由于恶劣的自然环境和光缆本身弧度的变化会影响全介质自承式(ADSS)光缆传输效率，同时一些如施工或超高车辆及烟火等环境隐患也会严重威胁其正常运行，提出了基于ADSS光缆弧垂在线监测及环境隐患预警算法。首先，采用倾角测量法对弧度进行实时监测；然后，对YOLOv4检测算法进行改进，并设计了可视化智能融合终端；最后，将所提算法与其它算法进行对比实验。实验结果表明：所提算法的平均精度为96.43%，实现了对通信光缆运行状态的实时监测、数据处理与故障分析和智能隐患异常报警,并集成融合为ADSS光缆在线监测可视化智能终端。

针对红外图像存在细节纹理特征差、对比度低、目标检测效果差等问题，基于 YOLOv4（You Only Look Once version 4）架构提出了一种融合通道注意力机制的多尺度红外目标检测模型。该模型首先通过降低主干特征提取网络深度，减少了模型参数。其次，为补充浅层高分辨率特征信息，重新构建多尺度特征融合模块，提高了特征信息利用率。最后在多尺度加强特征图输出前，融入通道注意力机制，进一步提高红外特征提取能力，降低噪声干扰。实验结果表明，本文算法模型大小仅为 YOLOv4的 28.87%，对红外目标的检测精度得到了明显提升。

遥感图像实时检测是遥感应用领域的关键技术问题之一, 针对目前主流的目标检测算法在图像处理器(GPU)上存在模型参数量大、实时性差、功耗大和成本高的问题, 提出一种基于现场可编程门阵列(FPGA)的遥感图像实时检测方案。首先, 为减少参数量、提高检测速度, 采用MobileNetv2作为特征提取网络, 融合深度可分离卷积, 使得模型轻量化便于部署; 接着,采用CA注意力模块提高检测精度;最后, 将模型浮点数参数量化为8位定点数, 并将量化后的网络模型在FPGA上完成部署。实验表明, 在遥感数据集VisDrone 2019上, 所提设计方案平均精度均值(mAP)达到14.79%, FPS达到46.78 帧/s, 平均功耗为8 W, 比CPU提高375.4%的检测速度, 比GPU降低96.8%的功耗。该方案可以满足实时目标检测的要求, 并且能够部署在功耗受限的卫星、无人机等设备上。

为了解决目前水果识别检测方法效率低、误检率高、通用性低、实时性差等问题, 提出了一种基于改进的你只用看一遍(YOLO)统一框架的实时目标检测YOLOv4算法的水果识别检测方法。首先在主干网络的基础上增加高效通道注意力机制, 增强网络提取图像语义信息能力; 其次用内卷算子替换主干网络中跨级局部模块连接处卷积层, 减小了模型大小, 增强了网络预测性能; 最后在路径聚合网络基础上添加残差模块, 加快网络收敛速度的同时防止了网络梯度爆炸。数据集选取生活中常见的火龙果、橙子、葡萄、青芒等10种水果, 拍摄共获得6670张图片。结果表明, 本文中的方法均值平均精度(MAP)为99.1%, 准确率为95.62%, 传输帧数为41.67/s; MAP相比YOLOv4提升了15.3%。该研究满足高检测精度和检测速度要求, 对水果识别精度的提高具有重要的参考价值。

针对遥感图像中小目标检测精度低以及漏检现象严重的问题, 提出一种基于YOLOv4改进的遥感小目标检测算法。该算法首先改进特征提取网络, 删除深层次特征层, 减少语义丢失现象;其次将轻量级注意力机制与RFB-S结构融合, 拓展感受野, 并加强网络对重要信息的关注程度, 从而提升检测精度;最后使用Focal Loss函数解决正负样本不均衡问题, 抑制背景目标, 进一步增强检测效果。在RSOD数据集上的实验结果表明, 改进后算法检测平均精度为96.5%, 召回率达到87.2%, 检测效果明显提升, 有效改善了小目标漏检现象, 对遥感图像小目标检测具有重要意义。

针对太阳能电池存在的缺陷问题，通过电致发光成像得到相关图像数据集，采用深度学习图像检测算法进行识别。对YOLOv4目标检测算法进行改进，将原算法的主干网络替换为DenseNet121，利用DenseNet121中的密集块对特征图像信息进行密集连接，以提升检测精准度和检测速度；采用Softer-NMS改进原算法中的非极大值抑制（NMS），提高边界框定位精确度，减少误检、漏检数量。由结果分析可知，在使用改进型算法后，模型检测精准度提升5.94个百分点。同时，设置消融实验探究所提改进方法对模型性能的影响程度。在与其他相关算法的参数性能对比中，参数指标表现良好，证明了所提方法的有效性和可行性。

为了有效地检测复杂场景下施工人员的安全帽佩戴情况，减少安全隐患，提出一种改进的YOLOv4安全帽检测算法（SMD-YOLOv4）。首先采用SE-Net注意力模块强化模型主干网络提取有效特征的能力；然后使用密集空洞空间金字塔池化（DenseASPP）代替网络中的空间金字塔池化（SPP）以减少信息丢失，优化全局上下文信息的提取；最后在PANet部分增加特征融合的尺度并引入深度可分离卷积，使网络在获得复杂背景下小目标细节信息的同时不降低网络推理速度。实验结果表明：在自建实验数据集下，SMD-YOLOv4算法的平均精度均值（mAP）达97.34%，较目前具有代表性的Faster R-CNN、SSD、YOLOv5、YOLOx和YOLOv4算法，分别高出了26.41个百分点、6.44个百分点、3.25个百分点、1.49个百分点和3.19个百分点，能满足实时检测的需要。

针对目标检测过程中存在遮挡导致的漏检和误检问题, 提出一种融合图像修复模块的**目标检测算法, 通过深度学习实现**目标的自动识别, 再结合图像修复对遮挡目标实现图像增强。对于目标检测模块, 在YOLOv4的基础上添加了卷积注意力机制, 来增强对目标识别的敏感程度以及网络的特征提取能力; 并且采用交叉迭代批量标准层, 提高模型的训练效率。图像修复模块是基于生成对抗网络设计的一种双生成器模型, 考虑到目标图像轮廓的完整性对图像的修复和目标的检测都有一定的影响, 增加了一个边缘生成网络, 图像修复模块旨在还原目标被遮挡的部位。模拟结果表明, 融合了图像修复模块的目标检测算法对遮挡目标的检测精度达到了79.63%, 较好地解决了遮挡情况下的漏检和误检问题。

针对目前遥感图像检测精度低、召回率低、实时性差等问题, 提出基于GhostNet和 CoT多分支残差网络(MBRNet)的遥感飞机检测算法。借鉴YOLOv4网络模型, 采用MBRNet作为新的主干网络, 从而减少梯度消失问题并弥补了CNN欠缺的全局特征计算能力; 为了减少小目标丢失问题, 同时在主干与PANet中引入多方位的特征提取与融合思路, 实现在高、低特征层之间和同尺度特征层之间的信息充分互补。提出的算法在具有背景复杂、过度曝光、目标密集等场景的RSOD 和LEVIR数据集上准确率达到了97.64%, 召回率达到了89.11%。