基于BiFormer与跨尺度相关性计算的高精度复制移动篡改检测网络

针对目前复制移动伪造检测(Copy-Move Forgery Detection, CMFD)网络难以同时有效地检测不同尺度的篡改区域的问题,提出了一种融合了BiFormer与跨尺度相关性计算模块的U型网络BCSU-Net。不同于已有的CMFD网络采用卷积骨干网络提取局部特征,BCSU-Net采用BiFormer捕获像素之间的长距离依赖关系,以更好地提取特征图中的高相关性特征。此外,还提出了跨尺度相关性计算模块,来计算不同尺度的特征之间的相似度,从而帮助模型更准确地定位出Copy-Move伪造图像中的篡改区域。与现有方法相比,BCSU-Net在COVERAGE和CoMoFod数据集上表现出更优的性能。

基于改进YOLOv8曲轴表面缺陷检测算法

针对曲轴表面小目标缺陷检测难度大、缺陷背景复杂和检测速度慢等问题,提出一种改进曲轴表面缺陷检测的算法RB-YOLOv8。首先,用RepViT模块取代了传统的C2f模块,有助于减少网络的计算负担并加快其运行速度;接着,通过优化双向特征融合模块BiFPN及增加小目标检测层,改善小目标缺陷识别的能力;然后,利用BiFormer注意力机制强化模型的抗干扰能力和解决缺陷背景复杂的难题,提高检测准确率;最后,使用MPDIoU损失函数调整,从而进一步提升检测的精准度。实验结果表明,所提出的算法的检测精度可以达到98.4%,模型大小缩减为2.797 MB,同时使每秒帧数(FPS)达到了169 f/s,成功地实现了对曲轴表面的缺陷检测。

基于YOLOv7的机场跑道异物检测算法

机场跑道异物对航班安全起降构成极大威胁,准确及时地检测并清除机场跑道异物是机场安全工作的重点。针对机场跑道异物检测任务中的小目标检测精确度与实时性,提出一种基于YOLOv7的机场跑道异物检测算法。首先在主干网络引入CBAM模块,从空间注意力与和通道注意力两方面专注小目标特征信息提取;其次在加强特征提取网络结合AFPN思想提出SA-PANet结构,将相邻有效特征层进行渐进式特征融合,缓解有效特征层之间的语义差距;然后在加强特征提取网络的PANet结构下采样支路中引入BiFormer模块,聚焦小目标特征信息的进一步融合提取;最后在边界框定位损失函数计算过程中引入MPDIoU Loss,加速模型收敛并提升机场跑道异物检测准确率与定位精度。在机场跑道异物图像数据集上实验表明,改进后算法mAP 50为98.76%,较改进前算法提升9.09个百分点。与其他针对机场跑道异物检测的算法相比,改进后算法具有更高的检测精度同时将模型参数量与模型计算量增幅控制在可接受范围内,达到机场跑道异物检测任务的准确、快速需求。

基于轻量化NDFEDet-SOLOv2的遥感图像建筑物提取方法

目的在地籍测绘和灾害管理等领域中,建筑物轮廓和位置的自动提取是至关重要的一环。为了解决高分辨率遥感图像建筑物因环境因素导致分割精度不准确等问题,提出了一种改进的轻量化SOLOv2实例分割模型——NDFEDet-SOLOv2。方法该模型选用双向特征金字塔网络(BiFPN)特征融合方式的轻量级EfficientDet网络,其中将骨干网络部分的EfficientNet升级为EfficientNetv2,EfficientNetv2中的三层MBConv模块SE注意力更换为含有DropBlock正则化的轻量级标准化注意力机制(NAM),构成NAD-MBConv模块。BiFPN特征融合部分,向其尾端各特征层并入双水平路由注意视觉变压器(BiFormer),形成双向水平路由注意特征金字塔网络结构(Bi-FPN-Former),从而聚焦微小建筑物轮廓信息,以实现更高层次的特征融合。结果NDFEDet-SOLOv2模型相较于传统轻量级SOLOv2实例分割算法,平均精度mAP、mAP 50和mAP 75分别提高了3.9%、3.7%和2.5%,检测帧率(FPS)提高了2.7帧/s。结论轻量化NDFEDet-SOLOv2实例分割算模型消除了建筑物边角的图像畸变,在地理环境空间不均等复杂情况下也能准确提取出遥感图像建筑物的基本轮廓,从而为城市布局更新和建筑变化检测提供理论参考。

