CN116343045A - 基于YOLO v5的轻量化SAR图像舰船目标检测方法 - Google Patents
基于YOLO v5的轻量化SAR图像舰船目标检测方法 Download PDFInfo
- Publication number
- CN116343045A CN116343045A CN202310342382.5A CN202310342382A CN116343045A CN 116343045 A CN116343045 A CN 116343045A CN 202310342382 A CN202310342382 A CN 202310342382A CN 116343045 A CN116343045 A CN 116343045A
- Authority
- CN
- China
- Prior art keywords
- yolo
- lightweight
- convolution
- model
- sar image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 24
- 238000012512 characterization method Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLO v5的轻量化SAR图像舰船目标检测方法，步骤如下：获取SAR图像数据集，通过仿真成像得到SAR图像舰船目标仿真数据集以及公共SAR船舶探测数据集，对数据集预处理之后划分为训练样本集和测试样本集；建立改进轻量化YOLO v5模型；将训练数据集输入改进轻量化YOLO v5模型中进行训练，得到训练好的改进轻量化YOLO v5模型；将测试数据集输入到训练好的改进轻量化YOLO v5模型，得到检测识别结果。本发明提出的改进轻量化YOLO v5模型可以更为准确地识别出SAR图像中的舰船，大幅降低了模型大小以及测试时间，显著提高了检测精度。
Description
技术领域
本发明属于雷达目标检测技术领域，具体涉及一种基于YOLO v5的轻量化SAR图像舰船目标检测方法。
背景技术
雷达图像目标检测是近年来众多学者研究关注的领域，根据有无候选框生成的阶段，基于深度学习的主流目标检测算法有单阶段和两阶段两类。单阶段的目标检测算法检测速度更快，但检测精度相对较低。近来，随着一些改进方案的加入，其检测精度大幅提升甚至超越两阶段模型。
YOLO系列是单阶段检测模型的代表，仅通过端到端的训练即可完成模型的构建。因YOLO的实时性优点，已逐渐成为雷达图像目标检测领域的研究重点。YOLO系列的目标检测模型随着YOLO v5的引入变得越来越强大，YOLO v5拥有目前最高的推理速度，有非常轻量的模型大小，因此选择YOLO v5为检测框架。因此本发明基于YOLO v5算法进行改进，并将其应用于轻量化SAR图像目标检测中。
在实际应用中，SAR图像船舰检测经常面临复杂的海场景，舰船多样尺度不一，还存在近岸环境干扰，相干噪声与背景干扰严重。目标检测算法使用的深度学习网络大多非常复杂，参数量和计算量很大，生成的模型占较大内存，对海洋监测带来了困难。而轻量化模型往往会造成检测精度的大幅下降，因此需设计出更高效的目标检测算法满足实时性。
发明内容
本发明的目的在于针对现有轻量化SAR图像检测识别方法在不同复杂海场景下，存在特征泛化能力差、舰船识别率大幅降低、海岸和舰船特征学习不足，导致无法有效区分海岸边信息和舰船目标信息的技术缺陷，提出一种基于YOLO v5的轻量化SAR图像舰船目标检测方法。
实现本发明目的的技术解决方案为：第一方面，本发明提供一种基于YOLO v5的轻量化SAR图像舰船目标检测方法，包括如下步骤：
步骤1、获取SAR图像数据集：通过仿真成像得到SAR图像舰船目标仿真数据集以及公共SAR船舶探测数据集，对SAR图像进行预处理并划分为训练数据集和测试数据集；
步骤2、建立改进轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，并联合表征增强模块和特征注意模块对其进行改进，表征增强模块基于非对称卷积进行改进，特征注意模块基于SE注意力机制构成，将激活函数替换成SiLU激活函数；
步骤3、将训练数据集输入改进轻量化YOLO v5模型中进行训练，得到训练好的改进轻量化YOLO v5模型；
步骤4、将测试数据集输入到训练好的改进轻量化YOLO v5模型，得到检测识别结果。
第二方面，本发明提供一种基于YOLO v5的轻量化SAR图像舰船目标检测***，包括：
第一模块，通过仿真成像得到SAR图像舰船目标仿真数据集以及公共SAR船舶探测数据集，对SAR图像进行预处理并划分为训练数据集和测试数据集；
第二模块，用于建立改进轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，并联合表征增强模块和特征注意模块对其进行改进，表征增强模块基于非对称卷积进行改进，特征注意模块基于SE注意力机制构成，将激活函数替换成SiLU激活函数；
第三模块，用于将训练数据集输入改进轻量化YOLO v5模型中进行训练，得到训练好的改进轻量化YOLO v5模型；
第四模块，用于将测试数据集输入到训练好的改进轻量化YOLO v5模型，得到检测识别结果。
第三方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法的步骤。
