桥梁对国家发展、百姓生活起着举足轻重的作用,采用高分辨率遥感影像对桥梁目标进行自动检测具有重要意义。但现有基于YOLOv5的检测算法存在水平边界框重叠、包含无关信息、识别精度低等问题。针对这些问题,文章提出了一种改进YOLOv5的...桥梁对国家发展、百姓生活起着举足轻重的作用,采用高分辨率遥感影像对桥梁目标进行自动检测具有重要意义。但现有基于YOLOv5的检测算法存在水平边界框重叠、包含无关信息、识别精度低等问题。针对这些问题,文章提出了一种改进YOLOv5的桥梁检测方法,通过旋转边界框精确地描述桥梁的形状和姿态,并结合Transformer、BiFPN算法提高网络精度,最终形成一种具有方向性、高精度的遥感影像桥梁自动检测算法。首先,在水平边界框的基础上增加了θ角度参数,得到旋转边界框;然后,在YOLOv5的backbone中添加Transformer模块,通过多头注意力层使得在复杂场景下有效捕捉目标信息;接着,将YOLOv5的特征融合网络修改为BiFPN结构,更好地挖掘影像信息;最后,采用精确度(precision)、召回率(recall)、平均精度值(mean average precision,mAP)、帧率(frames per second,FPS)评估实验结果。该方法实验结果较目前常见深度学习方法表现更为优异,mAP达到了99.47%,较YOLOv5提高了近8%,较YOLOv8提高了近1%;FPS达到了56,较YOLOv8提升了14,证明了所提方法的有效性。展开更多
文摘桥梁对国家发展、百姓生活起着举足轻重的作用,采用高分辨率遥感影像对桥梁目标进行自动检测具有重要意义。但现有基于YOLOv5的检测算法存在水平边界框重叠、包含无关信息、识别精度低等问题。针对这些问题,文章提出了一种改进YOLOv5的桥梁检测方法,通过旋转边界框精确地描述桥梁的形状和姿态,并结合Transformer、BiFPN算法提高网络精度,最终形成一种具有方向性、高精度的遥感影像桥梁自动检测算法。首先,在水平边界框的基础上增加了θ角度参数,得到旋转边界框;然后,在YOLOv5的backbone中添加Transformer模块,通过多头注意力层使得在复杂场景下有效捕捉目标信息;接着,将YOLOv5的特征融合网络修改为BiFPN结构,更好地挖掘影像信息;最后,采用精确度(precision)、召回率(recall)、平均精度值(mean average precision,mAP)、帧率(frames per second,FPS)评估实验结果。该方法实验结果较目前常见深度学习方法表现更为优异,mAP达到了99.47%,较YOLOv5提高了近8%,较YOLOv8提高了近1%;FPS达到了56,较YOLOv8提升了14,证明了所提方法的有效性。
