改进YOLOv7的复杂环境下铅封小目标检测

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.