本发明与现有轻量化检测技术相比，其显著优点为：(1)所述方法应用在海岸边场景的识别舰船时，可有效地提取到海岸边和舰船的特征并能区分出海岸边和舰船信息，对复杂海场景下的舰船有较好的识别率；(2)所述方法可较为准确地识别出SAR图像中的小型、中型和大型舰船，与现有算法相比性能更优越，对舰船有更高的识别率，提升了对海探测目标识别效率。
附图说明
图1是基于YOLO v5模型的改进轻量化目标检测方法原理图。
图2是联合表征增强模块与特征注意模块的改进轻量型网络示意图。
具体实施方式
本发明提出一种复杂海场景下的SAR图像舰船轻量化目标检测方法，步骤如下：获取SAR图像数据集，通过仿真成像得到SAR图像舰船目标仿真数据集以及公共SAR船舶探测数据集(实测数据集)，对数据集预处理之后划分为训练样本集和测试样本集；建立改进轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，并联合表征增强模块和特征注意模块对其进行改进，将激活函数替换成了SiLU激活函数；将训练数据集输入改进轻量化YOLO v5模型中进行训练，得到训练好的改进轻量化YOLO v5模型；将测试数据集输入到训练好的改进轻量化YOLO v5模型，得到检测识别结果。所述改进轻量化YOLO v5模型可以更为准确地识别出SAR图像中的舰船，具有更高的检测精度。
下面结合附图对本发明作进一步详细描述。
步骤1、获取SAR图像数据集：通过仿真成像得到SAR图像舰船目标仿真数据集以及公共SAR船舶探测数据集(实测数据集)，对SAR图像进行预处理并划分为训练数据集和测试数据集；
步骤2、建立改进轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，并联合表征增强模块和特征注意模块对其进行改进，表征增强模块基于非对称卷积进行改进，特征注意模块基于SE(Squeeze-and-Excitation)注意力机制构成，将激活函数替换成了SiLU激活函数；
步骤3、将训练数据集输入改进轻量化YOLO v5模型中进行训练，得到训练好的改进轻量化YOLO v5模型；
步骤4、将测试数据集输入到训练好的改进轻量化YOLO v5模型，得到检测识别结果；
进一步的，步骤2中，建立基于多模块融合的多支RepVGG网络的轻量化YOLO v5模型。即把YOLO v5的主干网络替换为RepVGG网络结构，在RepVGG的轻量化模型基础上，将网络模型分为训练和推理双阶段，训练阶段结合残差分支的思想，添加了一条新残差分支，在该分支内融入了非对称卷积，与常规卷积组成了基于非对称卷积的表征增强模块，在SAR图像特征提取过程中拟合更丰富的特征信息，具有更好的鲁棒性，更好地专注舰船目标，显著提升了复杂海场景下的舰船轻量化检测精度。为了提升对舰船目标的注意程度，在训练阶段中每一层卷积与非对称卷积加入SE通道注意力，形成多个基于SE通道注意力的特征注意模块，具有更强的非线性，可以提升拟合不同通道间的复杂关联能力，在网络训练过程中更好地关注舰船目标，能显著地提升复杂环境下舰船检测的结果，相较于其他轻量型网络具有更好的效果，能够使得舰船目标检测精度优于其他轻量型网络，并且具有很强的泛用性。推理阶段仅包含3×3卷积和ReLU激活函数两种操作。该阶段通过参数融合方法将所有网络层卷积都转为3×3卷积。将双阶段的激活函数都替换成SiLU激活函数，SiLU激活函数的优势是无上界有下界、平滑、非单调，性能优于ReLU激活函数；
进一步的，通过残差方式混合常规卷积与非对称卷积，实现基于非对称卷积的表征增强模块。非对称卷积是将n×n的卷积核转变成n×n、1×n和n×1三个并行卷积核。同时，将1×n和n×1通过n×n卷积核的中心展开。模型训练结束，n×n卷积核直接与1×n和n×1卷积核融合，并在1×n和n×1卷积核之间添加了非线性激活函数，提高了模型的非线性。非对称卷积可以提升常规卷积的表达能力而不需要额外的耗时，能够提升模型对翻转SAR图像的鲁棒性，在复杂环境下的SAR图像海面舰船检测中，更好地提取到舰船目标的特征，降低了近岸复杂场景对舰船检测的影响，显著地提高了检测的精度。基于非对称卷积的表征增强模块将常规卷积和非对称卷积通过残差的形式构建而成，该模块可以增强对舰船的特征提取，提升模型的鲁棒性。训练推理双阶段中，推理阶段仍然由单支路组成，将表征增强模块应用到训练阶段，通过对舰船特征提取性能的改进从而提升检测的精度，提高模型的泛化性；
进一步的，在每一层常规卷积和非对称卷积中加入SE通道注意力，构建基于通道注意力的特征注意模块。在复杂环境下SAR图像海面舰船目标检测中，SE通道注意力可以学习到不同通道的SAR图像特征，能有效地使得特征提取网络更加关注舰船的特征，从而使得检测精度得到提升。在复杂海场景下的SAR图像中，不是所有的区域对检测任务的贡献都是相同，只有与舰船相关的区域才是需要关注的。空间注意力是寻找网络中最重要的部位进行处理，而近岸复杂场景下，舰船往往与近岸干扰在一起，空间注意力会忽略到SAR图像中的部分重要信息，反而会使得舰船检测有所下降。基于SE通道注意力的特征注意模块是将SE通道注意力加到所有常规卷积和非对称卷积之中，使得每一次运算都增强了对不同舰船特征的关注程度，只略微增加了模型的复杂性和计算负担，有效地降低了近岸复杂环境对舰船检测的影响，提升了模型检测的精度。
如图1所示，将SAR图像进行预处理后输入到检测网络，基于联合表征增强模块和特征注意模块的改进轻量型网络进行特征提取，经过特征聚合网络实现多尺度的特征融合，最后计算损失函数，预测舰船的最终结果。
