基于YOLOv8-NFMC的带钢表面缺陷检测算法

针对YOLOv8算法在应用于带钢表面缺陷检测时存在漏检和错检等问题,提出了一种改进YOLOv8算法。针对数据集中的小目标的标签,在原损失CIOU的基础上面加入标准化高斯瓦瑟斯坦距离(normalized Gaussian Wasserstein distance,NWD),提升模型对小目标缺陷的检测能力;采用聚焦调制(focal modulation)替换YOLOv8模型的空间池化金字塔(spatial pyramid pooling-fast,SPPF),在轻量化的同时,提高多尺度特征的表达能力;采用移动翻转瓶颈卷积(mobile inverted bottleneck conv,MBConv)替换C2f中的Conv构建新模块C2f-MB,同时使用C2f-MB替换原有的C2f模块,增强特征表达能力和多尺度特征融合能力;在主干部分加入卷积块注意力机制(convolutional block attention module,CBAM)来抑制背景干扰,能更好捕获全局信息,提升了主干部分的特征提取能力。实验结果表明,改进后的YOLOv8算法在计算量下降的同时,mAP@0.5提高了3%,对漏检和错检等问题有明显改善。

改进YOLOv5的汽车齿轮配件表面缺陷检测

针对汽车齿轮配件表面缺陷检测存在效率低和精度差的问题,提出一种基于YOLOv5改进的缺陷检测模型YOLO-CNF。在骨干网络中增加CBAM注意力模块,使模型更加关注齿轮配件的缺陷区域,提高对微小缺陷的识别能力;设计了F2C模块用于融合浅层特征,在一定程度上缓解了微小缺陷位置信息丢失的问题;利用NWD(normalized Wasserstein distance)对回归损失进行优化,减少对小目标位置偏差的敏感性,从而进一步提高目标位置的准确率和精度。实验结果表明,改进模型的平均精度均值达到了86.7%,相较于原始模型提高了3.2个百分点,检测速度为43帧/s,基本满足了对汽车齿轮配件表面缺陷检测的需求。

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。

融合坐标注意力机制的YOLOv3肺结节检测算法

肺结节在CT(Computed Tomography)图像中所占像素较少,增加了检测难度。针对肺结节小目标检测问题,文中提出了融合坐标注意力机制的YOLOv3(You Only Look Once version 3)肺结节检测算法。主干网络采用改进YOLOv3,减少残差块数量并引入扩张卷积模块,并可从目标周围感知上下文信息。在特征利用部分引入坐标注意力机制,捕捉肺结节位置、方向和跨通道信息,精确定位肺结节。改进YOLOv3的损失函数,将边界框建模成高斯分布,利用Wasserstein距离来计算两个分布之间的相似度代替IoU(Intersection over Union)度量,提升模型对目标尺度的敏感性。在LUNA16数据集上的结果显示,肺结节检测的平均精度为89.96%,敏感性为95.37%,与主流目标检测算法相比,精度平均提升了11.33%,敏感性平均提升了9.03%。

基于改进YOLOv7的SAR图像舰船目标检测算法

针对SAR舰船数据集小物体在图像中像素占比小、物体识别不清、检测效率低等问题,提出一种改进YOLOv7的SAR舰船目标检测算法STSD-YOLO。首先,根据SAR图像特点,重新设计网络结构,改变多尺度特征融合与特征提取的关系,解决下采样次数过多而丢失细节特征的问题;然后,使用轻量型注意力机制Shuffle Attention,在空间域与通道域注意力机制基础上,融合特征分组与通道置换,提升网络特征提取能力,降低计算复杂度;其次,引入卷积变体DSConv,通过在可变量化内核中仅储存整数来实现减少计算量;最后,加入NWD度量,将边界框建模为2D高斯分布,以衡量小物体的边界框之间的相似性来增强对小物体的检测性能。使用HRSID舰船数据集进行了实验验证,结果表明,相较于基准算法,所提STSD-YOLO算法在舰船检测任务中mAP提升9.9%,模型体积下降62.55%。通过对比实验验证,所提改进算法对比其余主流算法检测效果更优,能有效解决SAR图像检测的问题,可以胜任SAR图像中的舰船检测任务。

