基于改进YOLOv5s的桥墩缺陷检测ROV设计应用.pdf

收稿日期:2 0 2 2 1 1 0 8基金项目:国家自然科学基金资助项目(6 1 8 7 3 3 3 8)作者简介:齐晓轩(1 9 7 4),女,辽宁丹东人,教授,博士;陈 鉴(1 9 6 4),女,辽宁新民人,教授。第3 5卷 第6期2 0 2 3年 1 2月沈阳大学学报(自然科学版)J o u r n a l o fS h e n y a n gU n i v e r s i t y(N a t u r a lS c i e n c e)V o l.3 5,N o.6D e c.2023文章编号:2 0 9 5-5 4 5 6(2 0 2 3)0 6-0 5 0 3-0 8基基于改进Y O L O v 5 s的桥墩缺陷检测R O V设计应用齐晓轩a,陶九明b,陈 鉴c,何至诚b,袁鹏达b(沈阳大学a.应用技术学院,b.信息工程学院,c.统战部,辽宁 沈阳,1 1 0 0 4 4)摘 要:针对桥墩附近乱流现象严重和桥墩表面光滑难以吸附的问题,采用浮游加抱臂爬行方式,利用复合控制技术设计了一款桥墩缺陷检测R OV。首先,R OV本体结构采用8矢量推进器布局方案,实现了机器人浮游状态全向运动,提高了R OV抗扰能力;其次,抱臂夹持机构采用绳传动方式,以机械简单联动为R OV爬行状态下的稳定检测提供了可靠平台;最后,采用基于注意力机制改进的YO L O v 5 s网络识别桥墩缺陷,通过引入A S P P、I AAM等结构,提升了缺陷检测的实时性与精度。真实水域试验结果表明,所设计的R OV具有很好的适用性和有效性,在复杂水域环境下取得了较好的桥墩缺陷检测应用效果,可代替潜水员完成桥墩缺陷采集工作。关 键 词:无人遥控潜水器(R OV);桥墩检测;复合结构;缺陷识别;YO L O v 5 s;注意力机制中图分类号:T P 2 4 2 文献标志码:AD e s i g na n dA p p l i c a t i o no fP i e rD e f e c tD e t e c t i o nR O VB a s e do nI m p r o v e dY O L O v 5 sQ IX i a o x u a na,T A OJ i u m i n gb,CHENJ i a nc,HEZ h i c h e n gb,Y U AN P e n g d ab(a.C o l l e g e o f A p p l i e d T e c h n o l o g y,b.C o l l e g e o fI n f o r m a t i o n E n g i n e e r i n g,c.U n i t e d F r o n t W o r kD e p a r t m e n t,S h e n y a n gU n i v e r s i t y,S h e n y a n g1 1 0 0 4 4,C h i n a)A b s t r a c t:I nv i e w o ft h es e r i o u st u r b u l e n c en e a rt h ep i e ra n dt h es m o o t ha n dd i f f i c u l ta d s o r p t i o no f t h ep i e rs u r f a c e,aR OVf o rp i e rd e f e c td e t e c t i o nw a sd e s i g n e db yu s i n gt h ec o m p o s i t ec o n t r o lt e c h n o l o g y.F i r s t l y,t h eR OV b o d ys t r u c t u r ea d o p t e dt h ee i g h t-v e c t o rt h r u s t e r l a y o u t s c h e m e,w h i c hr e a l i z e d t h eo m n i d i r e c t i o n a lm o t i o no f t h e r o b o t f l o a t i n gs t a t ea n d i m p r o v e dt h eR OVi mm u n i t y.S e c o n d l y,t h eh o l d i n ga r mc l a m p i n gm e c h a n i s ma d o p t e dt h e r o p e t r a n s m i s