基于YOLO v8n-seg-FCA-BiFPN的奶牛身体分割方法

奶牛身体部位的精准分割广泛应用于奶牛体况评分、姿态检测、行为分析及体尺测量等领域。受奶牛表面污渍和遮挡等因素的影响,现有奶牛部位精准分割方法实用性较差。本研究在YOLO v8n-seg模型的基础上,加入多尺度融合模块与双向跨尺度加权特征金字塔结构,提出了YOLO v8n-seg-FCA-BiFPN奶牛身体部位分割模型。其中,多尺度融合模块使模型更好地提取小目标几何特征信息,双向跨尺度加权特征金字塔结构实现了更高层次的特征融合。首先在奶牛运动通道处采集奶牛侧面图像作为数据集,为保证数据集质量,采用结构相似性算法剔除相似图像,共得到1 452幅图像。然后对目标奶牛的前肢、后肢、乳房、尾部、腹部、头部、颈部和躯干8个部位进行标注并输入模型训练。测试结果表明,模型精确率为96.6%,召回率为94.6%,平均精度均值为97.1%,参数量为3.3×10^(6),检测速度为6.2 f/s。各部位精确率在90.3%~98.2%之间,平均精度均值为96.3%。与原始YOLO v8n-seg相比,YOLO v8n-seg-FCA-BiFPN的精确率提高3.2个百分点,召回率提高2.6个百分点,平均精度均值提高3.1个百分点,改进后的模型在参数量基本保持不变的情况下具有更强的鲁棒性。遮挡情况下该模型检测结果表明,精确率为93.8%,召回率为91.67%,平均精度均值为93.15%。结果表明,YOLO v8n-seg-FCA-BiFPN网络可以准确、快速地实现奶牛身体部位精准分割。

融合BiFPN的轻量化YOLO v7疲劳检测方法

为了解决矿井提升机司机疲劳检测准确率低和实时性差等问题,提出一种融合BiFPN的轻量化YOLO v7疲劳检测方法。该模型将YOLO v7主干网络中会产生冗余的卷积计算用轻量级的Ghost网络代替来提取特征并将Ghost网络中指数型的激活函数换成轻量级激活函数SMU(Smooth Maximum Unit)。融合双向特征金字塔(BiPFN)的轻量化YOLO v7疲劳检测模型在自建矿井提升机司机疲劳驾驶数据集进行实验,结果表明:平均精度达到了97.25%,实时性达到了78 FPS,相较于原始的YOLO v7网络精度提升了3.14%,速度提高了8 FPS。

基于ECA和BiFPN改进YOLOv5s的PCB缺陷检测

针对常规的PCB缺陷检测算法存在精度不高、缺陷定位不准确等问题,提出一种基于ECA和BiFPN改进YOLOv5s的PCB缺陷检测方法。首先,在主干网络的C3中引入ECA注意力机制,使模型更加关注小目标的特征信息,保证模型检测效果;其次,引入加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN),让模型能够更快速地开展多尺度特征融合;最后,使用SIoU Loss替换CIoU Loss,进一步提升模型的稳定性。以同一PCB数据集为实验对象,实验结果表明,改进后的模型mAP达到了98.1%,相较于原模型,FPS提高了4.68,在检测的精度和速度上均有提升,满足PCB缺陷的实际检测要求。

基于YOLOv7-CA-BiFPN的路面缺陷检测

路面坑洼是主要道路缺陷,会损坏车辆,影响驾驶员的安全驾驶,严重时还会导致交通事故,针对这个问题,提出了改进YOLOv7的道路坑洼检测算法;使用Mosaic+Mixup进行内置数据增强,扩充小样本数据集,增强模型泛化能力;引入CA注意力机制,将横纵位置信息编码,保证计算量的同时又能关注大范围位置信息;采用BIFPN双向特征金字塔网络,通过特征融合多尺度语义特征提高检测效率;将损失函数SIoU替换CIoU,有效解决回归中的样本不平衡问题;实验结果表明,改进之后的算法在坑洼数据集的平精度均值和精确率达到了89.42%和90.12%,相比于原本的YOLOv7版本提高了6.18%和1.96%,更准确更快速地应用于道路维修。

