融合GhostNet和Yolov5的遥感图像目标检测.pdf

遥感图像目标检测是遥感图像解译的一个重要组成部分，如何快速、高效地从地物种类多、背景复杂的遥感图像中进行目标检测是一个待解决的问题。针对以上问题提出了一种基于Yolov5s改进的目标检测算法，首先将骨干网络CSPDarknet53替换成轻量化网络GhostNet用来减少网络的计算量；其次，基于卷积注意力模块，提出了同时卷积注意力模块并将其应用在Yolov5s骨干网络，与卷积注意力模块相比在不增加参数量的情况下提高了模型的精度；最后针对Yolov5的颈部，提出跨层多路径聚合网络，在仅仅增加少量参数的情况下，给网络精度带来显著的提升，称其为Yolov5s-GCM。实验结果表明，Yolov5s-GCM在NWPUVHR-10数据集上的精度达到9 2.3%，比Yolov5s的平均精度均值提高了0.8%，并且其计算量CFLOPS从16.5下降到了14.1，与Yolov5s相比具有更少的计算量和更高的精度关键词：目标检测；Yolov5；G h o s t Ne t；遥感图像；注意力机制中图分类号：TP751文献标志码：A文章编号：10 0 9-0 312（2 0 2 3）0 3-0 0 7 0-0 8随着计算机技术和卫星技术的飞速发展，遥感图像越来越丰富且广泛应用到各行各业当中，包括且不限于城乡规划、交通管理、军事侦察等。而遥感图像目标检测是遥感图像解译的一个重要组成部分。传统基于机器学习的目标检测方法，首先通过人为的手动提取特征，之后根据滑动窗口的方式遍历原始图像，带来目标检测时间长、窗口几余等不足2 ，只能适用于背景简单、特征显著的图像，对于日常的工业应用的图像，并没有很好的效果。而遥感图像的地物种类多、背景复杂更是难以适用3随着深度学习技术的飞速发展，基于深度学习的目标检测算法不仅有着端到端检测、自动提取特征、应用广等优势，而且在精度上和速度上比起传统目标检测有着绝对的优势。其已经逐渐替代传统目标检测算法，成为当前目标检测的主流算法4-5O以深度学习为代表的目标检测算法发展迅速。基于检测阶段分为两类，一类是以RCNN、Fa s t e rRCNN-7为代表的双阶段算法。另一类则是以YOLO、SSD 8-9】为代表的单阶段算法。双阶段的精度高与单阶段，但是其速度却不如单阶段。虽然单阶段检测算法速度优于双阶段，但仍不能满足实际的工业应用，那如何可以更好的应用到工业应用呢？MobileNet10又对网络的轻量化做改进，将标准卷积分为标准卷积和点卷积。在大幅度降低计算量的同时，精度没有受到太大的损失。ShuffleNet】在MobileNet的基础上，通过组卷积和通道混合，在不损失速度的基础上，提高了精度。基于ShuffleNet和MobileNet，华为诺亚方舟实验室在CVPR2020提出了一种Ghost-Net12】，该网络在同样精度下，速度和计算量均少于其他的网络。如何将轻量化网络运用到遥感目标检测领域，秦伟伟等13】追通过将Yolov3主干网络替换为MobileNetV2和引人k-means进行边界框聚类，提升对遥感军事目标的检测效果；王云艳、罗帅等14 用MobileNetV3取代Yolov4的主干网络，在遥感数据集USAOD和公共数据集VOC2007上都取得很好的检测效果。本文主要基于Yolov5s算法来改进，对遥感图像进行处理。首先，使用轻量化的网络Ghost来代替Yolov5的骨干网络CSPDarknet53用来减少网络的计算量。其次，添加了注意力机制到特征提取骨干网络当中加强网络特征，最后跨层多路径聚合网络用来增加提取特征的能力。收稿日期：2 0 2 2-11-0 5作者简介：谢轩（2 0 0 0 一），男，湖南衡阳人，硕士生，主要从事目标检测、遥感图像处理研究，Email：l y x u a n x i e 16 3.c o m。*通讯作者：康丽（19 6 4一），女，湖北潜江人，教授，主要从事信号检测与处理、控制与优化技术研究，Email：k a n g l d g u t.e d u.c n。71谢轩，等：融合GhostNet和Yolov5的遥感图像目标检测第3 期1Yolov5简述Yolo（Yo u Ca n O n l y O n c e）算法作为当下最流行的单阶段目标检测算法之一，它将检测问题转化为回归问题。通过一次检测，便可同时得出目标框和物体类别。与两阶段的算法不同，FasterRCNN第一次通过RPN网络筛选出一些候选框，再从候选框里面进行检测。所以在时间上是，远远的超过单阶段算法。Yolo算法的思想是将一张图片分成dxd个网格，每个网格会有n个不同大小长宽比的先验框。当物体中心落到某个网格时，将会由该网格对这个物体进行检测，同时给出预测框的中心坐标位置、宽高、类别和置信度经过这些年的发展，Yolo已经发展到了第五个版本即Yolov5。Yo l o v 5共有Yolov5s、Yo l o v 5m、Yolov51和Yolov5x四个版本。Yolov5的四个版本的网络结构都是一样的，只是根据网络的深度和宽度不同来进行划分。其中Yolov5s是四个模型里面最小的，同时检测速度也是最快的。我们选了检测速度最快的Yolov5s模型作为算法研究的基准。Yolov5网络结构如图1所示，主要分为输人端（Input），骨干网络（Backbone），颈部网络（Ne c k）和检测层（Detect）四个部分。在输人端部分，对数据进行一些处理，包括Mosaic数据增强，自适应锚框计算以及自适应图片缩放。Back-bone采用CSPDarknet53结构用来特征提取15,Neck层主要使用特征融合部分，采用的是PAN结构，PAN在FPN的基础上进行修改，不仅有自下而上的特征融合，同时也有自上而下的特征融合，进一步提高模型的精度。最终的Detect层，在大小不同的特征图上预测不同尺寸的目标。