基于改进轻量化YOLOv7的变电站数显仪表检测

针对在实际工业生产环境下,当前通用检测模型算法参数体量大、检测精度低,同时巡检机器人上部署困难等问题,提出一种基于改进YOLOv7轻量化模型的数显仪表检测方法。为减少计算量,在YOLOv7网络中引入GhostNet作为主干网络模块,并且将SPPCSPC替换为了RFB,在降低模型参数量的同时有效提升了检测精度。实验结果证明,本文算法相较于原YOLOv7算法,模型大小压缩了40MB,参数量减少了57.5%,同时检测精度mAP从原来的98.9%提高达到了99.3%,有效验证了本文算法的有效性。

一种改进YOLOv7的瓦楞纸箱表面缺陷检测方法

针对物流过程中对瓦楞纸箱表面外观检测,通用的检测算法在面对小目标、低光照、背景复杂的情况下,不能有效地对缺陷目标进行检测。为此,本文提出一种基于改进YOLOv7的瓦楞纸箱表面缺陷检测方法,有效地提升检测效果。首先,在YOLOv7的骨干网络中加入AIFI模块,通过有效地提取特征来提升模型的检测精度,还可以减少计算冗余。同时,为了进一步提高模型检测性能,添加感受野注意力卷积运算(RFAConv)模块,利用空间注意机制关注感受场的空间特征,与卷积的结合消除了卷积参数共享的问题,再通过全局平均池化来获取全局信息,再次提升模型的检测性能。实验结果证明,本文算法相较于原YOLOv7算法,在模型大小、参数量基本保持不变的情况下,检测精度mAP从原来的96.3%提高到了97.5%,总体提升了1.2%,有效验证了本文改进算法的有效性。

基于改进的YOLOv5城市道路车辆行人检测方法

城市道路上车辆行人的检测是自动驾驶汽车环境感知功能中的核心要素之一。针对现有城市道路车辆行人检测任务在使用目标检测算法检测精度低,检测位置不准确等问题,提出一种基于改进YOLOv5的城市道路车辆行人检测新算法——HCA-YOLOv5目标检测算法。通过K-means++聚类算法重新设计并更新锚框初始值并将其匹配到对应特征层,以提高模型对检测目标的检测性能;通过利用城市道路图像中不同高度上的类别分部特点并结合Transformer结构改进HANet的注意力结构,提高模型对输入图像的全局上下文特征提取能力,加强网络对城市道路场景图片中不同类别的辨别能力。实验结果表明,在自动驾驶数据集KITTI上,所改进算法的均值平均精度(mAP)达到了91.93%,相比原YOLOv5算法mAP提高了2.92个百分点,满足了城市道路场景下车辆形容的准确率要求。