s i o nm e t h o d,w h i c hp r o v i d e dar e l i a b l ep l a t f o r mf o r t h es t a b l ed e t e c t i o ni nt h eR OVc r a w l i n gs t a t ew i t hs i m p l em e c h a n i c a ll i n k a g e.F i n a l l y,t h eYO L O v 5 sn e t w o r kb a s e do na t t e n t i o n m e c h a n i s m w a su s e dt oi d e n t i f yp i e rd e f e c t s,a n dt h er e a l-t i m ea n da c c u r a c yo f d e f e c t d e t e c t i o n w e r ei m p r o v e d b yi n t r o d u c i n g A S P P,I AAM a n d o t h e rs t r u c t u r e s.T h er e s u l t s o fr e a l w a t e rt e s ts h o w e dt h a tt h e d e s i g n e d R OV h a d g o o da p p l i c a b i l i t ya n de f f e c t i v e n e s s,a n da c h i e v e dag o o da p p l i c a t i o ne f f e c to fp i e rd e f e c td e t e c t i o ni nc o m p l e xw a t e r e n v i r o n m e n t,w h i c hc o u l dr e p l a c ed i v e r s t oc o m p l e t ep i e rd e f e c t c o l l e c t i o n.K e y w o r d s:R OV(r e m o t e l yo p e r a t e dv e h i c l e);p i e ri n s p e c t i o n;c o m p o s i t es t r u c t u r e;d e f e c ti d e n t i f i c a t i o n;YO L O v 5 s;a t t e n t i o nm e c h a n i s m s近年来,暴雨、洪水、地震等自然灾害频发,导致部分道路、桥梁等基础水工设施产生不同程度损坏,敲响了桥梁安全问题的警钟。因实际环境限制,现有的水下墩桩结构检测方式受到很大制约,市面上传统的水下作业主要依靠人工肉眼观察或探摸,费用高、周期长,且过深水下环境不仅对潜水员的生命健康造成威胁,也会降低检测任务的实时性。随着水下机器人科技的发展,具有恶劣水下环境检测与作业能力的机器人逐渐展现出了很高的性价比优势。2 0 1 8年,高娟1在关于桥梁裂缝智能检测机器人的研究中提出履带吸盘爬壁机器人,通过爬行吸附机构可保证机器人在复杂水流环境下稳定运行;同年,S a k a g a m i等2在负压效应板大坝检测机器人的研制中提出水下机器人和大坝表面之间产生拉力的新装置,该装置由常规推进器和盘板组成,依靠盘板扩大推进器吸附力进行机器人吸附运动;2 0 1 9年,H i r a i等3发表大坝检测水下机器人的研究,采用地面站加R OV的人机协同模式进行大坝检测任务;2 0 2 0年,L e等4提供了一种创新且实用的解决方案(S P I R),是世界上第一个用于水下结构清洁和检查的自主机器人系统。由上述研究可知,水下机器人完全可代替潜水员进行桥墩水下检测任务。桥墩附近水流流速较大,可达2ms-1以上,易产生乱流现象,相比于浮游式及涡流吸附式结构,抱臂式结构明显更加适合进行水下检测。缺陷图像采集一般通过搭载的声纳、无损检测仪、水下相机等设备实现,近年来随着深度学习模型在水下图像检测的应用与发展51 0,提高检测精度的同时只需配合水下相机就可以完成实时检测,极大地降低了检测成本。本文针对桥梁水下基础结构检测与修复的现状,从实际工作需要出发,设计了一款基于改进YO L O v 5 s的桥墩缺陷检测R OV,具有深水作业功能、浮游和抱臂爬行复合运动功能、水中缺陷自主识别与定位功能、抗水流干扰的全方位灵活运动功能。所提及的缺陷检测系统输出图像在2 1帧率左右情况下准确率可达9 0%以上。