如图2所示，该轻量型网络联合了基于非对称卷积的表征增强模块和基于通道注意力的特征注意模块，构成了一个新的改进轻量型网络，并将其作为YOLO v5的特征提取模块加入到检测流程中。
基于同样的发明构思，本发明还提出一种基于YOLO v5的轻量化SAR图像舰船目标检测***，包括：
第一模块，通过仿真成像得到SAR图像舰船目标仿真数据集以及公共SAR船舶探测数据集，对SAR图像进行预处理并划分为训练数据集和测试数据集；
第二模块，用于建立改进轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，并联合表征增强模块和特征注意模块对其进行改进，表征增强模块基于非对称卷积进行改进，特征注意模块基于SE注意力机制构成，将激活函数替换成SiLU激活函数；
第三模块，用于将训练数据集输入改进轻量化YOLO v5模型中进行训练，得到训练好的改进轻量化YOLO v5模型；
第四模块，用于将测试数据集输入到训练好的改进轻量化YOLO v5模型，得到检测识别结果。
上述各模块的具体实现方法与前述的轻量化SAR图像舰船目标检测方法相同，此处不再赘述。
下面结合附图和实施例对本发明所述的基于YOLO v5的轻量化SAR图像舰船目标检测方法进行详细阐述。
实施例1
本实施例进行了基于YOLO v5的轻量化SAR图像舰船目标检测，本实例实施的平台为CPU：Intel(R)Core(TM)[email protected]，GPU：NVIDIA GeForce RTX 2080，32g内存；操作***window10；采用CUDA10.1加速。数据集为公共SAR船舶探测数据集。基于YOLO v5算法的复杂海场景下轻量化SAR图像目标检测结果对比如表1所示。
表1本方法与其他轻量化方法在公共SAR船舶探测数据集上的对比
由表1可以发现所提出的基于YOLO v5的改进型轻量化模型在复杂环境下海面舰船目标的检测有着很好的性能，在指标上也有着显著的优势，SAR图像近岸舰船目标易受背景杂波以及临岸建筑等影响，导致SAR图像近岸舰船目标检测效果差，虚警率和漏检率高等问题，在轻量化模型中精度下降严重，而本章所提轻量化结构经实验证明，在复杂背景以及近岸场景下，也有着较高的检测率，优于其他轻量化结构。
实施例2
本实施例进行了基于YOLO v5算法的复杂海场景下轻量化SAR图像目标检测，本实例实施的平台为CPU：Intel(R)Core(TM)[email protected]，GPU：NVIDIA GeForce RTX2080，32g内存；操作***window10；采用CUDA10.1加速。数据集为SAR图像舰船目标仿真数据集。基于YOLO v5算法的复杂海场下轻量化SAR图像目标检测结果对比如表2所示。
表2本方法与其他轻量化方法在SAR图像舰船目标仿真数据集上的对比
由表2可知，相对于原始YOLO v5模型，所提出的模型以及所对比的轻量化模型，在测试时长上均提高了三倍左右，可以更好地满足海面舰船目标检测的实时性。由以上结果可以得到，所提新型轻量化模型，虽然模型大小较其他轻量化略有上升，但是在其他轻量化模型精度大幅下降的情况下，该模型展现出了在多类别舰船检测中的优势，无论是大型的***、小型渔船或者其他船只，均保持着较高的准确度，在复杂环境下近岸船只以及不同海况下的舰船都保持着较高的识别率，其各方面指标均优于原始模型。
Claims (10)
1.一种基于YOLO v5的轻量化SAR图像舰船目标检测方法，其特征在于，包括如下步骤：
步骤1、获取SAR图像数据集：通过仿真成像得到SAR图像舰船目标仿真数据集以及公共SAR船舶探测数据集，对SAR图像进行预处理并划分为训练数据集和测试数据集；
步骤2、建立改进轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，并联合表征增强模块和特征注意模块对其进行改进，表征增强模块基于非对称卷积进行改进，特征注意模块基于SE注意力机制构成，将激活函数替换成SiLU激活函数；
步骤3、将训练数据集输入改进轻量化YOLO v5模型中进行训练，得到训练好的改进轻量化YOLO v5模型；
步骤4、将测试数据集输入到训练好的改进轻量化YOLO v5模型，得到检测识别结果。
2.根据权利要求1所述的基于YOLO v5算法的复杂海场景下的轻量化SAR图像舰船目标检测方法，其特征在于，步骤2中，建立基于多模块融合的多支RepVGG网络的轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，在RepVGG的训练推理双阶段轻量基础上，训练阶段新增一条新残差分支，融合基于非对称卷积的表征增强模块、基于SE通道注意力的特征注意模块以及SiLU激活函数。
3.根据权利要求2所述的基于YOLO v5算法的复杂海场景下的轻量化SAR图像舰船目标检测方法，其特征在于，通过残差方式混合常规卷积与非对称卷积，实现基于非对称卷积的表征增强模块；非对称卷积是将n×n的卷积核转变成n×n、1×n和n×1三个并行卷积核；并将1×n和n×1通过n×n卷积核的中心展开；训练后将n×n卷积核直接与1×n和n×1卷积核融合，并在1×n和n×1卷积核之间添加非线性激活函数。
4.根据权利要求2所述的基于YOLO v5算法的复杂海场景下的轻量化SAR图像舰船目标检测方法，其特征在于，在每一层常规卷积和非对称卷积中加入SE通道注意力，构建基于通道注意力的特征注意模块。