Bi-YOLO:一种基于YOLOv8n改进的轻量化目标检测算法

以YOLOv8为代表的单阶段目标检测算法,在骨干网络中有比较明显的优化,但在颈部网络未能高效地融合上下文信息,导致在小目标检测方面存在漏检、错检的问题,并且还存在模型参数量大、计算复杂度高的问题,无法满足端到端的工业部署需求。针对以上问题,引入基于Transformer结构的BiFormer注意力机制,加强对小目标的检测性能,提升算法的精度;引入GSConv模块,在保证算法性能不受到负面影响的前提下减小算法规模。为了平衡BiFormer带来的计算量和参数量的增加,设计了一种名为Bi-YOLO的目标检测算法,以达到轻量化和算法性能的平衡。实验结果表明,Bi-YOLO目标检测算法和YOLOv8n相比,算法精度提高了4.6%,DOTA数据集小目标检测精度提高了2.3%,参数量下降了12.5%。Bi-YOLO有效实现了模型轻量化和性能的平衡,为端到端的工业部署提供了新思路。

改进YOLOv8的水面小目标检测算法

针对水面目标检测中的噪声干扰和小目标的漏检问题,提出一种改进YOLOv8的水面小目标检测算法YOLOv8-WSSOD(YOLOv8-water surface small object detection).首先,为降低水面复杂环境在主干网络下采样过程中产生的噪声干扰,提出基于BiFormer双层路由注意力机制构建的C2fBF(C2f-BiFormer)模块,在特征提取过程中保留细粒度的上下文特征信息;其次,针对水面小目标的漏检问题,新增一个更小的检测头,提升网络对小目标的感知力,并在Neck端引入GSConv和Slim-neck,减轻模型复杂度并保持精度;最后,使用MPDIoU损失函数解决CIoU损失函数的局限性,以提高模型检测准确率.实验结果表明,相较于原始YOLOv8算法,该算法在水面小目标上平均准确率mAP@0.5提升了4.6%,mAP@0.5:0.95提升了2.2%,并且改进后的算法检测速度达到86f/s,能有效实现对水面小目标快速、准确的检测.

基于改进YOLOv7的复杂行人检测系统研究

在智慧交通系统中,行人的安全和便利性同样是重要关注点。针对行人交通场景中由光照、遮挡、目标小以及背景复杂等因素导致的目标检测精度低、易出现漏检和误检问题等情况,提出了一种基于改进YOLOv7的行人目标检测算法。该算法在主干网络中嵌入动态稀疏注意力机制BiFormer,以增强特征提取能力;将三尺度检测头输出改为双检测头输出,以提升模型训练和推理速度;运用迁移学习初始化权重配值方法,以减少模型训练时间。实验结果表明,相比改进前的YOLOv7算法,所提出的改进算法在人员遮挡区和远距离小目标行人检测时具有更高的识别率,满足了复杂行人检测要求。

基于YOLOv7的边缘增强水面漂浮垃圾小目标检测

水面漂浮垃圾不断增多引起关注,针对水面漂浮垃圾边缘信息模糊的问题,提出E-MP模块,在MPConv的基础上添加Laplacians,Sobel-dx和Sobel-dy增强小目标水面漂浮垃圾的边缘信息。针对小目标漂浮垃圾仅占据图像少量像素的现象,引入了Biformer注意力模块。Biformer利用前后两个方向的上下文信息,更好地捕捉序列中的依赖关系,同时降低背景信息对检测目标物体带来的一部分影响。在此基础上引入SIoU来构建损失函数,将边界区域作为目标区域来进行加权,可以更好地捕捉目标的边界信息,从而提高检测精度。在Flow-Img子数据集上进行了大量实验,实验结果表明,YOLOv7-edge模型比原来的模型检测精度更高,mAP@0.5和mAP@0.5:0.95分别提高了7个百分点和5个百分点。