基于改进YOLOv7的小目标焊点缺陷检测算法

针对现有的小目标焊点缺陷检测方法存在错检、漏检等问题,提出一种改进YOLOv7的小目标焊点缺陷检测算法。考虑到焊点尺寸较小,添加小目标检测层和检测头以提取更多的浅层特征信息。引入无参注意力机制(SimAM)为特征图分配三维权重,提高模型特征提取能力。使用部分卷积(PConv)重构ELAN模块,减少冗余运算和内存访问次数,在颈部利用长径特征网络(GiraffeDet)融合不同尺度特征,提高模型轻量化程度。最后,利用NWD(Normalized Wasserstein Distance)损失函数改进原有的CIoU损失函数,加快模型收敛速度并提高小目标检测精度。实验结果证明,改进后的YOLOv7算法平均检测精度达到90.3%,相较于原算法提升了5.1%,召回率提高了3.2%,参数量降低了36.3%,且在收敛速度方面有了较大的提升。本文算法为边缘设备检测小目标焊点缺陷提供了参考。

基于改进YOLOv7-tiny的茶叶嫩芽分级识别方法

实现自然生长环境的茶叶嫩芽分级识别是名优茶智能化采摘的基础,针对光照、遮挡、密集等复杂环境造成的茶叶嫩芽识别精度较低、鲁棒性较差等问题,提出了一种基于YOLOv7-tiny的改进模型。首先在YOLOv7-tiny模型的小目标检测层添加卷积注意力模块,提高模型对小目标特征的关注能力,减少复杂环境对茶叶嫩芽识别的干扰;调整空间金字塔池化结构,降低模型运算成本,提高检测速度;使用交并比(Intersection over Union,IoU)和归一化Wasserstein距离(Normalized gaussian wasserstein distance,NWD)结合的损失函数,改善IoU机制对位置偏差敏感的问题,进一步提高模型对小目标检测的鲁棒性。结果表明,该模型的检测准确率为91.15%,召回率为88.54%,均值平均精度为92.66%,模型大小为12.4 MB,与原始模型相比,准确率、召回率、均值平均精度分别提高2.83、2.00、1.47个百分点,模型大小增加0.1 MB。与不同模型的对比试验表明,该模型在多个场景下的嫩芽分级检测中漏检和误检较少,置信度分数较高。改进后的模型可应用于名优茶采摘机器人的嫩芽分级识别。

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YOLOv7的SAR图像舰船目标检测方法

为了解决SAR图像舰船目标检测的现有主流算法中图像模糊、缺乏纹理特征而导致的目标检测精度低和小目标检测难度大等问题,同时考虑不引入过多参数量以免影响网络实时性,提出了一种基于坐标注意力机制和NWD度量的改进YOLOv7的SAR图像舰船目标检测方法。首先,该方法在坐标注意力机制中引入了最大池化和残差结构,以提高模型特征提取能力;其次,将密集连接和轻量化卷积相结合,设计了SPPCSPC-P模块,以增强特征间的融合;另外,在主干网络中增加了小目标检测层,以改善模型对小目标检测精度低的问题;最后,利用NWD度量和CIoU损失设计了加权定位损失函数,进一步提高了模型检测精度。利用SSDD数据集进行实验,实验结果表明,所提方法的平均精度达到了98.38%,高于YOLOv7网络2.09个百分点。

基于轻量化YOLOv7-tiny的铝材表面缺陷检测方法

为了提高铝材表面缺陷小目标检测效率,轻量化检测网络,提出一种基于改进YOLOv7-tiny的铝材表面缺陷检测算法。首先,在网络中加入SimAM(similarity-based attention module)注意力机制,使网络更多的注意到有用的信息,抑制图像中无效样本的干扰。其次,将主干网络中的sppcspc结构改进为Ghostsppcspc,减少的模型训练时的参数冗余,同时在检测层用GSconv代替普通卷积,轻量化网络的同时加强特征融合,提升网络检测精度,最后引入NWD(normalized wasserstein distance)结合原有的CIOU(complete intersection over union)损失函数,提升网络对小目标检测精度。将改进算法应用到天池铝材数据集中进行验证,实验结果表明,该模型能够有效识别铝型材表面不同种类的缺陷,较原YOLOv7-tiny算法mAP提高10.1%,参数量较原模型下降6.4%,计算量较原模型下降12.2%。所提方法实现了轻量化网络模型的同时,能够满足目前铝型材工厂生产现场缺陷检测要求。