5.一种基于YOLO v5的轻量化SAR图像舰船目标检测***，其特征在于，包括：
第一模块，通过仿真成像得到SAR图像舰船目标仿真数据集以及公共SAR船舶探测数据集，对SAR图像进行预处理并划分为训练数据集和测试数据集；
第二模块，用于建立改进轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，并联合表征增强模块和特征注意模块对其进行改进，表征增强模块基于非对称卷积进行改进，特征注意模块基于SE注意力机制构成，将激活函数替换成SiLU激活函数；
第三模块，用于将训练数据集输入改进轻量化YOLO v5模型中进行训练，得到训练好的改进轻量化YOLO v5模型；
第四模块，用于将测试数据集输入到训练好的改进轻量化YOLO v5模型，得到检测识别结果。
6.根据权利要求5所述的基于YOLO v5的轻量化SAR图像舰船目标检测***，其特征在于，建立基于多模块融合的多支RepVGG网络的轻量化YOLO v5模型，即把YOLO v5的主干网络替换为RepVGG网络结构，在RepVGG的训练推理双阶段轻量基础上，训练阶段新增一条新残差分支，融合基于非对称卷积的表征增强模块、基于SE通道注意力的特征注意模块以及SiLU激活函数。
7.根据权利要求6所述的基于YOLO v5的轻量化SAR图像舰船目标检测***，其特征在于，通过残差方式混合常规卷积与非对称卷积，实现基于非对称卷积的表征增强模块；非对称卷积是将n×n的卷积核转变成n×n、1×n和n×1三个并行卷积核；并将1×n和n×1通过n×n卷积核的中心展开；训练后将n×n卷积核直接与1×n和n×1卷积核融合，并在1×n和n×1卷积核之间添加非线性激活函数。
8.根据权利要求7所述的基于YOLO v5的轻量化SAR图像舰船目标检测***，其特征在于，在每一层常规卷积和非对称卷积中加入SE通道注意力，构建基于通道注意力的特征注意模块。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310342382.5A CN116343045B (zh) | 2023-03-30 | 2023-03-30 | 基于YOLO v5的轻量化SAR图像舰船目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310342382.5A CN116343045B (zh) | 2023-03-30 | 2023-03-30 | 基于YOLO v5的轻量化SAR图像舰船目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116343045A true CN116343045A (zh) | 2023-06-27 |
| CN116343045B CN116343045B (zh) | 2024-03-19 |
Family
ID=86883871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310342382.5A Active CN116343045B (zh) | 2023-03-30 | 2023-03-30 | 基于YOLO v5的轻量化SAR图像舰船目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116343045B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
| CN117115170A (zh) * | 2023-10-25 | 2023-11-24 | 安徽大学 | 一种无监督域自适应sar舰船检测方法及*** |
| CN117274192A (zh) * | 2023-09-20 | 2023-12-22 | 重庆市荣冠科技有限公司 | 一种基于改进YOLOv5的管道漏磁缺陷检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB202113615D0 (en) * | 2021-09-23 | 2021-11-10 | Ucl Business Ltd | Computer-implemented method of enhancing object detection in a digital image of known underlying structure,& corresponding module, data processing apparatus |
| CN114155445A (zh) * | 2021-11-23 | 2022-03-08 | 北京理工大学 | 基于改进YOLOv3的SAR图像目标检测方法 |
| CN115047455A (zh) * | 2022-05-27 | 2022-09-13 | 南京理工大学 | 一种轻量化的sar图像舰船目标检测方法 |
| CN115063665A (zh) * | 2022-07-05 | 2022-09-16 | 西安邮电大学 | 一种基于加权双向特征金字塔网络的轻量级火灾检测方法 |
| CN115100457A (zh) * | 2022-06-02 | 2022-09-23 | 西安电子科技大学 | 一种联合深度学习与cfar的sar图像目标检测方法 |
