基于R-D SSD模型航空发动机安装工位检测算法

为解决航空发动机在安装过程中大多实行人工安装、定位不精确等问题，在研究其自动化安装方法中，针对航空发动机安装工位的检测需求，提出了一种残差网络与膨胀卷积相融合的SSD改进算法(R-D SSD)。将经典SSD模型的主干网络VGG16替换为残差网络ResNet-101，并增加其输出特征图上的预选框数量，解决了原始算法对底层特征抓取能力不足的问题，进而弥补了对小目标检测效果较差的缺陷；利用膨胀卷积扩大网络的感受野，获取足够的安装工位边缘特征细节信息，在不改变网络结构的同时，保证了模型良好的实时性和对目标的检测精度。实验表明:对于小目标数据集和整个数据集，R-D SSD算法的平均检测精度较原始算法分别提高了8.6%和4.0%，可以满足航空发动机安装时平均检测精度不低于85%的要求。      

改进YOLOv4的表面缺陷检测算法

为解决航空发动机部件表面缺陷检测精度低、检测速度慢的问题,提出一种改进的YOLOv4算法进行智能检测。在路径聚合网络（PANet）结构中融合浅层特征与深层特征,增大特征检测尺度,同时去除自下而上的路径增强结构,提高小目标检测精度和整体检测速度;根据各类缺陷数量不同的情况,优化聚焦损失中的平衡参数,增加权重因子调节各类缺陷的损失权重,将改进后的聚焦损失代替分类误差中的交叉熵损失函数,降低样本不平衡和难易样本对检测精度的影响。实验表明：相比于原始YOLOv4算法,改进后的YOLOv4算法在测试集上的平均精度均值（mAP）为90.10%,提高了2.17%;检测速度为24.82 fps,提高了1.58 fps,检测精度也高于单发多框检测（SSD）算法、EfficientDet算法、YOLOv3算法和YOLOv4-Tiny算法。     

基于注意力机制和改进YOLOv3的红外弱小目标检测

红外弱小目标检测技术是红外探测系统的核心技术之一。针对远距离复杂场景下红外弱小目标对比度低、信噪比低和纹理特征稀疏分散导致目标检测率低的问题,提出一种融合注意力机制和改进YOLOv3的红外弱小目标检测算法。首先,在YOLOv3的基础上,用更大尺度的检测头替换最小尺度的检测头,在保证推理速度的基础上有效提升了红外图像中小目标的检测概率。然后,在检测头之前设计了Infrared Attention模块,通过通道间的信息交互,抽取出更加关键重要的信息供网络学习。最后,用完全交并比损失（Complete IoU Loss）替代交并比损失（Intersection over Union Loss）来衡量预测框的检测能力,通过梯度回传实现更好的模型训练。实验结果表明,本文提出的YOLOv3-DCA 能完成多种场景下红外弱小目标的检测任务,且检测准确率、召回率、F1和平均准确率分别达到91.84%、88.85%、93%和88.82%,平均准确率比YOLOv3基线提升约7%,与主流的SSD、CenterNet和YOLOv4模型对比平均准确率也取得了目前最优。     

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题，提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法，算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节，以充分利用模型中的低层特征，增加细节信息；改进模型的区域生成网络，加入多种滑动窗口，从而优化了模型锚点的长宽比设置，提高检测能力。实验表明，改进Faster RCNN模型取得最优的缺陷检测结果，对于小缺陷目标仍取得较好的检测精度，从而验证了算法的有效性。     

基于倒置残差注意力的无人机航拍图像小目标检测

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和深层语义信息,提升小目标的检测精度;在特征融合部分设计多尺度特征融合模块,融合浅层空间信息和深层语义信息,并生成4个不同感受野的检测头,提升模型对小尺寸目标的识别能力,减少小目标的漏检;设计马赛克混合数据增强方法,建立数据之间的线性关系,增加图像背景复杂度,提升算法的鲁棒性。在VisDrone数据集上的实验结果表明：所提模型的平均精度均值比DSHNet模型提升了1.2%,有效改善了无人机航拍图像小目标漏检、误检的问题。     