R OV进行真实水域测试结果显示,完全符合检测预期,可实现替代人工检测目的。1 系统总览自主研发设计R OV整体采用开架式结构,主体分为上下2个部分,分别为R OV本体结构和抱臂夹持机构,采用了模块化安装方式,设备整体重量轻、强度高,方便快捷回收和释放,可实现浮游状态下的全向自由航行以及爬行状态下的绕桥墩表面运动,通过遥控操作,可对作业区进行定点精细检测。其整体机械结构如图1所示。根据桥墩缺陷检测实际任务需求,考虑到R OV需要从岸基点浮游到桥墩附近,期间受桥墩附近乱流影响严重,设计具有8个推进器成矢量分布的本体动力结构,可实现R OV浮游状态下的全向运动;考虑到桥墩表面青苔等苔藓植物覆盖有天然润滑的作用,使得R OV难以吸附,设计绳传动的抱臂夹持机构为R OV稳定检测工作提供了可靠平台。图1 R O V整机机械结构F i g.1 M e c h a n i c a l s t r u c t u r eo fR O Vm a c h i n eR OV本体结构组件包括推进器、水下电子舱、浮力材料、框架、脐带缆、摄像头、可选配部件声呐等,见图2。考虑到R OV受力均衡问题,设计R OV左右、前后、上下均对称的本体框架;考虑到传感器元件、控制器元件及其元器件水下工作的遇水导电性,设计密封电子舱,为控制系统提供防水空间。405沈阳大学学报(自然科学版)第3 5卷图2 R O V本体结构F i g.2 M e c h a n i c a l s t r u c t u r eo fR O V抱臂夹持机构组件包括机械臂驱动电机、机械臂、张紧机构等,其具体组成如图3所示。夹持机构由一台内置2 0 0W电机的电动推杆通过齿轮组之间相互咬合驱动,其驱动轴由联轴器将其与电机连接在一起,外置输出轴直连抱臂,抱臂由钢丝绳带动,左右抱臂保持同步移动。设置压力传感器检测机臂压力,当超过压力限定,机臂停止收缩并保持当前状态直至接收到下一次任务指令。图3 抱臂夹持机构F i g.3 A r mh o l d i n gm e c h a n i s m考虑到检测作业需要较高精度与检测范围,整体控制系统采用了机箱式上位机加R OV水下执行系统的分布式结构控制方式,如图4所示。上位机及其遥控装置负责指令的发布,同时通过上位机对R OV进行检测图像及各传感器参数界面监控,以便应对各种突发情况,水下执行系统设置A r d u i n o单片机作为水下直接控制单元,协同各传感器进行R OV运动状态数据采集,另外设计岸基供电箱加机载电源的供电单元、推进器加电动推杆的驱动执行单元、水下相机加补光灯的检测单元等。继而通过含有光纤结构的脐带缆单元实现主副控制器耦合、水上水下系统通讯。检测单元为水下相机加补光灯的视觉检测模块,将桥墩表面实时录制图像通过脐带缆上传至上位机,配合相关视觉检测算法对视频中图像进行增强、缺陷识别、语义分割等;驱动执行机构主要包括支持R OV运动及姿态变换的多推进器和支持R OV抱臂爬行的电动推杆直流电机;水下辅助控制单元采用A r d u i n o系列单片机,主要用于R OV搭载传感器的数据采集,分担上位机运行负荷同时以便于上位机更好的监控R OV运行状态;通过姿态解算,配合自主设计控制算法,实现R OV水巡航检测任务。505第6期 齐晓轩等:基于改进YO L O v 5 s的桥墩缺陷检测R OV设计应用图4 硬件控制系统结构F i g.4 H a r d w a r ec o n t r o l s y s t e ms t r u c t u r e2 缺陷检测桥墩缺陷检测R OV的功能是检测桥墩表面是否存在腐蚀、裂纹等缺陷。考虑到水下缺陷图片的搜集比较困难,数据集量小从而导致神经网络在进行识别时准确率不高,采用C y c l e GAN网络1 1的改进版S E S S-C y c l e GAN生成水下裂缝缺陷的图片用于扩建图像数据集,送入水下白平衡算法增强,进而用于接下来的神经网络训练,考虑到水下作业的高要求与实时性,缺陷检测采用基于注意力机制改进的YO L O v 5 s网络,相比于YO L O v 5 s原检测网络1 2,将原B a c k b o n e主干网络中的池化金字塔结构(s p a t i a l p y r a m i dp o o l i n g,S P P)替换为空洞空间卷积池化金字塔(a t r o u ss p a t i a lp y r a m i dp o o l i n g,A S P P),并在N e c k网络后添加改进的自适应注意模块(i m p r o v e da d a p t i v ea t t e n t i o nm o d u l e,I AAM)结构,继承了原检测算法更换数据集自动确定初始锚框大小带来的多数据集适应性等优点,使得检测速度与精度有一定的提升,最后采用P S P-N e t语义分割识别算法对水下目标进行缺陷精确分割与预估。