YOLO-Plane:一种基于改进YOLOv5的飞机检测算法

精准识别和定位飞机目标是航空安全和信息化战争胜利的关键,针对传统飞机目标识别抗干扰性差,对遮挡、光照、尺度敏感难应对复杂场景需求的问题,提出了一种基于改进YOLOv5的飞机目标检测算法。通过IOU-NWD Similarity Metric for Bounding Boxes策略解决了IOU机制对飞机小目标的标签分配歧义问题;使用GFPN based on NLnet模块完成了“跨层”与“跨尺度”的自适应融合,更加丰富和具有代表性的特征信息;使用soft-NMS方法解决了在目标密集区域中飞机小目标存在的漏检问题。在飞机数据集上进行实验,结果表明:与原始YOLOv5相比,改进后的模型在Precision、Recall、mAP0.5、mAP0.5:0.95分别提高了1.9%、10.4%、3.6%和5.8%。该算法通过针对性的网络调整和模块迁移来提高模型对小型和遮挡的飞机目标的检测效果,并通过实验验证了该算法的优越性,实验结果表明,AIR-YOLO在检测精度和鲁棒性方面优于YOLOv5,解决了原始YOLOv5算法的小飞机目标误检的问题。

基于改进YOLOv7的安全帽检测算法

针对现有安全帽检测算法小目标检测效果差,以及检测覆盖、重叠目标时存在错检和漏检的问题,提出了一种基于改进的YOLOv7安全帽检测算法。首先,使用归一化的Wasserstein距离(NWD)来改进损失函数,解决IoU对小目标的位置偏差敏感性,提高检测精度;其次,在YOLOv7主干网络的MPConv模块中添加Si-mAM注意力机制构成MP-SAM,并把头部连接主干网络的卷积层替换为全维动态卷积(ODConv),从多个维度更好地捕获上下文信息,提升卷积的特征提取能力;最后,用ELU激活函数替换卷积模块原有的SiLU激活函数,加快网络训练收敛速度,提升算法鲁棒性。实验表明在训练条件不变的情况下,改进后的算法精确度和mAP@0.5分别达到了85.7%和82.6%,相比于YOLOv7原模型提高了7.2%与11.4%。改进后算法有效地提升了安全帽的检测精度,降低了漏检及误检的概率。

复杂背景下输电线路缺陷检测算法研究

输电线路定期巡检对保障电力系统安全稳定运行具有重要的意义。针对输电线路航拍图像背景复杂、目标尺度变化大、小目标多等问题,提出了基于YOLOv5s的输电线路目标检测算法。该算法采用特征细化模块优化微小目标特征,并在网络中嵌入SimAM注意力模块,通过能量函数统一权值的方式优化模型的特征提取,最后引入NWD损失函数削弱模型对小目标位置偏差的敏感性,提升模型对小目标的识别检测能力。实验结果表明,该模型对输电线路目标的平均检测精度高达98.8%,相较于基准模型,提高了1.2%。

基于改进Dn-YOLOv7算法的光伏板表面小目标缺陷检测

为了减轻在光伏板表面缺陷检测中由图像噪声和目标过小造成的影响,提出了改进Dn-YOLOv7(de-noising you only look once version 7)算法。该算法结合去噪卷积神经网络(de-noising convolutional neural network,DnCNN),提出了一个降噪模块(de-noise block,DnBlock),该模块使用了噪声容限更大的损失函数,并利用空间坐标卷积(coordinates convolution,CoordConv)对噪声通道进行卷积整合,增强了网络的降噪能力。同时,使用归一化高斯瓦瑟斯坦距离(normalized Gaussian Wasserstein distance,NWD)替代传统交并比(intersection over union,IoU)损失函数,提高了模型对小目标的检测能力。结果表明,改进后的模型具有降噪能力并提高了检测精确率,在无噪声水平下平均精确率均值达到了96.6%,在较强的高斯噪声和脉冲噪声下平均精确率均值分别达到91.4%和85.4%,检测速度达到78.0帧/s。该算法在航拍图像的光伏板缺陷检测中有一定实用价值。

基于YOLO的双层注意力缺陷检测算法

为了解决钢铁缺陷检测任务中小尺度、形态复杂、结构模糊目标导致现有算法精度低漏检率高问题,提出了基于YOLOv5s的SDD-YOLO算法。SDD-YOLO通过使用双层路由Transformer将局部特征与全局特征结合,提高对结构模糊的缺陷的检测效果;设计了全新的CSDA注意力,增强空间和通道的信息交互能力;使用NWD距离改进NMS算法,提高对小尺度目标的检测精度;设计了一种新的特征提取结构,降低梯度信息损失。使用增强后NEU-DET数据集实验后表明,SDD-YOLO算法相比YOLOv5s召回率提升了6.22%,平均精度均值提高了5.38%,提高了对多种缺陷类型的检测能力同时能够满足实时检测的需求。