基于改进YOLOv5和BiFPN的苹果检测方法

【目的】解决果蔬采摘机器人在背景复杂且苹果尺寸不一的情况下检测准确率低的问题,提供更加高效、便捷的农业管理手段。【方法】提出一种基于改进YOLOv5和BiFPN的苹果检测方法。首先,使用YOLOv5作为基础目标检测模型,以实现高效的目标检测。其次,引入BiFPN,通过权重系数和双向特征传播机制来增强特征融合能力,以更好地捕捉多尺度、多层次的特征,提高模型对不同尺度目标的检测能力和鲁棒性。【结果】将改进的模型在自建数据集上进行实验,改进后的BiFPN-YOLOv5模型同原始YOLOv5模型对比,在准确率上提高了2.2个百分点,召回率提高了2.4个百分点,平均精度提高了3.2个百分点,但是训练时间增加了0.6 ms/幅。【结论】训练时间的增加是由BiFPN的结构引起的,其他指标均有一定程度的提升,证明了改进算法的有效性,能够提高苹果小目标的检测精度。

一种BiFPN-YOLOv8铁轨表面缺陷检测网络模型

针对铁轨表面存在的剥落、孔洞、瘢痕、划痕、裂缝、磨损缺陷,构建了一种BiFPN-YOLOv8铁轨表面缺陷检测网络模型。在数据准备中,通过Gauss噪声变换和水平变换进行铁轨表面图像数据增强;在网络构建中,通过在原YOLOv8网络模型中引入加权双向金字塔结构Bi FPN构建Bi FPN-YOLOv8网络模型用于提升铁轨表面缺陷检测性能;在实验仿真中,通过在RSDDs数据集上定量的对比和定性的检测结果评价,验证了BiFPN-YOLOv8网络模型在铁轨表面缺陷检测任务上的精准性和适用性。

融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测网络

针对航拍绝缘子图像中检测目标尺度相差较大、绝缘子缺陷具有尺度小和背景复杂的特点,造成检测效果不佳的问题,提出一种基于改进YOLOv7的航拍绝缘子多缺陷检测算法。该算法使用具有单元内跳跃结构的加权双向特征金字塔(concat bidirectional feature pyramid network, CAT-BiFPN)替代YOLOv7中的双向路径融合网络(path aggregation network, PANet),减少以融合不同特征为目标的结构中的冗余,提高多尺度目标特征的融合度,并形成针对小目标检测的第4检测层;通过添加自注意力与卷积混合注意力机制(a mixed model of self-attention and convolution, ACmix)更加关注特征中的细节,进一步区分不同的绝缘子缺陷。该算法对航拍图像中高压输电线路上的正常绝缘子、自爆、污损和破损进行检测,并同时检测杆塔上的鸟巢异物。实验结果表明,该文算法的平均准确率达93.9%,相比于标准YOLOv7提高了9.6%,该文提出的多缺陷检测算法能够更好地对不同尺度绝缘子的缺陷进行准确识别。

融合BiFPN和YOLOv5s的密集型原木端面检测方法

针对成捆原木端面检测存在由于目标密集而形成的大量小目标难以精确识别的问题,提出融合BiFPN(bidirectional weighted feature pyramid network,双向加权特征金字塔网络)和YOLOv5s的密集型原木端面检测方法。为了提高密集原木图像中小目标的平均精度和查全率,模型中添加了一个小目标检测层以保留更多的浅层语义信息;为避免添加了小目标检测层后特征融合过程中的信息丢失,进而导致特征相对复杂的目标误检率、漏检率升高,融合简化版的BiFPN,在特征融合结构中加入跨尺度连接线以保留更多深层的语义信息,二者结合进一步提高了模型的鲁棒性。为了深入验证该模型的有效性,采取COCO公共数据集评判指标,将原木目标分为大、中、小3种目标并分别进行测试分析。试验结果表明:改进的模型对大目标的查全率和平均精度分别为99.70%和98.79%,调和均值为0.991;中目标的查全率和平均精度分别为98.02%和97.90%,调和均值为0.975,大目标和中目标相比于原模型性能几乎不变;小目标的查全率和平均精度为97.25%和96.86%,相比于原模型分别提高了20.96%和21.13%,调和均值0.973,相比于原模型提高了0.114。改进的模型检测速度为平均每张图片11.89 ms,模型参数量为14.4 MB,仅比原模型高了0.7 MB。因此,改进后的模型具有检测精度高、鲁棒性强、轻量化等特点,为实际环境复杂多变、数量庞大的密集原木端面检测提供了一种可行的方法。

