改进YOLOv7的复杂环境下铅封小目标检测

来源：计算机工程与应用杂志2023年第19期北京时间：

作者：张海镔, 裴斐, 雷帮军, 夏平

单位：1.三峡大学 计算机与信息学院，湖北 宜昌 443002 ；2.水电工程智能视觉监测湖北省重点实验室，湖北 宜昌 443002

摘要：针对海港集装箱运输场景复杂、受光强弱程度不同、视角远近不同、铅封与背景颜色相近等情况导致的小目标铅封检测困难问题，提出了一种改进的YOLOv7集装箱上铅封检测方法。采用一种将上下文信息直接融入目标检测任务的方法，结合自顶向下的特征金字塔网络（path aggregation feature pyramid network，PAFPN）结构进行不同尺度的特征信息融合，提高辨别准确度；针对小铅封特征在训练过程中出现消失的问题，为骨干网络的最后一个MPConv与E-EALN模块嵌入可变形卷积模块（deformable convolution v3），适应形状大小不同输入的铅封特征图，在特征融合时，保证更多包含浅层语义信息的特征图被送入分类网络，增加模型复杂场景下的学习能力；在Neck部分融入自注意力机制（SimAM），自适应地选择输入中的重要信息，进一步提高在复杂多变背景下模型表现能力；针对数据集中集装箱上铅封距离远近不同，采用Focal Loss分类损失函数替换交叉熵损失，平衡高质量样本和低质量样本对Loss贡献，采用引入超参数的EIoU、CIoU Loss定位损失改进CIoU损失，使模型更关注预测框与真实框的重叠度，提高损失计算的准确性，同时适用于目标形状大小的变化性，提高鲁棒性。结果显示，改进后的YOLOv7算法相较于原始算法，可以达到81.6%的平均精度（mAP），检测效果优于其他经典目标检测网络和原始网络，在时间性能上，平均每张图像的识别时间为0.058?s，符合集装箱港口铅封检测的实时性要求。

关键词：铅封,小目标检测,YOLOv7,上下文信息,可变形卷积,注意力机制,损失函数