道和空间注意力网络LCSA-Net以提升模型的特征提取能力；其次，采用了基于距离自适应的加权策略在模型训练时计算人体关键点回归损失以增强模型对远距离人体关键点的回归能力。在COCO 2017人体姿态数据集上的实验结果表明，与基准模型相比，两种改进策略均有效提升了人体姿态估计性能，实现了2%的mAP提升、1.5%的AP50提升和1.7%的AR提升。
人体姿态估计 YOLO-Pose 注意力网络 自适应加权 回归损失 human pose estimation YOLO-Pose attention net adaptive weighting regression loss
1 上海工程技术大学 机械与汽车工程学院，上海 201620
2 上海司南卫星导航技术股份有限公司，上海 201801
3 国网思极位置服务有限公司，北京 102211
针对传统目测法检测贴片二极管表面缺陷效率低下和基于手工特征的目标检测算法模型较浅，以及语义性不高等问题，提出了改进YOLO-V4的贴片二极管表面缺陷检测方法。首先考虑到随着网络加深使梯度消失，以及减少网络中的特征冗余和参数量的情况，CSP1模块采用DenseNet替换原网络中的ResNet；其次，为了实现特征信息的跨维度交互，让网络更加关注重要信息，在CSP1模块后引入了三分支注意力机制模块，同时使用FPN+PANet对特征进行融合；并且用CSP2替换CBL×5模块，降低了网络的运算量，提高了算法检测速度；最后优化了Focal Loss函数，对正负样本添加权重，以解决正负样本不平衡的问题。本文算法相较于YOLO-V4的检测精度（precision，P）、召回率（recall，R）和多分类平均精度（mean average precision，mAP），分别高出2.98%，2.65%，2.92%，表明改进YOLO-V4可以有效检测贴片二极管表面缺陷问题。
YOLO-V4算法 DenseNet CSP2 三分支注意力机制 Focal Loss函数 YOLO-V4 algorithm DenseNet CSP2 three-branch attention mechanism Focal Loss function
为进一步提升空中作战条件下目标检测的性能, 本文通过优化 YOLO v3, 提出了一种基于空中红外目标的检测算法 EN-YOLO v3。该算法使用轻量的 EfficientNet骨干网络作为 YOLO v3的主干特征提取网络, 使模型参数大幅减少, 降低模型的训练时间; 同时选用 CIoU作为模型的损失函数, 优化模型损失计算方法, 提升模型的检测精度。结果表明, 优化后的 EN-YOLO v3目标检测算法与原 YOLO v3相比模型尺寸减少了 50.03%, 精准度提升了 1.17%, 能够有效提升红外场景下空中目标的检测效果。
红外场景 空中目标检测 模型优化 infrared scene, aerial target detection, YOLO v3, YOLO v3
1 哈尔滨理工大学测控技术与通信工程学院, 黑龙江 哈尔滨 150080
2 哈尔滨理工大学黑龙江省激光光谱技术及应用重点实验室, 黑龙江 哈尔滨 150080
针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题, 提出一种特征增强的 YOLO v5s故障检测算法。首先对损失函数进行优化, 将原有的回归损失计算方法由 GIOU(generalized intersection over union)改为功能更加强大的 EIOU(efficient intersection over union)损失函数, 并自适应调节置信度损失平衡系数, 提升模型训练效果; 随后, 在每个检测层前分别添加 InRe特征增强模块, 通过丰富特征表达增强目标特征提取能力。最后, 用创建的红外光伏数据集进行对比验证。实验结果表明: 本文方法均值平均精度(mean average precision, mAP)为 92.76%, 检测速度(frame per second, FPS)达到 42.37 FPS, 其中热斑、组件脱落两种故障类型平均精度分别为 94.85%、90.67%, 完全能够满足无人机自动巡检的需求。
故障检测 特征增强模块 fault detection, YOLOv5s, EIOU, feature enhancemen YOLO v5s EIOU
南昌航空大学信息工程学院, 江西 南昌 330063
针对传统视觉背景提取(visual background extractor, ViBe)算法在进行行人检测时会产生鬼影的缺点, 本文提出了一种基于改进的 ViBe和 YOLO v3算法的行人检测方法。利用改进的 YOLO v3算法 YOLO v3-SPP(spatial pyramid pooling)对 ViBe算法的初始化策略进行改进以消除鬼影。运用 YOLO v3-SPP算法对首帧图像进行行人检测, 使用本文提出的行人消除方法将检测出的行人进行消除, 并将输出图像代替 ViBe算法的首帧, 从而达到消除鬼影的目的。经过分析和实验验证, 结果表明该算法能够有效解决鬼影问题。
图像处理 行人检测 视觉背景提取 鬼影消除 YOLO v3算法 image processing, pedestrian detection, visual bac