InputBackboneNeck(PAN)DetectCBSdelectinput80*80CBSCSP1.CSP2CBSResUnitCBSConcatConcatConvdelectSP1UpsampleCSP240*40BNSiLUCBSCBSCBSAddCSP1CSP2ConeatdelectCBSConcatCSP220*20CBS1+psampSPPF1CBSXCBSConvBNSiLUSPLCBLResUnitCBLConcatBNReLUSiLUCBLXCSP2CBLCBL CBLConcatBNReLUSiLUCBL图1Yolov5网络结构2Yolov55改进算法2.1将Backbone网络改成GhostNetYolov5的Backbone骨干网络是CSPDarknet53网络结构，该结构虽然提取特征的能力很强，在ImageNet上取得了很好的结果。但是其速度还不能满足日常的工业应用。为此，本文将GhostNet20233年72东莞理工学院学报网络来代替Yolov5的CSPDarknet53网络。ChostNet的作者在进行卷积操作的时候，发现这些特征图有着许多共同的特征信息，因此先卷积其中的一部分，另一部分通过之前卷积出来的结果通过线性组合得到。如图2 所示，如果需要输出M层通道，那么把C（CR)(1)CoR(2)M由式（2）可得，在CR时，近似看作普通卷积的计算量是GhostNet卷积R倍。计算量的大幅度降低使得模型对硬件的要求降低，从而更好的适用于实际的工业应用。2.2增加注意力机制对于输人的遥感图像，除了待检测的目标外，经常会伴有复杂的背景信息，Yolov5的网络结构比较深，在经过大量的卷积操作之后，会造成很多几余信息。为了解决上述问题，引人了改进后的CBAM注意力机制16 ，并在Yolov5的Back-bone中加入修改后的注意力机制，让网络更加准确的定位和识别感兴趣的目标。注意力机制是通过关注输入对象的特定区域来获得更多的关键信息。作为注意力机制的开山之作，在SENet17中首次引人了通道注意力的概念，现在的网络都是比较深的网络，需要经过多次卷积和池化操作。到了网络较后的部分，通道数量较多，对于不同的通道应该基于不同的权重。而SENet则解决了这个问题，给每个通道不同的权重。但是SENet只是解决了通道注意力权重问题，对于空间注意力并没有起到注意力作用。卷积注意力模块（CBAM）解决了上述问题，结合了通道注意力和空间注意力。如图3所示，CBAM注意力机制先是计算通道注意力部分，首先把每个通道分别进行平均池化和最大池化，之后对池化后的结果进行相加得到输出，最后对所有通道的输出通过sigmoid激活函数，得到每个通道的权重。将得到的结果与输入进行相乘，得到通道注意力的结果。空间注意力机制则是关注目标在图像的位置信息。空间注意力机制以通道注意力的结果为输人，先进行最大池化和平均池化，然后进行一次卷积操作得到空间注意力的权重图。最后将得到的权重图通过sigmoid函数，得到每个空间位置的权重。Convolutional BlockAttention ModuleChannelAttentionSpatialModuleAttentionModule图3CBAM注意力机制CBAM虽然可以同时结合通道注意力和空间注意力，但是空间注意力是在通道注意力之后再进行的。对于网络的浅层部分，网络的通道比较少，进行通道注意力时会造成较大的信息损失。若此时再进行空间注意力，那么则会对特征提取造成带来负面影响。所以本文在基于此提出了一种同时卷积注意力模块（Meantime-CBAM，M-73第3期谢轩，等：融合ChostNet和Yolov5的遥感图像目标检测CBAM）注意力机制，如图4所示。M-CBAM不再是是先进行通道注意力，再进行空间注意力。M-CBAM对注意力模块的处理与CBAM是一样的。但是对于空间注意力的顺序进行了调整，不再位于通道注意力之后。首先同时进行通道注意力和空间注意力，之后把它们的结果进行相加操作。注意力机制虽然可以提高对关注区域的特征信息，但同时也会降低其他区域的特征信息。与CBAM不同，不是在通道注意力之后再进行空间注意力，而是对原始输入进行空间注意力。这样有效的解决在CBAM进行空间注意力的时候，由于通道注意力导致的特征信息丢失。ChannelAttentionModmleSpatial.ttentionModuleM-CBAM注意力机制图4M-CBAM注意力机制2.3跨层多路径聚合网络在深度学习当中，浅层网络更加关注一些抽象、细节的简单特征。而深层的网络网络则是更加注重语义信息，关注一些复杂特征。对于目标检测而言，浅层网络可以有效检测小目标和位置信息，而深层网络可以检测大目标。FPN是通过自顶向下的连接方式，将渐层网络特征和深层网络特征相融合的结构，提高目标检测的精度。Yolov5正是采用的PANet是在FPN的基础之上提出的，不仅保留自顶向下的连接方式，并且在此基础之上，加了一条自下而上的连接，更有效进行特征融合的结构，如图5所示。N5N4N3P3N2P2图5PANet结构在图5中P与FPN的结构类似，通过自顶往下进行特征融合得到的结果，和FPN的效果是一样的。N代表自下往上进行特征融合的结果。其中N2与P2是相等的，N3代表N2卷积后再和P3进行特征融合的结果，同理N4、N5也是一样的融合方式。PANet并不能解决跨层的问题。基于此，对PANet进行改进，提出了一种跨层多路径连接的网络（Cross-layer multiplexing）。继承了Yolov5的PANet，也在此基础了增加了多路径跨层连接，称为C-PANet。对于跨层的部分，采取了多路径聚合。多路聚合模块（MBBlock），网络结构是把输人分为两部分，一部分保持不变，而另一部分则是先通过一个CBAM接着通过CSP结构，最后将这两部分拼接起来。