面向目标检测的双驱自适应遥感图像超分重建方法

有光学遥感图像超分重建方法主要是生成视觉上令人满意的图像,并未考虑后续目标检测任务的特殊性,不能有效地应用到目标检测中。基于此,提出了面向目标检测的双驱动自适应多尺度光学遥感图像超分重建方法,将超分重建网络和目标检测网络结合起来,进行联合优化。针对光学遥感图像的特点设计了自适应多尺度遥感图像超分重建网络,集成选择性内核网络和自适应特征门控单元来特征提取和融合,重建出初步遥感图像。通过提出的双驱动模块,将特征先验驱动损失和任务驱动损失传到超分重建网络中,提高目标检测的性能。在UCAS-AOD和NWPU VHR-10数据集上进行实验,并与5种主流方法进行比较,所提方法的峰值信噪比和平均准确率相较于FDSR方法分别提高了1.86 dB和3.73%。实验结果表明,所提方法和光学遥感图像目标检测结合可以取得更好的效果,综合性能更佳。      

基于跨尺度特征聚合网络的多尺度行人检测

行人的空间尺度差异是影响行人检测性能的主要瓶颈之一。针对这一问题，提出了跨尺度特征聚合网络（TS-FAN）有效检测多尺度行人。首先，鉴于不同尺度空间呈现出的特征差异性，引入一种基于多路径区域建议网络（RPN）的尺度补偿策略，其在多尺度卷积特征层上自适应地生成一系列与其感受野大小相对应的候选目标尺度集。其次，考虑到不同层次卷积特征在视觉语义上的互补性，提出了跨尺度特征聚合网络模块，其通过横向连接、自上而下路径和由底向上路径，有效地聚合具有语义鲁棒性的高层特征和具有精确定位信息的低层特征，实现对卷积层特征的增强表示。最后，联合多路径RPN尺度补偿策略和跨尺度特征聚合网络模块，构建了一种尺度自适应感知的多尺度行人检测网络。实验结果表明，所提方法与当前一流的行人检测方法TLL-TFA相比，在整个Caltech公开测试数据集上（All:行人高度大于20像素）的行人漏检率降低到26.21%（提高了11.94%），尤其对于Caltech小尺寸行人子数据集上（Far:行人高度在20~30像素之间）的行人漏检率降低到47.30%（提高了12.79%），同时在尺度变化剧烈的ETH数据集上的效果也取得显著提升。      

基于改进YOLOv5s的安全帽检测算法

针对现有安全帽检测算法难以检测小目标、密集目标等缺点，提出一种基于YOLOv5s的安全帽检测改进算法。采用DenseBlock模块来代替主干网络中的切片结构，提升网络的特征提取能力；在网络颈部检测层加入SE-Net通道注意力模块，引导模型更加关注小目标信息的通道特征，以提升对小目标的检测性能；对数据增强方式进行改进，丰富小尺度样本数据集；增加一个检测层以便能更好地学习密集目标的多级特征，从而提高模型应对复杂密集场景的能力。此外，构建一个面向密集目标及远距离小目标的安全帽检测数据集。实验结果表明：所提改进算法比原始YOLOv5s算法平均精确率（mAP@0.5）提升6.57%，比最新的YOLOX-L及PP-YOLOv2算法平均精确率分别提升1.05%与1.21%，在密集场景及小目标场景下具有较强的泛化能力。     

一种复杂场景下的人眼检测算法

针对复杂场景下的人眼检测问题，间接方法和直接方法具有一定的局限性。提出了一种不依赖人脸检测的直接型人眼检测算法，以解决复杂场景下多尺度尤其是小尺度人眼检测问题。算法通过减少下采样因子并加入扩张残差单元以提升小尺度人眼检测能力，且对多尺度特征相互拼接以保证多尺度人眼检测的精度。同时，算法借助于压缩特征输出通道降低了模型复杂度，使人眼检测效率得以提升。实验结果表明:所提模型可以在小尺度下有效地进行左右眼区分，并在红外数据上表现良好。经在DIF数据集上进行训练与测试，所提模型在较小尺度下人眼检测精度达到82.59%，检测效率达到30.5 fps。      

基于YOLOv5的红外目标检测算法

针对红外图像的特点,提出了一种YOLOv5-IF算法,使用了基于残差机制的特征提取网络,实现了不同特征层之间信息的高效交互,能够得到更丰富的目标语义信息。通过改进YOLOv5的检测方案,增加更大尺度的检测头,有效提升了红外图像中小目标的检测概率。针对计算平台资源有限、算法实时性等问题,设计了Detection Block模块,并由此构建了特征整合网络,该模块不仅能提升算法检测精度,还有效缩减了模型参数量。在FLIR红外自动驾驶数据集上,本文算法的平均准确率（mAP）为74%,参数量仅19.5MB,优于现有的算法。     

