1 苏州科技大学物理科学与技术学院，江苏 苏州 215009
2 中国科学院长春光学精密机械与物理研究所应用光学国家重点实验室，吉林 长春 130033
针对传统水接触角测量过程需要人工干预，导致测量结果精度低、可复现性差等问题，提出一种基于改进Faster RCNN的水接触角测量方法。首先，把Faster RCNN骨干网络VGG16替换为ResNet101，在其残差块末尾处添加注意力机制模型convolutional block attention module（CBAM），增强网络提取特征的能力；其次，融入特征金字塔网络（FPN），充分提取不同尺度下的特征信息，此外，引入Focal损失函数来解决正负类样本不均衡的问题；最后，对定位到的水滴进行边缘检测和角点提取，再利用迭代重加权最小二乘法（IRLS）拟合椭圆轮廓计算水接触角。实验结果表明，改进后的Faster RCNN目标检测算法与原算法相比，平均精度均值提高10.794%，速度提升11 frame/s，水接触角测量结果平均标准偏差为0.109°。
图像处理 水接触角 特征金字塔网络 注意力机制 Faster RCNN 激光与光电子学进展
2024, 61(8): 0812002
重庆科技学院机械与动力工程学院，重庆 401331
现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高，本文提出一种基于改进 YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的 YOLO v5算法主要是在原来的基础上增添注意机制 SE模块，并且改进损失函数将 GIoU改为 EIoU提高模型收敛效果、最后采用 KG模块平衡特征金字塔结构对模型进行优化，用以提高 YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在 YOLO v5s模型中，在光伏组件红外图像的检测上的平均检测精度 mAP可以达到 92.8%，比原本的 YOLO v5s算法 88.3%提升了 4.5%，在精确度和召回率上的收敛效果也比原始 YOLO v5算法模型有所提高，改进后的网络结构应用于 l、m、x三种模型中，其检测精度都有所提升，因此改进后的 YOLOv5算法适用于 4种模型。
缺陷检测 深度学习 损失函数 SE模块 平衡特征金字塔结构 defect detection, deep learning, YOLOv5, loss func YOLOv5
传统接触式甲烷泄漏传感器检测范围小且效率低，而结合非接触式红外热成像的机器视觉算法可实现远距离、大范围红外甲烷实例分割，对于提高甲烷检测效率及保障人员安全具有显著优势。然而远距离甲烷气体图像轮廓模糊、泄漏的甲烷气体与背景对比度较低且形状易受大气流动因素影响等问题限制了红外甲烷实例分割性能。针对上述问题，本文提出一种空间信息自适应调控和特征对齐的网络模型（Adaptive spatial information regulation and Feature alignment Network， AFNet）实现甲烷泄漏红外实例分割。首先，为增强模型的特征提取能力，提出自适应空间信息调控模块赋予主干网络不同尺度残差块自适应权重丰富模型提取的特征空间；其次，构建加权双向金字塔弥补特征金字塔自顶而下的特征传播方式导致的低层特征空间位置和实例边缘信息弥散丢失问题，以适应甲烷气体复杂轮廓变化下前景目标定位检测和轮廓分割需求。最后，设计原型特征对齐模块捕获长距离气体特征之间的语义关系丰富原型语义信息量以改善生成目标掩码质量提高甲烷气体分割精度。实验结果表明，本文提出的AFNet模型AP50@95，AP50定量分割精度分别达到42.42%，92.18%，相比于原始Yolact模型分割精度，分别提高9.79%，6.18%，推理速度达到36.80 frame/s，满足甲烷泄漏分割需求。实验结果验证了本文算法对红外甲烷泄漏分割的有效性和工程实用性。
红外甲烷 自适应调控 特征对齐 特征金字塔 实例分割 infrared methane adaptive regulation feature alignment feature pyramids instance segmentation 光学 精密工程
2023, 31(20): 3034
1 天津大学精密仪器与光电子工程学院，天津 300072
2 甘肃康视达科技集团有限公司，甘肃 白银 730900
针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题，提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先，对比了3种特征提取网络的性能，选取ResNet50作为骨干网络；然后，引入特征金字塔网络（FPN），通过融合多层次的特征信息，提高Faster R-CNN的多尺度检测能力；最后，基于构建的隐形眼镜表面缺陷数据集，使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster R-CNN算法在测试集上的平均精度均值（mAP）达到了86.95%，相比于改进前的Faster R-CNN算法，提高了9.45个百分点，可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。
