针对现有的金属氧化物避雷器(Metal Oxide Arrester, MOA)红外图像故障检测方法存在识别精度低、检测速度较慢的问题, 提出一种基于改进 YOLOv3的 MOA红外图像故障检测方法。首先, 以 Darknet19网络代替 YOLOv3原始的 Darknet53网络, 并在特征学习时针对样本中不同 MOA长宽比例, 通过 K-means聚类算法对 MOA图像中的目标帧进行分析, 重新聚类样本中心锚点框, 得到合适的锚框数目和大小。最后, 利用改进 YOLOv3模型完成 MOA红外图像故障检测。实验结果表明, 改进的 YOLOv3模型识别精度达到 96.3%, 识别速度为 6.75 ms。

随着集成电路特征尺寸不断缩小，光刻系统分辨率与特征尺寸之间不匹配导致晶圆成像结果出现不必要的形状变形。这些会产生形状变形的区域就是俗称的光刻热点。为提高集成电路生产的良品率，在掩模板制造之前，需要对晶圆成像结果进行光刻热点检测。提出一种基于深度学习的热点检测方法，通过将挤压和激励网络（SENet）输入预先训练的YOLOv3模型来提高光刻热点检测的精确率和召回率。实验结果表明，在2012国际计算机辅助设计会议（ICCAD 2012）数据集上，所提方法优于其他基于深度或具有代表性的基于机器学习的方法，最终的平均召回率为1.00，精确率为0.45，F1分数为0.62。

浮游藻类的种类多样性和群落结构是水生态环境建设评价的重要指标，利用细胞图像对其进行识别是实现浮游藻类检测的重要手段。相较于传统的显微镜检法，基于深度学习的目标检测算法因更高效的检测能力而越来越多地被运用到浮游藻类检测领域。针对YOLOv3目标检测算法对部分形态小、边界模糊和粘连浮游藻类的检测精度低等问题，采用空间金字塔池化（SPP）结构改进了YOLOv3目标检测算法的特征提取方式，采用广义交并比（GIoU）边界损失函数改进了YOLOv3目标检测算法的边界损失函数，最终构建了一种基于SPP和GIoU改进的YOLOv3浮游藻类检测算法（SPP-GIoU-YOLOv3）。实验结果表明：在检测速度无明显差异的情况下，所提SPP-GIoU-YOLOv3分类检测算法对实验藻类的平均精度均值达95.21%，比YOLOv3目标检测算法提高了4.24个百分点。本研究为发展准确快速的浮游藻类检测方法技术提供了一定的基础。

合成孔径雷达(SAR)是一种高分辨率星载(或机载)雷达系统, SAR图像自动目标识别(ATR)技术是智能图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题, 设计了一种基于YOLOv3网络的检测模型, 使用多尺度先验框对目标物体进行检测, 通过训练得到模型的最优权重, 实现端到端的目标检测。测试结果表明, 与Faster R-CNN算法相比, YOLOv3在准确率与运行速度上均有更优秀的性能表现。

针对自然场景下鸟类检测任务中存在模型参数量大、计算量高和正负样本严重不平衡的问题，提出了YOLOBIRDS算法。一方面，对特征提取网络模型进行修改，将标准卷积神经网络结构修改为深度可分离残差模型。另一方面，对损失函数进行修改，将目标框大小与位置损失函数由均方误差修改为广义交并比（CIoU），在置信度损失函数中增加正负样本控制参数。实验结果表明，在衡水湖鸟类数据集中，YOLOBIRDS算法的平均精度均值（mAP）达87.12%，比原算法高2.71个百分点；参数个数达12425917，比原算法低79.88%；速度达32.67 frame/s，比原算法高19.98%。采用该算法训练得到的新模型对鸟类检测的精度更高，检测速度更快，对鸟类检测的整体识别率大幅度提高，平衡了正负样本的损失权重。

针对图像中小尺寸行人目标检测识别率低的问题, 提出一种基于改进多尺度特征融合的行人检测算法。首先, 在原始YOLOv3模型的基础上将BN层融合到卷积层; 其次, 增加检测层, 借鉴特征金字塔思想将高低层特征进行融合与预测; 最后, 利用线性尺度缩放的K-means聚类算法优化候选框, 提高小尺寸行人检测效果。在INRIA行人数据集上的实验结果表明, 改进算法准确率达到91.4%, 与YOLOv3算法相比提高了3.4%; 在复杂监控环境下也证明了所提算法的有效性。

针对瞳孔区域屈光度识别准确率低、检测效率低等问题, 本文提出一种基于改进Y0L0v3深度 神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络Y0L0v3-base,强化 对瞳孔特征的学习能力。然后通过迁移学习, 将训练模型参数迁移至 YOLOv3-DPDC(Deep Pupil Diopter Classify), 降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题, 最后采用 Fine-tuning调参快速训练YOLOv3多分类网络, 实现了对瞳孔屈光度快速检测。通过采集的1200张 红外瞳孔图像进行实验测试, 结果表明本文算法屈光度检测准确率达91.6%, 检测速度可达 45 fps, 优于使用Faster R-CNN进行屈光度检测的方法。

针对转向架侧架空间狭小以及不确定光照条件下难以通过传统的视觉系统及算法实现枕簧端面缺口定位的问题，本团队提出了一种基于线激光光斑特征的枕簧缺口视觉间接定位方法。通过对K6型转向架承载弹簧和减振弹簧这两类枕簧外簧第一、第二层簧圈的尺寸特征进行分析，并采用最小二乘法拟合尺寸数据，分别建立了两类枕簧簧圈高度比值与枕簧端面缺口方位对应关系的数学模型。采用YOLOv3-tiny目标检测算法实现了复杂背景下枕簧的检测与感兴趣区域(ROI)的分割，基于阈值分割和边界框拟合算法提出了激光光斑高度自适应求解方法，该方法提升了定位方法的灵活性。试验结果表明，所提方法的定位精度在－5°～＋5°以内，单次定位时间不超过0.15 s，而且对光照强度的变化具有很强的鲁棒性。

为了提高面向遥感图像目标检测的YOLOv3-CS算法的检测速度，提出了一种基于Batcg Normalization（BN）层γ参数的自适应稀疏因子调整算法。以γ作为通道的重要性判断依据对YOLOv3-CS进行剪枝，得到YOLOv3-CSP目标检测模型。实验结果表明，所提剪枝方法在mean Average Precision（mAP）损失仅为0.22%的情况下，使YOLOv3-CS的模型大小压缩了95.92%，检测速度提高了173%。所提YOLOv3-CSP可以应用于检测精度和实时性要求较高的场合。