基于YOLO算法的遥感图像飞机目标检测技术研究

作者： 张欣   来源： 中国科学院大学(中国科学院长春光学精密机械与物理研究所) 年份： 2021 文献类型 ： 学位论文 关键词： 遥感图像   tiny   CSPNet   飞机检测   YOLOv4   激活函数  

描述： 基于YOLO算法的遥感图像飞机目标检测技术研究

YOLOv4-tiny及其改进算法在航空机务维修照相管理中的应用

作者： 张锐丽   张琦   高万春   李江龙   来源： 兵工自动化 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制   tiny   目标检测   YOLOv4   照相管理  

描述： 针对飞机机务维修照相管理存在工作量大、不精确等问题，提出一种利用深度学习YOLOv4-tiny算法来执行照片对比检测的方法。利用一个自制的数据集来训练网络模型，为解决开口销螺母及其他背景干扰，引入

基于改进的YOLOv4-tiny遥感影像飞机检测系统的开发

作者： 付俊炜   来源： 北京交通大学 年份： 2022 文献类型 ： 学位论文 关键词： tiny   深度学习   目标检测   YOLOv4   模型部署  

描述： 基于改进的YOLOv4-tiny遥感影像飞机检测系统的开发

基于YOLO架构的海上遇险航空器识别方法研究

作者： 刘皓晨   来源： 中国民用航空飞行学院 年份： 2021 文献类型 ： 学位论文 关键词： tiny   深度学习   目标识别   YOLOv4   海上搜救  

描述： 基于YOLO架构的海上遇险航空器识别方法研究

基于最优区域生成的深度多尺度融合遥感飞机检测方法

作者： 刘晨   郑恩让   张桐   来源： 科学技术与工程 年份： 2020 文献类型 ： 期刊 关键词： 遥感图像   飞机检测   多尺度融合   锚框  

描述： 基于最优区域生成的深度多尺度融合遥感飞机检测方法

基于卷积神经网络的遥感图像飞机检测

作者： 张义德   胡长雨   胡春育   来源： 光电子技术 年份： 2017 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   微调   迁移学习   飞机检测  

描述： 提出一种CNN的遥感图像飞机检测的方法。首先获得预训练好的CNN,然后通过参数迁移获得五层卷积层模型参数,接着利用遥感图像对第五层卷积层进行微调获得一个特征提取器。将特征提取器用于提取遥感图像训练集的深度特征,训练可变形部件检测模型。实验表明,提出的方法大大提高了遥感图像飞机目标检测精度,准确率达96%以上。

基于深度学习的遥感图像飞机检测方法研究

作者： 彭娜   来源： 河北工程大学 年份： 2022 文献类型 ： 学位论文 关键词： 遥感图像   注意力机制   飞机检测   特征增强   残差连接   轻量级  

描述： 基于深度学习的遥感图像飞机检测方法研究

一种基于级联神经网络的飞机检测方法

作者： 王晓林   苏松志   刘晓颖   蔡国榕   李绍滋   来源： 智能系统学报 年份： 2021 文献类型 ： 期刊 关键词： 嵌入式设备   遥感图像   级联   卷积神经网络   两阶段   深度学习   飞机检测   由粗到细  

描述： 由于旋转角度多样性、极端的尺度差异的影响,遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题,目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂,模型占用空间大,难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度,本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略,通过级联两个网络的方式减少计算开销。为了评估方法的有效性,我们建立了一个针对飞机检测的遥感数据集。实验结果表明,该方法超越了VGG16等复杂的主干网络,达到了接近主流检测方法的性能表现,同时显著降低了参数量并使检测速度提高了2倍以上。

基于深度学习孔探图像的航空发动机缺陷识别研究

作者： 马瑞阳   来源： 中国民用航空飞行学院 年份： 2021 文献类型 ： 学位论文 关键词： 孔探检查   深度学习   缺陷识别   CFM56   YOLOv4  

描述： 基于深度学习孔探图像的航空发动机缺陷识别研究

基于改进YOLOv4的航空发动机损伤检测方法

作者： 蔡舒妤   闫子砚   师利中   来源： 现代制造工程 年份： 2023 文献类型 ： 期刊 关键词： 损伤检测   卷积注意力模块   YOLOv4   深度可分离卷积   MobileNetv3  

描述： 针对现有目标检测模型参数量大、检测速度慢，难以适应航空发动机孔探检测轻量化应用需求的问题，提出了基于YOLOv4目标检测算法的轻量化航空发动机损伤检测模型。设计了基于深度可分离卷积的轻量化特征融合结构，在YOLOv4的颈部结构(Neck)中，将普通卷积重构为逐通道卷积和逐点卷积的形式，有效减少了网络中的冗余参数；为进一步降低模型参数量，使用MobileNetv3作为特征提取网络。在减少参数量的同时，2种轻量化改进方法有效提高了模型的检测速度；在轻量化后的路径聚合网络(Path Aggregation Network, PANet)中加入卷积注意力模块(Convolutional Block Attention Module, CBAM),通过仅引入少量的参数来提高轻量化网络的损伤检测精度。实验结果表明，改进YOLOv4算法的平均精度均值(mean Average Precision, mAP)为89.82%,模型大小为73.29 MB,检测速度为37.3 FPS。与YOLOv4目标检测算法相比，改进YOLOv4算法以3.55%的mAP损失，使模型参数量降低了约2/3,检测速度提高了1.6倍，综合检测性能更优，可更好地满足孔探检测应用的需求，为航空发动机损伤智能化检测提供轻量化模型支撑。