智能检测 表面缺陷 Faster R-CNN 特征金字塔网络 聚类标注 激光与光电子学进展
2023, 60(20): 2015004
1 昆明理工大学信息工程与自动化学院，云南 昆明 650504
2 云南省人工智能重点实验室，云南 昆明 650504
针对遥感图像中小目标对象存在像素少、信息有限、检测困难和失准等实际问题，对YOLOv5进行改进，提出增加残差连接与跨层注意力的方法来提升模型对遥感图像中小目标的检测能力。该方法采用对特征图进行残差连接并增加检测头的方式，有效提高了YOLOv5在遥感图像中对小目标的检测能力。此外，还通过跨层注意力为不同网络层的特征附加语义信息，从而提高模型对遥感图像中复杂背景信息的抑制能力。在Detection in Optical Remote（DIOR）遥感数据集的实验中，所提方法取得了86.4%的平均精度均值（mAP），小目标检测精度评价指标（APs）达23.4%，比基准网络高出5.9个百分点。实验结果表明，所提方法在遥感图像小目标检测问题上具有较好性能，同时也验证了特征金字塔中底层特征图与注意力机制对提升小目标检测性能具有十分重要的作用。
小目标检测 遥感图像 跨层注意力 特征金字塔 激光与光电子学进展
2023, 60(12): 1228011
1 西安工业大学兵器科学与技术学院，陕西 西安 710021
2 西安工业大学计算机科学与工程学院，陕西 西安 710021
3 西安工业大学发展规划处，陕西 西安 710021
4 西安工业大学电子信息工程学院，陕西 西安 710021
水下环境存在光线差、噪声大等复杂情况，导致传统水下目标检测方法检测精度较低、漏检率较高。针对上述问题，在现阶段通用的Faster R-CNN的基础上，提出一种自动色阶与双向特征融合的水下目标检测算法。首先，采用自动色阶对水下模糊图像进行增强处理；其次，采用PAFPN进行双向特征融合，以增强对浅层信息的表达能力；然后，在训练前后均引入柔性非极大值抑制（Soft-NMS）算法，来修正并生成候选目标区域；最后，采用FocalLoss函数，解决正负样本分配不均衡的问题。实验结果表明，所提算法在URPC2020数据集上的检测准确率可达59.7%，召回率可达70.5%，相比现阶段通用的Faster R-CNN算法，分别提高了5.5个百分点和8.4个百分点，有效提高了水下目标检测的准确率。
目标检测 图像增强 特征金字塔 柔性非极大值抑制 FocalLoss函数 激光与光电子学进展
2023, 60(6): 0610012
1 佛山科学技术学院 机电工程与自动化学院，广东佛山528000
2 季华实验室，广东佛山5800
3 佛山科学技术学院 物理与光电工程学院，广东佛山528000
为实现高亮反射金属圆柱形锅的自动快速检测及分拣，破解目前金属锅表面缺陷检测速度慢、效率低的技术难题，在YOLOX网络基础上引入双向特征融合网络，提出基于注意力机制的轻量化特征融合网络模型，实现计算模型的轻量化设计；同时，通过注意力机制模块对特征信息进行通道与空间的学习，有效缓解多尺度特征的语义鸿沟问题，提高了模型的检测精度；考虑网络对难易分类样本学习权重分配不平衡，设计基于衰减因子的分类损失函数；利用金属锅圆柱表面缺陷数据集完成了特征融合网络对比实验、分类损失函数对比实验和注意力机制模块位置消融实验。实验结果表明，融合注意力机制模型可有效识别6种不同形态的缺陷，测试集的平均检测精度mAP0.5达到90.92%，检测帧率达到30.84 frame/s，实现了金属锅圆柱表面缺陷的高精度快速识别与定位。
机器视觉 特征金字塔 注意力机制 金属表面缺陷 machine vision feature pyramid attention mechanism metal surface defects
针对传统表面缺陷检测无法适应工业复杂背景等问题，提出一种基于特征金字塔匹配和自监督的表面缺陷检测算法。首先，将两个基于通道注意力的残差网络提取的特征构成金字塔，根据网络各层输出的差异找到缺陷。其次，网络预训练的方式上采用了自我引导潜能（BYOL）自监督学习，经过自监督学习的网络可以提取通用特征，并提高缺陷检测方法的泛化性。最后，在遇到模糊图像时，采用基于不同分辨率的蒸馏训练来让学生网络充分学会提取图像的深度特征。对所提算法在3个数据集上进行了测试，实验结果证明，所提方法好于对照组，具有更高的缺陷检测精度。
图像处理 缺陷检测 特征金字塔 自监督学习 知识蒸馏 预训练网络 激光与光电子学进展
2023, 60(4): 0415006
针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet，YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。
机器视觉 目标检测 轻量级神经网络 注意力机制 特征金字塔 YOLOv4s 激光与光电子学进展
2023, 60(4): 0415008