基于改进BiFPN的微特电机电枢表面缺陷检测方法

针对现有微特电机电枢表面缺陷检测方法存在检测精度不高,特别是对相似性工件容易误判等问题,结合深度学习的方法,提出一种基于改进BiFPN的电枢外观缺陷检测方法。工业相机采集到的电枢图像通过匹配算法经过裁剪得到ROI,将ROI输入到EfficientNet结构,进行基础特征提取;采用通道注意力机制增强改进的BiFPN结构,对提取出的不同维度特征进行融合,并对特征进行筛选;使用分类器输出最终检测结果。结果表明:该电枢外观缺陷检测方法检测准确率优于ResNet和EfficientNet等深度学习检测方法,其检测准确率高达98.42%。研究结果对相似性较大的微特非标工件的检测性能提升有积极意义。

基于BIFPN-GAN特征融合的图像修复算法研究

为了使图像修复方法在结构重建的过程中实现结构与纹理信息之间的交互,提高修复的图像在语义上的真实性。在原有的双流生成网络基础上改进了一种基于BIFPN多尺度特征融合算法的双流结构图像修复网络。该网络采用耦合方式实现结构约束下的纹理合成与纹理引导下的结构重建,实现纹理与结构信息的有效利用,有利于生成语义更真实的图像。构建BIFPN多尺度特征融合网络,以实现重建、感知与风格损失的补偿,使融合后的图像实现全局的一致性。在训练阶段,采用了基于语义的联合损失函数,以增强图像在结构生成上的合理性。通过在CelebA和Places2数据集上与其他修复网络进行对比实验,证明了改进的图像修复方法的客观评价指标更优,更加有效地修复破损图像的结构和纹理信息,图像修复性能更优。

基于BiFPN改进的深度学习口罩人脸检测方法

准确检测人员是否佩戴口罩对于保证食品生产环境的卫生、预防疾病的传播等具有重要意义。文章改进了YOLOv5算法的网络结构,首先基于双向特征金字塔网络(BiFPN)改进了YOLOv5网络的颈部(Neck)结构,然后使用K-means聚类算法对数据集进行聚类分析,提出YOLOv5_BM口罩人脸检测算法。在自制人脸口罩数据集上的测试结果表明,YOLOv5_BM算法的平均精度高达95.3%,相比YOLOv5网络提升了3.8%。在公开数据集上与其他经典的目标检测算法相比,YOLOv5_BM算法在性能方面也取得了提升,相比SSD算法,YOLOv5_BM算法的平均精度提高了4.4%;相比YOLOv3算法,YOLOv5_BM算法的平均精度提高了2.9%。

基于CBAM和BiFPN改进YoloV5的渔船目标检测

在渔港高点监控渔船目标的场景下,对渔船检测经常丢失和检测错误等问题,提出了一种基于改进YoloV5的渔船目标检测模型。首先通过Kmeans++算法对锚框重新聚类,选择适合渔船数据集的锚框尺寸;然后在YoloV5的骨干网络中融入卷积注意力模块(CBAM)注意力机制获取更多细节特征;再采用加权双向特征金字塔网络(BiFPN)代替原先的特征金字塔网络(FPN)+像素聚合网络(PAN)结构,快速进行多尺度特征融合;最后在检测尺度上去掉大目标的检测尺度,增加更小目标的检测尺度,改用新的三个检测尺度,提高了模型对小目标渔船的检测精度。结果显示:对比原YoloV5算法,改进后的算法精确度、召回率和平均精度均值均有所提升,分别提升29.5%、0.5%和4.5%,每秒检测帧数达到90.6,对渔船目标检测效果有大幅度改善。研究表明,改进后的YoloV5算法满足休渔期管控期间对渔船目标检测的准确性和实时性要求。