对于Backbone部分，浅层网络的结构保持不变，对于深层网络我把普通卷积修改为Chost卷积，为了有效的减少参数量。Neck部分和Yolov5一样没有做修改。Detect部分，对其进行了修改，增加了两条连线，并且这两条线先是通过MBBlock然后再进行Con-cat拼接。最后提出了一个新的网络结构，称之为Yolov5s-GCM，网络结构如图6 所示。3实验结果与分析3.1实验环境及数据处理本文采用的实验环境如表1所示，数据集为西北工业大学18 遥感公开数据集NWPUVHR-10，该数据是一个用于空间物体检测的10 级地理遥感数据集，其拥有6 50 张包含目标的图像和150张背景图像，共计8 0 0 张，目标种类包括飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁和汽车共计10 个类别。表1实验环境名称环境参数操作系统WindowsloGPUGeForce RTX 3080(10 CB)内存64GBPython3.8深度学习框架Pytorch1.11、CU D A 11.1首先对数据集进行预处理，把数据格式转换成Yolov5的格式id、x、y、W、h，并将其按照3：1的比例分为训练集和测试集。之后采用K-means算法对训练集的目标框进行聚类操作并进行GA算法2 0 0 0 轮变异，得到召回率最好的结果，如表2 所示。本实验在数据读取部分，使用了图像缩放、裁剪、翻转和Mosaic数据增强。Mosaic是每次随20233年74东莞理工学院学报BackhoneNeckDetectMBBLOCKCBSdelectMBBlock80*80CBSCSP2CBSCSP1CBSM-CBAMCBSCSPICSPL2UpsampleCBSCBSdelectCSP21-MBBlock40*40concatCSP1CBSCSP2CBSCSP1delectMBBlock20*20SPPFCBSCSP2图6Yolov5s-GCM网络结构表2 K-means算法结果检测头形状1形状2形状3Small24,2331,3147,35Mid35,4854,5491,54Large86,83200,115158,205机选取4张图像通过裁剪、平移等操作组合到一张图像里面进行训练，在原来的基础上扩大了数据集。这种方式即增加每一个batch训练的个数也可以有效的防止过拟合，如图7 所示。330.10d421.10g图7mosaic图像增强3.2评价指标为了定量评估本文方法的有效性，采取的评价指标平均精度（AveragePrecision，A P）、平均精度的均值（MeanAveragePrecision，mA P）、每秒10 亿次的浮点运算数（GFLOPS）。A P来源于精度和召回率，表示的是Precision-Recall（P-R）曲线面积的大小，精确率（Precision）表示算法正确识别的正样本占所有识别为正样本比例。召回率（Recall）表示算法正确识别的正样本占数据集正样本的比例。Precision和Recall计算公式如（3）和（4）所示TPPrecision(3)TP+FPTPRecall=(4)TP+FN其中TP代表正样本并正确识别；FP表示负样本被错误的识别为正样本；FN表示正样本被错误的识别为负样本。3.3消融实验为了验证本文提出的改进有效，做消融实验来验证各个部分的有效性。由表3看出，当把Backbone换成GhostNet的时候，CFLOPS从16.5下降到了13.6，是一种有效的轻量化模型方式，75第3期谢轩，等：融合ChostNet和Yolov5的遥感图像目标检测大大的减少了参数量。但是于此同时，模型的精度mAP从9 1.5下降到了8 8.1%，下降了3.4个百分点。ChostNet虽然可以减少模型的计算量，但是会带来精度上的损失。加入CBAM注意力机制模块后，在GFLOPS仅仅只是增加0.2 的情况下，模型的精度从8 8.1上升到了9 0.7，上升了2.6个百分点。在此基础上，加上C-PANet模块，GFLOPS上升了0.3，精度也是从9 0.7%提高到了9 1.8%。最后为了验证本文的提出的M-CBAM注意力要优于CBAM注意力机制。最后将CBAM换成M-CBAM，CFLO PS没有任何变化任是14.1，但是模型的精度上涨了0.5个百分点。从9 1.8%提升到了9 2.3%。Yolov5s-GCM在计算量上和精度上都优于原始的Yolov5s算法。表3消融实验结果ModelBackboneNeckmAPGFLOPSYolov5sCSPDarknet-53PANet91.5%16.5ChostChostNetPANet88.1%13.6Ghost+CBAMGhostNet+CBAMPANet90.7%13.8Ghost+C-PANet+CBAMGhostNet+CBAMC-PANet91.8%14.1Yolov5s-GCM(ours)GhostNet+M-CBAMC-PANet92.3%14.13.4对比试验为了进一步说明本文算法的有效性，与经典的深度学习目标检测算法FasterRCNN、Yo l o v 3、Soft-NMS、RICNN做对比。RCNN是首次将深度学习带人到目标检测领域，Soft-NMS是通过优化NMS提高算法的精度，FasterRCNN是当下优秀的二阶段的目标检测算法，Yolo系列算法是工业应用最广泛的单阶段目标检测算法。根据表4实验结果表明，与其他算法相比，本文的算法mAP有了一个较大的提高。Yolov5-GCM的平均精度达到了9 2.3%，比Yolov4提高了3.1%、Yolov3提高了5%，和FasterRCNN及softNMS相比，分别提高了9.6%和9%，除了在船舶和棒球场的检测有些不足意外，其余类别的检测均是达到了最高的mAP。对于田径场和储油罐的效果最好，达到了9 9.5%。