基于注意力机制改进的YOLOX水果品质检测与分类

[目的]解决现阶段深度学习技术在检测水果品质时检测精度不高的问题,提出了以SE和CBAM注意力机制模块改进的YOLOX目标检测算法。[方法]选取苹果、香蕉、橙子几种常见的水果作为检测的对象,构建水果数据集,采用LabelImg工具进行标注,进行模型训练,得到性能优异的水果品质检测与分类网络模型。[结果]经过实验可以得出改进后的YOLOX模型平均检测精度值为96.2%,与YOLOv3、YOLOv4、YOLOv5、原始YOLOX相比分别提高了2.4个百分点、2.0个百分点、3.0个百分点、0.6个百分点。[结论]该模型具有较好的检测性能,可为实际农业场景下的水果检测提供参考。

基于轻量化YOLOv7的汽车保险盒检测算法

【目的】针对目前汽车保险盒的质量检测效率和精度较低等难题,提出了一种改进YOLOv7的轻量汽车保险盒装配防错检测算法。【方法】YOLOv7分别由输入、提取特征网络、特征融合结构和预测输出端组成。通过在YOLOv7的特征提取网络中添加ShuffleNetv2轻量级网络,降低了骨干网络中的参数和计算量;加入了BiFPN进行不同尺度的特征融合;在Head前引入SE注意力机制能有效提高检测效果,提高平均精度。【结果】对常用的两种类别共8个型号的汽车保险片进行训练和检测,改进后的YOLOv7算法与改进之前相比,mAP值提高了2.3个百分点,且参数量和计算量都大幅度下降。在检测之前,需要先提取汽车保险盒合格样本。在对保险片进行检测和定位之后,提取出其坐标和类别信息,让该信息与标准模板信息去对比,从而判断保险盒中的保险片是否有漏插和误插。【结论】大量的实验证明,改进后算法正确识别率为97.5%,验证了该算法的有效性。