1 福州大学 先进制造学院，福建 泉州 362252
2 中国福建光电信息科学与技术实验室，福建 福州 350116
针对太阳能电池片缺陷检测方法存在精度低的问题，提出一种基于改进的YOLOv5s太阳能电池片表面缺陷检测算法。首先，为了解决电池片小目标缺陷检测问题，提出了上下文Transformer网络（CoT），可以为小目标提供全局上下文信息，帮助模型更好地预测小目标。其次，将CBAM注意力加入到Head部分的C3模块，能够更好地捕捉输入特征图的重要通道和空间位置，提高模型的性能和鲁棒性。接着，使用轻量级的通用上采样算子CARAFE减少上采样过程中特征信息的损失，保证了特征信息的完整性。最后，使用WIoU作为边界框损失函数，大幅提升了回归的准确性，并且有助于快速实现模型的收敛。实验结果显示，改进后的YOLOv5s相较于原始算法在Precision、Recall、mAP@0.5三个指标上分别提高了5.5%、4.1%、3.3%，检测速度达到了76 FPS，满足太阳能电池片缺陷检测要求。
太阳能电池片 YOLOv5s 上下文Transformer网络 CARAFE 损失函数 solar cell YOLOv5s contextual transformer network CARAFE loss function
湘潭大学自动化与电子信息学院，湖南 湘潭 411105
快速识别和精准定位周围目标是自动驾驶车辆安全、自主行驶的前提和基础。针对基于体素的点云三维目标检测方法识别与定位不准的问题，提出一种基于改进SECOND算法的点云三维目标检测算法。首先，在二维卷积骨干网络中引入自适应的空间特征融合模块融合不同尺度的空间特征，提高模型的特征表达能力。其次，充分利用边界框参数之间的关联性，采用three-dimensional distance-intersection over union（3D DIoU）损失作为边界框的定位回归损失函数，使得回归任务更加高效。最后，同时考虑候选框的分类置信度和定位精度，通过一个新的候选框质量评价标准，获得更平滑的回归结果。在KITTI测试集的实验结果表明，所提算法的3D检测精度优于许多以往的算法，与基准算法SECOND相比，在简单难度下的car类和cyclist类分别提高2.86百分点和3.84百分点，中等难度下分别提高2.99百分点和3.89百分点，困难难度下分别提高7.06百分点和4.27个百分点。
自动驾驶 三维目标检测 特征融合 损失函数 激光与光电子学进展
2024, 61(8): 0811005
1 江苏科技大学理学院，江苏 镇江 212100
2 山东大学信息科学与工程学院，山东 青岛 266237
叠层成像的成像分辨率会受到数值孔径和电荷耦合器件（CCD）像素尺寸的限制。CCD靶面有限则数值孔径有限，采集大光斑图像时，易丢失CCD靶面边缘的部分高频信息。此外，像素尺寸较大会导致成像时采样率不足，也会丢失部分细节高频信息。提出了一种高分辨率叠层成像方法，可同时处理数值孔径和CCD像素尺寸的分辨率限制问题。首先，利用外推法补充因数值孔径有限丢失的高阶衍射信息，之后将外推法重建的图像代入基于多权重损失函数的生成对抗网络中，即可快速解决像素尺寸受限问题，提高成像分辨率。多权重损失函数为均方误差、特征图误差和对抗误差的加权和。通过设置合理的权重，可以实现像素和视觉层面的均衡处理。仿真及实验结果表明，该方法在提高叠层成像系统分辨率上具有显著效果，且运算效率高。
超分辨率 叠层成像 外推法 生成对抗网络 多权重损失函数 激光与光电子学进展
2024, 61(8): 0811003
1 烟台大学 物理与电子信息学院，山东 烟台 264005
2 山东电子职业技术学院 电子与通信工程系，山东 济南 250200
3 高效能服务器和存储技术国家重点实验室，山东 济南 250101