表4对比实验结果FasterYolov5-算法RCNNSof-NMSYolov3Yolov4RCNNCCM飞机88.4%95.5%95.0%98.8%99.0%99.4%船舶77.3%87.2%85.6%76.7%95.7%84%储油罐85.3%72.7%73.2%99.0%96.6%99.5%棒球场88.1%94.9%94.6%99.4%97.4%99.2%网球场40.8%80.0%83.1%91.7%89.1%93.1%篮球场58.5%83.6%86.4%72%82.5%89.5%田径场86.7%97.6%97.7%99.5%94.9%99.5%港口68.6%65.1%66.0%92.8%77.2%95.9%桥梁61.5%65.6%67.3%65.6%73.7%76.7%车辆71.1%84.8%84.4%77.5%85.7%86.3%mAP72.6%82.7%83.3%87.3%89.2%92.3%为了进一步论证本文算法的有效性，图8 中展示了Yolov5s-CCM算法与Yolov5s算法对NW-PUVHR-10的检测结果。通过图8 可以看出Yolov5s会由于背景带来错检和漏检情况，而Yolov5s-GCM并不会出现错检或漏检的情况，这说明Yolov5s-GCM有着更好的鲁棒性。storgstorstorogstorogestanko.g3storogestorogetonk0.89co.88storoge.tonk.0.90o.90storogetank0.880.87storogetank.0.92.ank0.90storggelank.0.910.903.89stortoustostorogetanko.gstcscrogetonk.o.88storapicstoroge.tgnk.o.1gotisturdrstoragetg0k.0.910188storastcrogi0.88863584storo4rcatorstorogefankio.giftorstorstoragetank.88shipoT8storage storage.tank o.g1torageork0.88ink0188Ship10.86hpOYolov5sYolov5s-GCM(a)漏检StoragetankorntonkYolov5sYolov5s-CCM(b)错检图8漏检和错检20233年76东莞理工学院学报4结语对遥感图像目标检测轻量化问题，提出了一种改进Yolov5s的遥感目标检测网络，首先更改Yolov5s的骨干网络，换上了轻量化的网络，使模型的计算量得到了大幅度的减少。轻量化会带来精度的损失，所以本文添加注意力机制在骨干网络以及采用了跨层多路径聚合网络来提高精度。本文提出的算法Yolov5s-GCM较Yolov5s相比mAP提高的0.8%，GFLOPS减少了2.4。但仍然有些不足，本文将骨干网络替换成GhostNet的时候为了提高精度，将其宽度从原来的0.5提高0.6 6，从而对网络的GFLOPS并没有下降太多。下一步将继续轻量化Yolov5s模型，在宽度不变或者寻找更加轻量化的网络，来减少网络的计算量。参考文献1廖育荣，王海宁，林存宝，等基于深度学习的光学遥感图像目标检测研究进展J。通信学报，2 0 2 2，43（5）：19 0-2 0 3.2董丽君，曾志高，易胜秋，等基于YOLOv5的遥感图像目标检测J.湖南工业大学学报，2 0 2 2,36（3）：44-50.3GU Y,WANG Y,LI Y.A survey on deep learning-driven remote sensing image scene understanding:Scene classification,scene retrieval andscene-guided object detectionJ.Applied Sciences,2019,9(10):2110.4MA L,LIU Y,ZHANG X,et al.Deep learning in remote sensing applications:A meta-analysis and reviewJJ.ISPRS journal of photogrammetryand remote sensing,2019(152):166-177.5Y J,CHOI W,BUYUKOZTURK O.Deep learning-based crack damage detection using convolutional neural networks JJ.Computer-Ai-ded Civil and Infrastructure Engineering,2017,32(5):361-378.6GIRSHICK R,DONAHUE J,DARRELL T,et al.Rich feature hierarchies for accurate object detection and semantic segmentation CJ/Pro-ceedings of the IEEE conference on computer vision and pattern recognition,2014:580-587.7REN S,HE K,GIRSHICK R,et al.Faster r-cnn:Towards real-time object detection with region proposal networksJJ.Advances in neural in-formation processing systems,2017,39(6):1137-1149.8LIU W,ANGUELOV D,ERHAN D,et al.Ssd:Single shot multibox detector CJ/European conference on computer