基于改进YOLOv7的道路裂缝和坑洞检测算法

道路裂缝和坑洞的检测是道路安全检查中的重要部分。针对道路实时检测中存在的漏检、错检等问题,提出一种基于改进YOLOv7的道路裂缝和坑洞检测算法。先将裂缝分为纵向、横向和网状裂缝,再使用可变形卷积(deformable convolutional networks,DCN)替换原YOLOv7中特征提取网络里的卷积,使得形状差异较大且不规则的裂缝形状特征得到完整提取,提升裂缝的准确度;针对获取的图像中坑洞目标较小不易发现的问题,通过先将边界框建模为高斯分布,再使用基于Wasserstein距离(normalized Wasserstein distance,NWD)的新的度量标准的小目标检测评估方法,提高坑洞的检测精度。实验结果表明,改进后的算法较原YOLOv7算法检测精度提高了4.1%,同时检测速度提高了17%,表现出更出色的检测效果。

基于改进Yolov5n的无人机对地面军事目标识别算法

针对目前主流的目标检测算法在真实航拍战场数据背景下识别精度低、误检率与漏检率高等问题,对Yolo目标识别算法进行了研究,提出一种基于改进Yolov5n的轻量化航拍军事目标检测模型;首先,采用ECA注意力机制与主干网络C3模块融合,以解决航拍图像背景复杂且存在相似目标干扰问题;其次,引入归一化高斯瓦萨斯坦距离(NWD)代替CIoU损失函数,提高对模糊小目标的检测识别;最后,采用GSConv轻量化卷积代替标准卷积,减轻模型重量;经过实验测试,改进后的算法模型平均检测精度达到81.5%,提升0.9个百分点,模型大小为3.4 MB,减轻0.4 MB,识别速度为每秒113帧;实验结果表明该模型在轻量化的同时保持着高精度的航拍军事目标检测。

融合多层次浅层信息的航拍小目标检测

针对小目标检测及目标被遮挡的问题,本文基于VisDrone2019数据集构建相应交通场景,提出一种小目标检测算法.首先,充分利用主干网络的浅层特征改善小目标漏检的问题,通过在YOLOv7算法原有的网络结构上增加小目标检测层P2,并在P2小目标检测层的模型上为特征融合网络添加多层次浅层信息融合模块,从而提高算法小目标检测效果.其次,使用全局上下文模块构建目标与全局上下文的联系,增强模型区分目标与背景的能力,改善目标因遮挡而出现特征缺失情况下的被检测效果.最后,本文采用专为小目标设计的损失函数NWD代替基线模型中的CIoU损失函数,从而解决了IoU本身及其扩展对微小物体的位置偏差非常敏感的问题.实验表明,改进后的YOLOv7模型在航拍小目标数据集VisDrone2019(测试集和验证集)上面mAP.5:.95分别有2.3%和2.8%的提升,取得了十分优异的检测效果.

基于改进的YOLOv7自动驾驶目标识别算法

为了解决自动驾驶场景下车辆目标小且具有低分辨率、模糊背景和少量的特征信息等问题,本文提出了一种基于融合CBAM注意力机制的改进YOLOv7车辆目标识别方法。首先,在传统的YOLOv7目标检测算法的基础上,替换2020的检测尺度为160160,增加浅层特征提取能力,其次引入了CBAM注意力机制来增强模型对周围车辆环境的感知能力和定位精度,最后引入NWD度量,改进原CIoU损失函数对小目标位置偏差敏感的问题,利用Wasserstein距离度量高斯分布的包围框的相似度,来增加对较小目标的检测。结果表明,改进后模型在FPS基本保持不变检测精确度(P)和平均检测精度(mAP)方面分别提高了1.5%和3.2%。

基于YOLOv5-PNCM的飞鸟目标检测算法研究

针对小目标飞鸟检测存在的检测精度低、漏检率高等问题,提出了基于YOLOv5的小目标飞鸟的实时检测算法。首先,在YOLOv5原有的检测层上添加了一层小目标检测头;其次,采用CARAFE上采样算子改进了上采样方法,引用NWD度量代替IoU,有效降低了小目标位置偏差的敏感性;最后,使用M-CBAM注意力模块。改进后的算法在自制鸟类数据集上平均精度为77.3%,检测速度达到78FPS,与改进前相比,检测精度提升了9.1%,检测速度提升了23.8%。