红外舰船目标检测与识别技术是反舰导弹红外成像制导的关键，对于**装备制导性能具有重大意义。针对在复杂环境下红外舰船目标检测的精度和速度问题，提出了改进YOLOX-S的红外舰船目标检测算法。首先引入深度可分离卷积(depthwise separable convolution)代替FPN(feature pyramid network)及YOLOHead残差结构中的传统卷积，降低模型的参数量；其次引入ECANet通道注意力机制，提高网络的注意力，降低舰船目标的虚检率和漏检率；最后使用CIoU损失函数，进一步提高网络的检测准确率。实验表明，改进后算法的检测平均精度(AP)达到98%，检测速度为56帧/s，对比改进前YOLOX-S算法，检测速度与平均精度分别提升6帧/s和3%，且模型更加轻量化。实验结果充分证明本文提出的算法能够有效完成红外舰船目标检测任务。
红外舰船 目标检测 注意力机制 损失函数 infrared ship target detection attention mechanism loss function
南京理工大学瞬态物理国家重点实验室, 南京 210000
主流的目标检测模型将检测分为分类和定位两个子任务, 分类和定位各自具有独立的子网络, 且在训练过程中采用互相独立的损失函数。这种模型结构和训练方式忽略了分类和定位之间的相互联系, 使得模型预测的类别得分无法体现预测框的定位质量, 进一步导致高定位质量的预测在非极大值抑制(NMS)阶段被低定位质量的预测抑制, 损害了模型的检测精度。针对该问题, 提出了一种一致性损失的概念, 该损失通过在训练过程中约束模型预测的类别得分和定位质量的排名相似度, 提升了二者的一致程度。基于FCOS-ResNet50模型与PASCAL VOC数据集, 所提的损失函数能够提升约1.3个百分点的mAP0.5、4.3个百分点的mAP75和5.4个百分点的mAP90。
目标检测 损失函数 非极大值抑制 分类定位一致性 余弦相似度 object detection loss function Non-Maximum Suppression (NMS) consistency between classification and localizatio cosine similarity
基于深度学习的人脸识别技术在大量应用场景中表现出优于传统方法的性能, 它们的损失函数大致可分为 2类: 基于验证的和基于辨识的。验证型损失函数符合开集人脸识别的流程, 但实施过程比较困难。因此目前性能较优的人脸识别算法都是基于辨识型损失而设计的, 通常由 softmax输出单元和交叉熵损失构成, 但辨识型损失并没有将训练过程与评估过程统一起来。本文针对开集人脸识别任务提出一种新的验证型损失函数, 即最大化受试者工作特征(ROC)曲线下的部分面积(pAUC); 同时还提出一种类中心学习策略提高训练效率, 使提出的验证型损失和辨识型损失有较强的可比性。在 5个大规模非限定环境下的人脸数据集上的实验结果表明, 提出的方法和目前性能最优的人脸识别方法相比, 具有很强的竞争性。
人脸识别 部分面积优化 损失函数 类中心 face recognition partial Area Under Curve optimization loss function class centers 太赫兹科学与电子信息学报
2023, 21(9): 1150
1 桂林电子科技大学,a.电子工程与自动化学院
2 桂林电子科技大学,b.计算机与信息安全学院, 广西 桂林 541000
针对红外无人机目标识别过程中特征信息较少、特征丢失严重、识别准确率低等问题, 提出一种基于YOLOv7的红外无人机目标检测方法。通过引入注意力机制来增强目标区域的特征表达能力, 提升图像的空间信息含量。采用改进的串行连接方式将通道注意力模块与空间注意力模块连接, 在结合了目标通道特征信息和空间特征信息的同时, 改进结构降低了通道注意力对红外图像识别的负面影响, 可以更好地实现对红外目标的特征加强作用。选择基于角度向量回归的SIoU损失函数作为边框损失函数, 进一步提升了模型的收敛性和检测精度。实验结果表明, 改进的算法模型推理速度达到了43帧/s, 准确率为95.4%, 召回率为87.3%, mAP为96.1%,在红外无人机检测任务中取得了更好的检测效果。
无人机 红外图像 注意力机制 损失函数 UAV infrared image YOLOv7 YOLOv7 attention mechanism loss function
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