改进的YO L O v 5 s网络模型架构如图5所示。图5 改进的Y O L O v 5 s网络模型F i g.5 I m p r o v e dY O L O v 5 sn e t w o r km o d e l2.1 空洞空间卷积池化金字塔模块空洞空间卷积池化金字塔模块(A S P P),内置4个不同采样率的空洞卷积层及一个池化层并行1 31 4。可以将给定特征分别以其对应采样率通道单独处理,提取不同尺度下的特征,最终融合生成605沈阳大学学报(自然科学版)第3 5卷图6 A S P P模块结构F i g.6 A S P Pm o d u l es t r u c t u r e所需特征结果。优势为其空洞卷积的添加相比于S P P在无需减小图像大小,即不丢失分辨率情况下以指数形式扩大卷积核感受野,空洞池化层的添加使得给定特征可自适应均值池化,具体结构如图6所示。2.2 改进的注意力机制考虑到缺陷的形状不一,且有些缺陷的 形 状 细 长,存 在 尺 度 变 化,对 于YO L O v 5 s主干网络的特征层加入如图7的AAM结构,并将图7虚线框内所描述颈部结构替换为轻量型的高效通道注意力模块(e f f i f i c i e n tc h a n n e l a t t e n t i o n,E C A),提高了网络对于缺陷自适应检测模型效率与计算效果。图7 A A M模块结构F i g.7 A A Mm o d u l es t r u c t u r eE C A模块作为S E-N e t的改进,避免了通道降维,增加了一维卷积核的自适应选择,用以确定局部跨通道覆盖率,适当捕获了局部跨通道信息交互,从而实现了检测性能的提优1 5。网络结构融合后的I AAM模块通过自适应池化层获得不同尺度的语义特征,接着对每个上下文特征进行11卷积,以获得相同的通道维数。利用双线性插值进行尺度归一化处理;之后进入E C A模块处理,将给定特征值通过GA P全局平均池化得到聚合特征;继而通过内核大小为K的一维卷积实现局部跨信道信息交互,快速生成通道权重;然后特征图经过s i g m o i d激活层和一维卷积归一化相对应权值,生成的权值映射和合并通道后的特征映射经过H a d a m a r d乘积操作,将其分离并添加到输入特征映射中,再次对上下文特征进行聚合得到最终特征图,从而在降低网络复杂度的同时完成了所需桥墩缺陷图像检测识别。3 试 验3.1 视觉试验环境本文设计的裂纹目标检测模型在深度学习服务器下进行,使用P y t h o n3.7.0和P y T o r c h1.2.0进行搭建,编程开发工具使用P y C h r a m 2 0 2 1。模型训练在U b u n t u1 8.0 4操作系统下进行,G P U为NV I D I AT e s l av 1 0 03 2 G B,C UD A版本为1 0.0.1 3 0。本章试验训练、测试均使用相同的参数配置,输入图像为6 4 06 4 0、训练采用YO L O v 5 s的预训练权重,总训练轮次为1 0 0、优化器选择S G D、学习率初始为0.0 0 2、b a t c hs i z e设置为8。3.2 视觉试验结果分析为验证所改进算法的优越性,对比其他3种常见的目标检测算法F a s tR-C NN1 6、YO L O v 4+S E和YO L O v 4-t i n y+A S P P。试验证明了改进后的YO L O v 5 s在各项指标上均优于其他算法,证明了检测算法的有效性。3.3 真实水域试验为了验证整套桥梁缺陷检测系统是否到性能指标的要求,我们进行了室内试验和实桥试验,对整套705第6期 齐晓轩等:基于改进YO L O v 5 s的桥墩缺陷检测R OV设计应用设备的性能指标、使用效率进行验证和评价,室内试验是通过制作模拟测量桥墩缺陷(裂缝、剥落掉角)的标定物,来确定整个系统精度是否达到设计要求;实桥试验是通过桥梁检测人员现场使用,来对整个缺陷检测系统的操作流程、使用效率及缺陷检测系统的缺陷识别率进行判断和评价。表1 目标检测对比T a b l e1 T a r g e t d e t e c t i o nc o m p a r i s o n方 法模型大小/MB召回率/%准确率/%mA P0.5/%F a s tR-C NN1 0 9.27 8.39 4.89 4.7YO L O v 4+S E1 2 1.57 8.59 4.79 4.4YO L O v 4-T i n y+A S P P5 4.77 7.19 3.89 4.2本文算法4 2.97 9.69 6.19 5.4 室内试验采用水池固定白桶测试,搭建模拟环境对设备的各个功能进行了验证。