基于上下文语义联合YOLOv7的分心驾驶检测算法

针对分心驾驶检测方法存在实时性差、精度低、可部署性差的问题,提出了一种基于上下文语义增强联合YOLOv7的分心驾驶检测算法。首先将模型backbone和head部分的ELAN模块替换成语义上下文增强模块(contextual transformer,CoT),提高上下文语义信息的捕获能力。其次,将语义关联增强机制(triplet attention)融入卷积块中,插入backbone和head的连接头之间以及融合MP2模块,强化目标间的关联关系以及提升目标特征提取能力。最后,将自注意力双向Transformer模块(Biformer)模块融合SPPCSPC模块,提升模型对分心驾驶中的复杂场景和遮挡目标的处理能力。改进的YOLOv7算法在分心驾驶数据集下平均精度均值(mean average precision,mAP)达到了87.3%,比原算法提高了4.3%,模型参数量减少了4.7%,每秒传输帧数达到了90 fps,具有较好的检测精度与速度。

改进YOLOv7的轧钢车间安全帽佩戴检测算法

佩戴安全帽能够保护生产工作者头部免受坠物撞击带来的伤害;轧钢车间存在空间跨度大、作业设备繁多、环境杂乱、昼夜光照差别大、炫光、监控目标尺度变化范围大等问题,增加了安全帽佩戴检测难度;针对上述问题,设计了基于改进YOLOv7模型的轧钢车间安全帽佩戴检测方案;算法基于NWD方法改进损失函数以提高目标检测精度,并在SPPCSPC模块上增加了BiFormer模块,使模型对小目标具有更好的检测精度,同时不会增加运算负担,优于其他注意力机制;在自建安全帽数据集上对改进的YOLOv7模型进行训练,实验表明,改进的YOLOv7模型平均精度均值为99.3%,检测速度达82FPS,与其他主流算法、改进算法对比,改进YOLOv7的mAP指标最高,大大超过了其他模型的指标,同时检测速度基本与改进模型前相差不大,并没有因为精度提高而明显降低检测速度,有较好效果。

基于改进YOLOv7的PCB缺陷检测算法

在PCB缺陷检测领域中检测精度的提高一直是1个具有挑战性的任务。为了解决这个问题,提出一系列基于PCB缺陷检测的改进方法。首先,引入一种新的注意力机制,即BiFormer注意力机制,这种机制利用双层路由实现动态的稀疏注意力,从而减少计算量;其次,采用一种创新的上采样算子CARAFE,能够结合语义信息与内容信息进行上采样,使得上采样过程更加全面且高效;最后,基于MPDIoU度量采用一种新的损失函数,即LMPDIoU损失函数,能够有效地处理不平衡类别、小目标和密集性问题,从而进一步提高图像检测的性能。实验结果表明,所提改进后的模型在平均精度均值(mAP)方面取得了显著提高,达到了93.91%,与原YOLOv5模型相比提高了13.12个百分点,同时,在识别精度方面,所提改进后的模型表现也非常出色,达到了90.55%,与原YOLOv5模型相比提高了8.74个百分点。引入BiFormer注意力机制、CARAFE上采样算子以及LMPDIoU损失函数,对于提高PCB缺陷检测的精度和效率具有非常积极的作用,为工业检测领域的研究提供了有价值的参考。

基于BF-YOLOv5的红外及可见光图像融合的目标检测

在目标检测领域,夜间、大雾、遮挡及战场伪装等复杂的环境中,使用单一的图像传感器不足以反映全部的场景信息,难以提高复杂环境中目标检测精度。为此提出了以YOLOv5为基础的BF-YOLOv5算法,算法采用双分支结构,通过两个Backbone分别读取可见光图像和红外图像,在每个Backbone中分别融合了CBAM,通过学习的方式自动获取每个特征通道的重要程度,并且利用得到的重要程度来提升特征,抑制对当前任务不重要的特征。在Neck部分融合了BiFormer注意力机制,用来提升对小目标的检测能力。实验证明,BF-YOLOv5算法在红外及可见光FLIR数据集和LLVIP数据集上的检测精度均高于原有算法,在FLIR数据集上平均精度均值(mAP)高达86.6%,相比原有双分支算法提升了2.2个百分点,显著提高红外和可见光融合图像的检测性能。