基于改进型YOLO算法的遥感图像舰船检测

目标检测算法在PASCAL VOC等数据集中取得了非常好的检测效果，但是在大尺度遥感图像中舰船目标的检测准确率却很低。因此，针对可见光遥感图像的特点，在YOLOv3-Tiny算法的基础上增加了特征映射模块，为预测层提供丰富的语义信息，同时在特征提取网络中引用残差网络，提高了检测准确率，从而有效提取舰船特征。实验结果表明:优化后的M-YOLO算法检测准确率为94.12%。相比于SSD和YOLOv3算法，M-YOLO算法的检测准确率分别提高了11.11%和9.44%。      

基于EfficientDet的无预训练SAR图像船舶检测器

针对多尺度、多场景的合成孔径雷达(SAR)图像船舶检测问题，提出了一种基于EfficientDet的无预训练目标检测器。现有的基于卷积神经网络的SAR图像船舶检测器并没有表现出其应有的出色性能。重要原因之一是依赖分类任务的预训练模型，没有有效的方法来解决SAR图像与自然场景图像之间存在的差异性；另一个重要原因是没有充分利用卷积神经网络各层的信息，特征融合能力不够强，难以处理包括海上和近海在内的多场景船舶检测，尤其是无法排除近海复杂背景的干扰。SED就这2个方面改进方法，在公开SAR船舶检测数据集上进行实验，检测精度指标平均准确率(AP)达到94.2%，与经典的深度学习检测器对比，超过最优的RetineNet模型1.3%，在模型大小、算力消耗和检测速度之间达到平衡，验证了所提模型在多场景条件下多尺度SAR图像船舶检测具有优异的性能。      

基于深度学习的无人机视觉目标检测与跟踪

针对目标检测中小目标物体漏检率及误检率高等问题,提出了一种基于Yolov3-Tiny算法的改进模型。改进k-means聚类方法,增加3×3和1×1的卷积池化层,将第9层卷积输出上采样,并与第8层卷积得到的特征图进行连接,得到新的输出:52×52卷积层,形成新的特征金字塔。基于卡尔曼滤波算法实现目标跟踪,提出融合跟踪算法的检测网络,使用匈牙利匹配算法对检测边缘框与跟踪边缘框进行最优匹配,利用跟踪结果修正检测结果,提高了检测速度,同时提升了检测能力。在ROS、Gazebo和自动驾驶仪软件PX4的综合仿真环境下对所提算法进行了对比试验。试验结果表明:改进算法平均检测速度降低了15.6%,mAP提高了6.5%。融合跟踪算法后的网络平均检测速度提高了34.2%,mAP提高了8.6%。融合跟踪算法后的网络能够满足系统实时性和准确性的要求。      

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征，传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究，且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象，结合图像处理和神经网络等方面的知识，创建了来自不同数据源的陨石坑样本数据库，研究了数据源对网络模型泛化能力的影响，提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上，提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证，构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率，在同源验证集上识别率可达0.985，在异源验证集上识别率可达0.863，并且有效改善了目标检测时检测框冗余及误检测的问题。      

多尺度特征融合的Anchor-Free轻量化舰船要害部位检测算法

反舰导弹对舰船要害部位的精确打击能力是精确制导武器的关键技术之一。针对反舰导弹导引头对舰船要害部位检测精度低、特征提取能力不足,预测框的处理降低检测速度等问题,提出了一种多尺度特征融合的Anchor-Free轻量化舰船要害部位检测算法。由于舰船要害部位检测数据具有多尺度、多角度特性,引入多尺度特征融合模块,综合利用不同感受野的检测信息,优化特征提取;利用高效轻量化注意力机制改进Hourglass结构中的跨层连接,提升检测精度,降低算法总参数量;使用迁移学习有效提升算法收敛效果。在建立的舰船要害部位检测数据集和公开的PASCAL VOC数据集进行实验,检测准确率分别提升了4.41%和5.57%,分析算法参数与运算量,设计了模块消融实验,论证了所提算法的有效性。