| CN115205667A (zh) * | 2022-08-02 | 2022-10-18 | 江苏大学 | 一种基于YOLOv5s的密集目标检测方法 |
| CN115311194A (zh) * | 2022-05-23 | 2022-11-08 | 湘潭大学 | 一种基于transformer和SE块的CT自动肝脏图像分割方法 |
| US20220358334A1 (en) * | 2021-05-10 | 2022-11-10 | Qingdao Technological University | Assembly body change detection method, device and medium based on attention mechanism |
| CN115546259A (zh) * | 2022-09-22 | 2022-12-30 | 成都思晗科技股份有限公司 | 一种用于变电站复杂场景下的多目标跟踪方法 |
-
2023
- 2023-03-30 CN CN202310342382.5A patent/CN116343045B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220358334A1 (en) * | 2021-05-10 | 2022-11-10 | Qingdao Technological University | Assembly body change detection method, device and medium based on attention mechanism |
| GB202113615D0 (en) * | 2021-09-23 | 2021-11-10 | Ucl Business Ltd | Computer-implemented method of enhancing object detection in a digital image of known underlying structure,& corresponding module, data processing apparatus |
| CN114155445A (zh) * | 2021-11-23 | 2022-03-08 | 北京理工大学 | 基于改进YOLOv3的SAR图像目标检测方法 |
| CN115311194A (zh) * | 2022-05-23 | 2022-11-08 | 湘潭大学 | 一种基于transformer和SE块的CT自动肝脏图像分割方法 |
| CN115047455A (zh) * | 2022-05-27 | 2022-09-13 | 南京理工大学 | 一种轻量化的sar图像舰船目标检测方法 |
| CN115100457A (zh) * | 2022-06-02 | 2022-09-23 | 西安电子科技大学 | 一种联合深度学习与cfar的sar图像目标检测方法 |
| CN115063665A (zh) * | 2022-07-05 | 2022-09-16 | 西安邮电大学 | 一种基于加权双向特征金字塔网络的轻量级火灾检测方法 |
| CN115205667A (zh) * | 2022-08-02 | 2022-10-18 | 江苏大学 | 一种基于YOLOv5s的密集目标检测方法 |
| CN115546259A (zh) * | 2022-09-22 | 2022-12-30 | 成都思晗科技股份有限公司 | 一种用于变电站复杂场景下的多目标跟踪方法 |
Non-Patent Citations (5)
| Title |
|---|
| XIAOHAN DING 等: "RepVGG: Making VGG-style ConvNets Great Again", 《2021 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, pages 13728 - 13737 * |
| ZHEN JIA 等: "High Precision Feature Fast Extraction Strategy for Aircraft Attitude Sensor Fault Based on RepVGG and SENet Attention Mechanism", 《SENSORS》, pages 1 - 12 * |
| 杨鹏强 等: "基于改进RepVGG网络的车道线检测算法", 《交通信息与安全》, pages 73 - 81 * |
| 王荣 等: "多变环境下基于多尺度卷积网络的猪个体识别", 《江西农业大学学报》, vol. 42, no. 2, pages 391 - 400 * |
| 董霄霄 等: "基于RB-YOLO生活垃圾实时检测算法", 《智能计算机与应用》, vol. 11, no. 10, pages 5 - 11 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
| CN116958907B (zh) * | 2023-09-18 | 2023-12-26 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
| CN117274192A (zh) * | 2023-09-20 | 2023-12-22 | 重庆市荣冠科技有限公司 | 一种基于改进YOLOv5的管道漏磁缺陷检测方法 |