基于改进YOLOv7的密集鱼群计数检测

【目的】提高在水体浑浊和鱼群高密度聚集等复杂环境中的鱼群检测精度。【方法】提出一种基于双层路由注意力机制(BiFormer)和Normalized Wasserstein Distance(NWD)损失函数的改进YOLOv7的密集鱼群计数检测方法。在保留细粒度特征的基础上,提高模型对多尺度特征的学习能力,同时降低模型对模糊图像中小目标位置偏差的敏感性,加强对浑浊水域中鱼群的识别能力。为评估该模型的有效性,在红鳍东方鲀(Takifugu rubripes)数据集上与其他网络模型进行对比实验。【结果】该方法在红鳍东方鲀数据集上的准确率和召回率分别达到98.05%和97.69%,平均精度达到99.10%,较YOLOv7相比分别提升2.46%、3.73%和2.62%。与目前检测准确率较高的其他水下目标检测模型相比,平均精度平均提高4.25%。【结论】实现真实养殖环境下浑浊水域中鱼群的准确检测,有助于科学指导工业化水产养殖的生产管理,提高养殖效率,减少资源浪费。

基于改进YOLOv8的中药材图像识别

针对传统中药材检测任务中识别效率低、受主观因素影响较大的问题,文章选取77种中药材作为研究对象。采用自行拍摄图像和在互联网获取图像的方式,并结合旋转平移、高斯噪声等数据增强技术,最终构建了一个包含4万多张图像的数据集。在模型改进方面,对第八代只看一次目标检测算法(You Only Look Once version 8,YOLOv8)的Backbone部分进行了针对性的优化,引入了DSConv和Biformer注意力机制。DSConv能够自适应地关注细长和曲折的局部特征,而Biformer则通过双层路由机制,实现了内容感知的稀疏模式,提高了模型对图像细节和关键目标的识别能力。实验结果表明,改进后的YOLOv8模型的精确率、召回率和平均精度分别达到了96.4%、98.0%和97.7%,相较于原模型的精确率和平均精度分别增长了1.7百分点和1.0百分点。在中药材检测任务上取得了显著的性能提升效果。

基于改进YOLOv8s的摄像头模组缺陷检测

针对摄像头模组缺陷检测中缺陷尺寸变化大、轮廓不明晰和小目标缺陷漏检率高等问题,提出一种改进的YOLOv8s算法。首先,增加小目标检测层,提高小目标检测性能;其次,引入BiFormer对主干网络中C2f模块进行改进,提出C2f-Bif模块来增强网络的提取图像特征能力;再次,提出混合快速空间金字塔池化模块,增强网络捕获局部和全局信息的能力;最后,加入无参型SimAM注意力机制,抑制非目标背景干扰信息,提高对目标的关注度。实验结果表明:在减少模型参数量的情况下,改进后的YOLOv8s算法对摄像头模组缺陷检测的平均精度均值达到了87.2%,比YOLOv8s算法提升了3.2个百分点。检测速度达到55 FPS,满足工厂对摄像头模组缺陷实时检测的要求。

基于改进YOLOv8模型的弓网燃弧视觉检测

针对燃弧视觉检测中遮挡下目标尺寸过小的问题,设计了一种基于BiFormer注意力机制的非接触式弓网燃弧视觉检测算法,增强了识别燃弧小目标的表征学习能力。首先,基于目标检测,引入了经典目标检测算法YOLOv8,搭建了一种用于检测弓网燃弧的视觉检测平台;其次,为了提高计算效率,将BiFormer注意力机制引入到YOLOv8模型中,并将Focal-EIoU应用到损失函数中,以增强系统对燃弧小目标的检测能力,提升对燃弧特征的判别性能;最后,在不同地铁工况下对该方法的有效性进行了实验验证。