vision.Springer,Cham,2016:21-37.9REDMON J,DIVVALA S,GIRSHICK R,et al.You only look once:Unified,real-time object detection CJ/Proceedings of the IEEE confer-ence on computer vision and pattern recognition,2016:779-788.10HOWARD A,SANDLER M,CHU G,et al.Searching for mobilenetv3 C/Proceedings of the IEEE/CVF international conference on com-puter vision,2019:1314-1324.11ZHANG X,ZHOU X,LIN M,et al.Shufflenet:An extremely efficient convolutional neural network for mobile devices CJ/Proceedings of theIEEE conference on computer vision and pattern recognition,2018:6848-6856.12HAN K,WANG Y,TIAN Q,et al.Ghostnet:More features from cheap operations CJ/Proceedings of the IEEE/CVF conference on computervision and pattern recognition,2020:1580-1589.13秦伟伟，宋泰年，刘洁瑜，等。基于轻量化YOLOv3的遥感军事目标检测算法J计算机工程与应用，2 0 2 1,57（2 1）：2 6 3-2 6 9.14王云艳，罗帅，王子健。基于改进MobileNetV3的遥感目标检测J陕西科技大学学报，2 0 2 2,40（3）：16 4-17 115WANG C Y,LIAO H Y M,WU Y H,et al.CSPNet:A new backbone that can enhance learning capability of CNN CJ/Proceedings of theIEEE/CVF conference on computer vision and pattern recognition workshops,2020:390-391.16WOO S,PARK J,LEE J Y,et al.Cbam:Convolutional block attention module CJ/Proceedings of the European conference on computer vi-sion(ECCV),2018:3-19.17HU J,SHEN L,SUN G.Squeeze-and-excitation networks CJ/Proceedings of the IEEE conference on computer vision and pattern recogni-tion,2018:7132-7141.18CHENG G,HAN J,ZHOU P,et al.Multi-class geospatial object detection and geographic image classification based on collection of part detec-torsJ.ISPRS Journal of Photogrammetry and Remote Sensing,2014(98):119-132.上接第6 9 页）77第3期谢轩，等：融合GhostNet和Yolov5的遥感图像目标检测Remote Sensing Image Object DetectionBased on Ghostnet and Yolov5 FusionXIEXuanKANGLi(School of Electrical Engineering&Intelligentization,Dongguan University of Technology,Dongguan 523808,China)Abstract Object detection in remote sensing images is an important part of remote sensing image interpretation.How to de-tect objects quickly and efficiently from remote sensing images with many types of ground objects and complex backgrounds is a prob-lem to be solved.To solve the above problems,an improved object detection algorithm based on Yolov5s is proposed.Firstly,thebackbone network CSPDarknet53 is replaced by lightweight network ChostNet to reduce the calculation amount of the network.Sec-ondly,based on the Convolutional Attention Module(CBAM),the Simultaneous Convolutional Attention Module（M-CBA M)w a sproposed and applied to the