首先对R OV进行特制浮力块精确配比,浮力块采用聚胺酯闭孔发泡材料,密度为0.1 50.2 5k gL-1,外涂胶衣,材料无毒,用来调整浮游装置的整体浮力和重力平衡,其受到的浮力近于用于中和推进器在水中的重力,配比完成后为设备通电,用以对设备的整体电气状态及各模块进行检测,通电后各模块电气状态良好,各模块的工作状态功能也全部正常。驱动R OV测试运动能力,当接触到白桶,夹持装置开始收缩,直至压力传感器达到设定阈值,并没有出现过分收紧导致R OV不能转动的情况,可见R OV抱臂系统工作正常,压力传感器设置阈值可以正常使用,实验中同时验证了相机使用情况,如图8可以看出,水下相机所拍摄图像基本清晰。(a)外部观测图(b)上位机监控界面图8 R O V室内试验系统F i g.8 I n d o o r t e s t s y s t e mf o rR O V外场试验选定的是辽宁省沈阳市新开河联合路段的一座桥的桥墩,该桥墩直径约为9 5c m,桥下水深约为1 4 0 c m。按照桥墩检测需求进行了R OV水下检测试验,包括上下检测、绕桥墩表面左右旋转检测。从水下相机实时检测视频中截取部分图像如图9所示。(a)作业实况(b)桥墩表面图9 R O V水下检测F i g.9 U n d e r w a t e rd e t e c t i o no fR O V检测到实时水速0.7 7 11.0 2 8ms-1,桥墩底部由砾石和鹅卵石组成,以当时水平面为界0.8 5m805沈阳大学学报(自然科学版)第3 5卷以下,桥墩表面局部覆盖2.5 45.0 8 c m厚水生生物生长层,检查结果显示,混凝土完好,未发现任何重大缺陷。经桥墩缺陷检测R OV水域测试后,通过具体实验情况分析R OV各项性能指标,如表2所示。表2 R O V性能指标T a b l e2 P e r f o r m a n c e i n d i c a t o r so fR O V指 标性 能 参 数推进器共8只,单只推进力为3 4.3 2N抱臂共2只,抱紧力为9 8.0 7N脐带缆直径1 0mm,长度1 5 0m,抗拉能力为19 6 1.3 3N材料耐压深度5 0m自动航向精度1 自动水深精度0.1%密封舱防水等级 I P 6 7抗流能力浮游状态1.5 4 2ms-1,爬行状态2.5 7 0ms-1 为验证视觉检测效果,对桥墩附底部基桩表面混凝土结构进行检测,机箱视觉系统在W i n d o w s1 0操作系统下,使用P y Q t作为系统开发框架,G P U为NV I D I AG T X1 0 6 0M a x-Q,内存1 6 G。将水下相机实时录制的图像上传至上位机,同步到深度学习服务器进行水下图像实时增强与缺陷检测。视觉检测分2步进行,首先,利用相机对水下表观图像进行采集,其次,将采集视频导入缺陷视觉检测系统进行图像分析。自主设计的缺陷视觉检测系统对真实水域相机实时拍摄图像进行浑水成像、图像增强、缺陷检测、语义分割等方面处理,最终检测结果如图1 0所示。(a)原图(b)浑水成像(c)缺陷检测(d)语义分割图1 0 缺陷视觉检测结果F i g.1 0 D e f e c t v i s u a l i n s p e c t i o n r e s u l t4 结 论本文所设计的桥墩缺陷检测R OV已在沈阳市新开河联合路段完成桥墩检测任务,检测指标均达到桥墩检测标准,通过R OV执行水下检测任务的完整性与时效性,验证了本文所设计桥墩缺陷检测R OV能够达到预期目标,所搭载硬件系统和驱动软件能够给R OV的上层控制软件提供一个稳定基础。加入改进YO L O v 5 s方案的缺陷检测系统使得检测精度有较大提升,降低了检测所需成本,具有实用价值,可为桥梁的后期养护管理工作提供详实的数据,未来可推广至水工设施检测、海工、军工等市场。参考文献:1 高娟.关于桥梁裂缝智能检测机器人的研究J.