基于改进YOLOv5s的建筑护栏目标检测

目前,建筑场所上仍存在因建筑护栏缺失或建筑护栏安全性降低而导致的建筑工人高空坠亡事件。针对该问题,提出一种基于改进YOLOv5s的建筑护栏检测算法。首先,针对建筑护栏普遍存在的安全隐患,收集影响护栏安全性较大的情况的图像,例如:建筑护栏栏板的存在图像、建筑护栏栏板的缺失图像、护栏网图像、护栏栏板衔接错位图像和护栏栏板衔接正确图像等,并且制作成训练数据集。为提升YOLOv5s在复杂环境下多目标检测任务和区分任务结果的准确率,将新型的Biformer注意力机制与SE注意力机制相结合,嵌入到原模型的特征提取网络中,并利用CBAMC3取代原特征提取网络的C3模块。最后,使用CLAHE算法较大程度地解决部分图像亮度偏暗,影响检测精度的问题。实验结果表明,所提检测算法的mAP50值和召回率分别达到了79.6%和83%,相比于原YOLOv5s算法分别提高了3.7%和6.8%。

改进YOLOv7-tiny的轴套零件表面缺陷检测算法

为了能够提高轴套表面缺陷的检测精度和效率,文章提出了改进YOLOv7-tiny的轴套表面缺陷检测算法。首先在模型的特征提取上,针对处理任意维度的数据,把标准卷积替换为全维动态卷积(omni dimensional dynamic convolution,ODConv);其次在特征融合中,把上采样部分的最邻近插值替换为轻量级算子CARAFE;在拼接处引入BiFormer,增加对局部小目标的检测;最后通过把标准卷积替换为GSConv的方式,引入Slim-Neck模块。最终,在轴套数据集上做对比和消融实验,与原模型相比,改进后的算法在mAP上提高了7.7%,在局部小目标上提高了11%;在FPS上提升了40.3。用改进后的算法在公开GC10-DET数据集下做通用性实验,结果表明该算法具有通用性。

基于改进YOLOv5的PCB元器件分类检测算法

随着电子技术的发展,产生了大量的电子固体废弃物。为解决电路板上电子元器件的自动拆卸回收问题,本文提出了一种基于YOLOv5的分类检测算法。自制了一个废弃PCB元器件的数据集,用于训练分类模型;将原有网络结构中的主干(Backbone)替换为轻量级移动端架构MobileNetV2网络,提升对于移动端模型的检测性能;同时将MobileNetV2网络中的静态卷积替换为全维动态卷积(ODConv),增强对小目标的检测能力;在特征提取网络中引入BiFormer双层路由注意力机制模块,以有效抑制噪声信息的干扰,进一步提高对小目标的检测精度。在我们的数据集上测试改进后的算法,实验结果显示,在YOLOv5s算法上保持计算参数量少量增加的同时,整体平均精度提升了3.1%。改进后的算法在PCB元器件分类定位中具有较高的识别精确率,同时整体参数量增加较小,为在移动端使用提供了可能。

基于改进YOLOv8算法的铁路信号机自动检测方法

针对铁路场景下信号机小目标特征不明显导致检测困难出现漏检问题和检测模型精度低的问题,设计出了一种基于改进YOLOv8的小目标检测算法,命名为FBO-YOLOv8。方法在YOLOv8算法模型的基础上,采用轻量化FasterNet替换了主干网络;添加BiFormer作为特征融合层,引入了全维度动态卷积(omni-dimensional dynamic convolution,ODConv),使网络能更精准地捕捉特征图中的位置信息并实现更高效的融合;在特征融合的基础上,兼并上采样和下采样过程构建了新的层次特征,增强对小目标的特征学习能力。为了验证所提出的方法对信号机检测的有效性,在无人机航拍的铁路信号机数据集(Self-Built数据集)上进行测试,并将检测结果与其他方法进行对比。实验结果表明,FBO-YOLOv8模型在Self-Built数据集上mAP达到了77.8%,较YOLOv8目标检测算法提高了1.0%。与YOLOv7-Tiny、YOLOv5s、YOLOv3-Tiny等轻量化模型相比,FBO-YOLOv8不仅提高了模型的精确度,还有效解决了漏检问题,适用于实际铁路场景下的小目标检测任务。