基于BiFPN-YOLOv5的公路养护检测算法

公路养护是公路管理过程中的主要任务,目前路面检测主要依靠人工进行检测,但该方法需要耗费大量的人力物力,为此提出BiFPN-YOLOv5算法来对需要养护的物体与干扰项进行目标检测,针对传统FPN中存在各个尺度的特征信息不一致,提出使用BiFPN来改进传统的FPN方法;同时CIoU loss并没有考虑真实框与预测检测框之间不匹配的方向,导致收敛速度降低且最终模型检测精度较低,为此提出使用SIou loss来解决此问题。实验结果表明,该算法在平均精度均值与召回率分别提升了3.72%与0.56%,说明本文算法能够有效应用于公路养护检测。

基于改进Ghost-YOLOv5s-BiFPN算法检测梨树花序

疏花是梨生产中的重要农艺措施,机械化智能疏花是当今高速发展的疏花方式,花朵与花苞的分类与检测是保证疏花机器正常工作的基本要求。本研究针对目前梨园智能化生产中出现的梨树花序检测与分类问题,提出了一种基于改进YOLOv5s的水平棚架梨园花序识别算法Ghost-YOLOv5s-BiFPN。通过对田间采集的梨树花苞与花朵图像进行标注与数据扩充后送入算法进行训练得到检测模型。Ghost-YOLOv5s-BiFPN运用加权双向特征金字塔网络(Bi-directional Feature Pyramid Network,BiFPN)替换原始的路径聚合网络(Path Aggregation Network,PAN)结构,对网络提取的不同尺寸目标特征进行有效的融合。同时运用Ghost模块替换传统卷积,在不降低准确度的同时减少模型参数量和提升设备运行效率。田间试验结果表明,改进的Ghost-YOLOv5s-BiFPN算法对梨树花序中花苞与花朵的检测精度分别为93.2%和89.4%,两种目标平均精度为91.3%,检测单张图像时间为29 ms,模型大小为7.62 M。相比于原始YOLOv5s算法,检测精度与召回度分别提升了4.2%和2.7%,检测时间和模型参数量分别降低了9 ms和46.6%。本研究提出的算法可对梨树花苞与花朵进行精确的识别和分类,为后续梨园智能化疏花的实现提供技术支持。

基于YOLOv5-ECA-BiFPN的学术期刊文献图表识别与提取方法研究

【目的】精准识别与提取学术期刊文献中的图表,促进学术图表的传播和交流。【方法】在YOLOv5算法中引入ECA通道注意力模块,并优化PAN模块为BiFPN,随机抽样13个学科门类1 300篇学术期刊文献作为实验数据,利用poppler-0.68.0将其转换为高质量的图片,并基于该数据集验证新算法性能。【结果】相较于次优值,新算法F1值提高1.99个百分点,达到99.88%。【局限】数据标注范围与数量有待扩大,可覆盖至更多场景。【结论】基于YOLOv5-ECA-BiFPN的学术期刊文献图表识别与提取方法能够有效提高特殊场景下的图表识别与提取效果。