科技风,2 0 1 8(6):2 4.GAOJ.R e s e a r c ho n i n t e l l i g e n td e t e c t i o nr o b o t f o rb r i d g ec r a c k sJ.T e c h n o l o g yW i n d,2 0 1 8(6):2 4.905第6期 齐晓轩等:基于改进YO L O v 5 s的桥墩缺陷检测R OV设计应用2S AKA GAM IN,YUMO T O Y,T AK E B AYA S H IT,e ta l.D e v e l o p m e n to fd a mi n s p e c t i o nr o b o tw i t hn e g a t i v ep r e s s u r ee f f e c tp l a t eJ.J o u r n a l o fF i e l dR o b o t i c s,2 0 1 9,3 6(8):1 4 2 2 1 4 3 5.3H I R A IH,I S H I IK.D e v e l o p m e n to fd a mi n s p e c t i o nu n d e r w a t e rr o b o tJ.J o u r n a lo fR o b o t i c s,N e t w o r k i n ga n dA r t i f i c i a lL i f e,2 0 1 9,6(1):1 8 2 2.4L EK,T OA,L E I GHT ONB,e t a l.T h eS P I R:a na u t o n o m o u su n d e r w a t e r r o b o t f o rb r i d g ep i l e c l e a n i n ga n dc o n d i t i o na s s e s s m e n tC2 0 2 0I E E E/R S J I n t e r n a t i o n a lC o n f e r e n c eo nI n t e l l i g e n tR o b o t sa n dS y s t e m s(I R O S).I E E E,2 0 2 0:1 7 2 5 1 7 3 1.5 韩晓微,张云泽,谢英红,等.动态异构特征融合的水下图像增强算法J.控制与决策,2 0 2 3,3 8(6):1 5 6 0 1 5 6 8.HANX W,Z HANG YZ,X I EY H,e ta l.U n d e r w a t e r i m a g ee n h a n c e m e n ta l g o r i t h mb a s e do nd y n a m i ch e t e r o g e n e o u sf e a t u r ef u s i o nJ.C o n t r o l a n dD e c i s i o n,2 0 2 3,3 8(6):1 5 6 0 1 5 6 8.6I S L AM MJ,X I AYY,S A T T A RJ.F a s tu n d e r w a t e r i m a g ee n h a n c e m e n t f o r i m p r o v e dv i s u a lp e r c e p t i o nJ.I E E ER o b o t i c sa n dA u t o m a t i o nL e t t e r s,2 0 2 0,5(2):3 2 2 7 3 2 3 4.7R E N W Q,L I USF,MAL,e ta l.L o w-l i g h t i m a g ee n h a n c e m e n tv i aad e e ph y b r i dn e t w o r kJ.I E E ET r a n s a c t i o n so nI m a g eP r o c e s s i n g,2 0 1 9,2 8(9):4 3 6 4 4 3 7 5.8I S L AM MJ,L UOPG,S A T T A RJ.S i m u l t a n e o u se n h a n c e m e n ta n ds u p e r-r e s o l u t i o no fu n d e r w a t e r i m a g e r yf o r i m p r o v e dv i s u a lp e r c e p t i o nJ.a r X i ve-p r i n t s,2 0 2 0:0 1 1 5 5.9L ICY,GUOCL,R E N W Q,e t a l.A nu n d e r w a t e r i m a g e e n h a n c e m e n t b e n c h m a r kd a t a s e t a n db e y o n dJ.I E E ET r a n s a c t i o n s o nI m a g eP r o c e s s i n g,2 0 1 9,2 9:4 3 7 6 4 3 8 9.1 0 冉蓉,徐兴华,邱少华,等.