基于感应场块和协调注意力的实时检测底盘
Ruizhen Gao1,2,3, Ya'nan Ma1, Ziyue Zhao1
1School of Mechanical Engineering and Equipment, Hebei University of Engineering, Handan 056038, China.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
本研究介绍了YOLOv5-RSC,这是一个增强的深度学习模型,用于在复杂的图像中检测小型飞机底座. 该模型显著提高了检测准确度和速度,为航空安全提供了宝贵的工具.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 航空航天工程 航空航天工程
背景情况:
- 在复杂的背景中检测小型飞机目标对当前的深度学习算法来说是个挑战.
- 由于尺度变化和复杂的视觉数据,现有的方法难以检测小物体.
研究的目的:
- 开发一种改进的深度学习模型,使用相机传感器协同作用来精确检测飞机和底盘.
- 提高航空图像中小型目标检测的准确性和效率.
主要方法:
- 将受体场块 (RFB) 和协调注意力机制集成到YOLOv5架构中.
- 实施SIoU (尺度不变IOU) 损失函数,以改进边界框回归.
- 使用巴斯勒摄像机平台进行实验验证.
主要成果:
- 对于飞机,YOLOv5-RSC模型的平均精度 (AP) 为92.4%,而对于底盘,平均精度为80.5%.
- 平均平均精度 (mAP) 达到86.4%,超过了原始YOLOv5的2.0%至5.4%.
- 实现的检测速度为89.2 FPS,证明了高效率.
结论:
- YOLOv5-RSC模型显著提高了飞机底架的检测精度和速度.
- 先进的深度学习技术和摄像头传感器的协同方法为航空检查提供了强大的解决方案.
- 该模型为现实世界飞机底盘检测应用提供了宝贵的参考.