基于FasterNet和YOLOv5改进的玻璃绝缘子自爆缺陷快速检测方法

为了实现对电力输电线路中绝缘子缺陷实时快速的巡检需求,提出了一种结合FasterNet-tiny和YOLOv5-s-v6.1网络模型改进的缺陷快速检测算法FasterNet-YOLOv5。首先引入参数量小推理速度更快的FasterNet网络替换原先的CSPDarkNet53主干网络,加快网络的检测速度。然后结合由GhostNetv2网络提出的解耦全连接注意力机制(decoupled fully connected,DFC),在主干特征提取网络中设计了DFC-FasterNet模块,模块中的DFC Attention机制可以在特征提取过程中增大感受野,提升网络的检测精度。最后针对玻璃绝缘子自爆缺陷目标较小和背景较复杂的情况,重新设计Neck模块,提出BiFPN-F特征融合模块,使网络更精确地定位绝缘子缺陷区域。实验结果表明:改进后的算法可以快速精准定位,其均值平均精度(mean average precision,mAP)达到93.3%,相较于改进前提升5.67%,检测速度达到45.7 Hz,较改进前提升近1倍。同时与最新的YOLOv8n和YOLOv7-tiny相比,改进后的FasterNet-YOLOv5在自爆缺陷上的检测精度和速度更具优势,该文所提算法能够更快速地对绝缘子及其自爆缺陷实时定位识别。

基于改进YOLOv7的苹果表面缺陷轻量化检测算法

针对如何提高苹果表面缺陷的检测速度和精度,解决模型内存占比大的问题,提出一种基于改进YOLOv7的苹果表面缺陷轻量化检测算法。首先引入GhostNetV2作为YOLOv7网络的backbone,有效降低了模型复杂度,提高了检测速度。并引入SimAM无参注意力机制,以强化不同深度的特征信息。使用双向加权特征金字塔结构BiFPN进行加权特征融合,进一步提升苹果表面缺陷的检测精度。最后采用ECIOU损失函数来计算边界框损失,进一步提高模型收敛速度和整体性能。结果表明,改进YOLOv7模型在苹果表面缺陷检测上mAP@0.5较原YOLOv7网络提高2.0百分点,准确率和召回率也分别提升了1.7、3.9百分点,模型减小20.8 MB,速度提升36.43帧/s。其综合性能也优于SSD、CenterNet等主流算法,可实现对苹果表面缺陷的快速准确诊断。

基于多尺度特征融合的轻量级火灾检测算法

针对传统火灾检测算法存在的检测精度不足及速度瓶颈,特别是对于小规模初发火情与大规模迅速蔓延火灾的识别难题,研究提出一种基于多尺度特征融合的轻量级火灾检测算法,设计了EDBAN模块以替代YOLOv8中的C2f模块,提升模型的泛化能力和适应性,尤其是在处理多尺度火灾场景时的精准度。改进原有的BiFPN结构适配YOLOv8模型结构,并设计Weighted Blend模块对各层特征进行加权融合,增强特征的表征能力,降低漏检风险。进一步提出LOTT检测模块,以替代传统的YOLOv8检测,通过一系列组卷积和尺度调整操作,实现了在轻量化的同时保持了检测性能的准确性和稳定性。通过在场景丰富的火灾数据集上进行实验,结果表明,改进的YOLOv8算法在基准模型的基础上参数量减少了58.3%、计算量减少了34.5%,同时mAP提升了2.6个百分点,基本满足火灾实时检测的需求。

基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

基于YOLOv5s的钢铁表面缺陷检测算法

为改善因小目标检测效果差而导致的钢铁表面缺陷检测精度差的问题,以YOLOv5s为基础,通过在主干网络添加注意力机制(attention mechanism,SE),将C2f模块代替C3模块,将双向特征金字塔网络(bidirectional feature pyramid network,BIFPN)网络代替颈部网络中的路径聚合网络(path aggregation network,PAN)网络的这三种方法来提升模型对缺陷小目标的检测能力。旨在提升检测精度并达到实时检测要求。结果表明,改进后的YOLOv5s-SCB算法在NEU-DET(northeastern university-detect)上的均值平均精度(mean average precision,mAP)值达到77.9%,在达到实时检测的前提下,相较于YOLOv5s网络提高了3.7%,与其余基于YOLOv5s改进的算法及YOLOv8相比,YOLOv5s-SCB实现了更好的检测效果。可见本文提出的钢铁表面缺陷检测算法YOLOv5S-SCB可以更好地完成钢铁表面缺陷检测。