基于深度卷积神经网络的裂纹检测方法综述J.计算机工程与应用,2 0 2 1,5 7(9):2 3 3 5.R ANR,XUXH,Q I USH,e t a l.S u mm a r yo f c r a c kd e t e c t i o nm e t h o d sb a s e do nd e e pc o n v o l u t i o nn e u r a l n e t w o r kJ.C o m p u t e rE n g i n e e r i n ga n dA p p l i c a t i o n s,2 0 2 1,5 7(9):2 3 3 5.1 1 李庆忠,白文秀,牛炯.基于改进C y c l e GAN的水下图像颜色校正与增强J.自动化学报,2 0 2 3,4 9(4):8 2 0 8 2 9.L IQZ,B A I W X,N I UJ.C o l o rc o r r e c t i o na n de n h a n c e m e n to fu n d e r w a t e ri m a g eb a s e do ni m p r o v e dC y c l e GANJ.A c t aA u t o m a t i c aS i n i c a,2 0 2 3,4 9(4):8 2 0 8 2 9.1 2 杨永波,李栋.改进YO L O v 5的轻量级安全帽佩戴检测算法J.计算机工程与应用,2 0 2 2,5 8(9):2 0 1 2 0 7.YAN GY B,L ID.L i g h t w e i g h th e l m e tw e a r i n gd e t e c t i o na l g o r i t h m o fi m p r o v e d YO L O v 5J.C o m p u t e rE n g i n e e r i n ga n dA p p l i c a t i o n s,2 0 2 2,5 8(9):2 0 1 2 0 7.1 3D E N G W L,MOU Y L,KA S H I WA T,e ta l.V i s i o nb a s e dp i x e l-l e v e lb r i d g es t r u c t u r a ld a m a g ed e t e c t i o nu s i n gal i n k A S P Pn e t w o r kJ.A u t o m a t i o n i nC o n s t r u c t i o n,2 0 2 0,1 1 0:1 0 2 9 7 3.1 4 原忠虎,雷莹,韩晓微.基于密集空洞卷积的注意力机制视网膜血管分割方法J.沈阳大学学报(自然科学版),2 0 2 2,3 4(4):2 7 4 2 8 2.YUANZ H,L E I Y,HAN X W.R e t i n a lv a s c u l a rs e g m e n t a t i o n m e t h o d b a s e d o n a t t e n t i o n m e c h a n i s m o fd e n s e h o l ec o n v o l u t i o nJ.J o u r n a l o fS h e n y a n gU n i v e r s i t y(N a t u r a lS c i e n c e),2 0 2 2,3 4(4):2 7 4 2 8 2.1 5WANGCG,Z HOUYL,L I J J.L i g h t w e i g h tY o l o v 4 t a r g e t d e t e c t i o na l g o r i t h mf u s e dw i t hE C Am e c h a n i s mJ.P r o c e s s e s,2 0 2 2,1 0(7):1 2 8 5.1 6G I R S H I C KR.F a s tR-C NNC2 0 1 5I E E EI n t e r n a t i o n a lC o n f e r e n c eo nC o m p u t e rV i s i o n(I C C V).D e c e m b e r7-1 3,2 0 1 5.S a n t i a g o,C h i l e.I E E E,2 0 1 5:1 4 4 0 1 4 4 8.【责任编辑:肖景魁】015沈阳大学学报(自然科学版)第3 5卷