Yolov5s backbone network.Compared with CBAM,the detection accuracy was improved without in-creasing the number of parameters.Finally,for the neck of Yolov5,a cross-layer multi-path aggregation network is proposed,whichbrings a significant improvement in the detection accuracy with only a small amount of additional parameters,and is called Yolov5s-GCM.Experimental results show that the accuracy of Yolov5s-CCM on NWPU VHR-10 dataset reaches 92.3%,which is 0.8%higher than the mean average precision of Yolov5s,and its calculation GFLOPS decreases from 16.5 to 14.1.Compared withYolov5s,Yolov5S-GCM has less calculation and higher accuracy.Key wordsobject detection;Yolov5;GhostNet;remote sensing image;attentional mechanismReviewof Resonance Suppression and Grid-ConnectedCurrent Improvement Control Strategies forThree-Phase Voltage-Source InvertersinNon-ldeal GridsLI Yiyun1,2ZHANG Zhi1CHEN Haohui1(1.School of Electrical Engineering&Intelligentization,Dongguan University of Technology,Dongguan 523808,China;2.College of Mechatronics and Control Engineering,Shenzhen University,Shenzhen 518052,China)Abstract As an important interface device between renewable energy generation,microgrid and large grid,the quality ofgrid-side grid-connected current is closely related to the stable operation of grid.When a voltage source inverter based on VirtualSynchronous Generator(VSG)control is connected to a non-ideal grid,the grid-side current will have serious distortion.Moreover,the grid-connected inverter with LCL-type filter will bring resonance to the system,which will cause the grid-connected current oscil-lation.By combing the recent literature on resonance suppression control methods and control strategies for grid-connected currentquality improvement,three research focuses are summarized:how to eliminate grid-connected current oscillations caused by LCL fil-ters;how to eliminate grid-connected current distortions caused by distorted grids;and how to eliminate negative sequence currentcomponents caused by unbalanced grids.At the same time,a comprehensive summary and analysis of the improved control strategiesmentioned in the literature,a comparison of the improvement effects of various control strategies,and an outlook on achieving sinu-soidalization of the output current waveform of the three-phase grid-connected inverter are presented.Key words LCL grid-connected inverter;VSG;non-ideal grid;grid-connected current quality;current improvement controlstrategy