| CN117115170A (zh) * | 2023-10-25 | 2023-11-24 | 安徽大学 | 一种无监督域自适应sar舰船检测方法及*** |
| CN117115170B (zh) * | 2023-10-25 | 2024-01-12 | 安徽大学 | 一种无监督域自适应sar舰船检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116343045B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116343045B (zh) | 基于YOLO v5的轻量化SAR图像舰船目标检测方法 | |
| Kong et al. | YOLOv3-DPFIN: A dual-path feature fusion neural network for robust real-time sonar target detection | |
| CN112766087A (zh) | 一种基于知识蒸馏的光学遥感图像舰船检测方法 | |
| CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
| CN107844743A (zh) | 一种基于多尺度分层残差网络的图像多字幕自动生成方法 | |
| Liu et al. | Two-stage underwater object detection network using swin transformer | |
| CN115223017B (zh) | 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法 | |
| CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
| CN116206214A (zh) | 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、***、设备及介质 | |
| CN114926826A (zh) | 场景文本检测*** | |
| Zhao et al. | MCANet: Hierarchical cross-fusion lightweight transformer based on multi-ConvHead attention for object detection | |
| Yanmin et al. | Research on ear recognition based on SSD_MobileNet_v1 network | |
| CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
| Zhao et al. | ST-YOLOA: a Swin-transformer-based YOLO model with an attention mechanism for SAR ship detection under complex background | |
| Dong et al. | Higher efficient YOLOv7: a one-stage method for non-salient object detection | |
| Zhang et al. | SSRDet: Small object detection based on feature pyramid network | |
| Yang et al. | An effective and lightweight hybrid network for object detection in remote sensing images | |
| CN116468980A (zh) | 深度融合边缘细节与深层特征的红外小目标检测方法及装置 | |
| CN116402761A (zh) | 一种基于双通道多尺度注意力机制的光伏板裂缝检测方法 | |
| Shi et al. | Adaptive feature fusion with attention-guided small target detection in remote sensing images | |
| Zhou et al. | Ship target detection in optical remote sensing images based on multiscale feature enhancement | |
| CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
| CN115100428A (zh) | 一种利用上下文感知的目标检测方法 | |
| Chen et al. | HFPNet: Super Feature Aggregation Pyramid Network for Maritime Remote Sensing Small-Object Detection | |
| CN114782983A (zh) | 基于改进特征金字塔和边界损失的道路场景行人检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |