改进YOLOv7算法的排水管道缺陷检测与几何表征

定期检查排水管道可以及时发现严重缺陷,对保证排水系统健康运行和城市环境安全具有重要意义。针对排水管道低照度和低分辨率检测困难现状,提出一种改进YOLOv7算法的排水管道缺陷检测与几何表征方法。首先,利用对比度受限自适应直方图均衡化图像增强技术,改善图像的对比度和细节,以提高检测网络对排水管道缺陷的捕获能力;其次,基于设计的Drop-CA和MC模块改进YOLOv7算法,使网络获得浅层缺陷的语义信息并降低误检率,提高模型的分类和定位能力;最后,针对裂缝和断裂2种严重缺陷,设计了一种定量描述该缺陷的几何特征方法来评估缺陷的大小。实验结果表明,改进的网络模型最终平均精度达到93.3%,检测速度达到42.9 f/s。该方法有效提升排水管道缺陷检测和分类精度,且可以有效表征缺陷的几何特征。

面向带钢表面小目标缺陷检测的改进YOLOv7算法

带钢表面小目标缺陷检测是工业质检领域的研究热点。针对热轧带钢表面缺陷检测任务中小目标缺陷易产生漏检的问题,文章提出一种改进的YOLOv7算法。在骨干网络中融入通道空间注意力模块(convolutional block attention module,CBAM)和可重参数化卷积模块,以提升小目标特征的提取效率;采用改进的双向特征金字塔网络(bi-directional feature pyramid network,BiFPN)颈部网络替换原有的路径聚合网络(path aggregation network,PANet)颈部网络,实现对小目标缺陷特征的高效提纯;采用解耦检测头进行检测结果输出,使网络在训练时进一步收敛至更高精度。实验结果表明,改进后的YOLOv7算法在小目标带钢缺陷检测场景下检测精度领先YOLOv7算法4.3 AP50精度,领先YOLOv6算法5.0 AP50精度,领先YOLOX算法4.8 AP50精度,说明该算法可以较好地应用于小目标带钢缺陷检测。

基于改进YOLOv7算法的井场作业安全检测方法研究

针对油井场作业中因监管效率低下导致的安全事故问题,提出了一种改进的YOLOv7算法来检测井场作业人员不安全行为。首先,将YOLOv7模型颈部中的原金字塔池化模块替换为空洞空间金字塔池化(ASPP)模块,ASPP采用多个并行的空洞卷积分支,每个分支具有不同的采样率,从而获得不同尺度的感受野,提高了模型对多尺度特征信息的捕获能力;其次将YOLOv7模型检测头中的普通卷积替换为全维度动态卷积,从4个维度来学习卷积核内部的注意力值,从而获得全维度的卷积核权重,增强了模型对关键特征的关注度。最后,与原YOLOv7模型进行实验对比。结果表明,改进后的模型平均精度均值提高了5.58%。与其他目标检测模型相比,检测性能有显著提升。

一种改进Yolov7算法在验证码识别中的应用

针对Yolov7算法在验证码字符检测进行特征提取时,原始主干网络的某些局部信息在逐层提取时中经常会出现信息丢失等问题,提出了RDN-Yolov7算法。该算法借鉴了残差密集网络中提取多层特征的方式,实现了在深层网络中对各个层的不同特征进行提取和融合。为了验证算法的有效性,通过Python自动生成,以及从58同城、搜狐网站上爬取数据,生成3类各具特点的验证码数据集,同时与目前目标检测领域先进的RCN、VGG-16、SVM、ResNet、Yolov7算法进行对比。从实验结果来看,RDN-Yolov7算法的字符检测成功率达到98%以上,优于对比的几种算法,具有一定的实际应用价值。

基于改进YOLOv7算法的风机塔筒系统故障识别系统

塔筒系统(含塔筒、螺栓)是风电机组正常运行的重要基础部件,因此,对其可能存在的裂痕等安全隐患进行准确识别至关重要。然而,由于裂痕的表征不明显、辨识度低、对比度差等问题,在实际操作中带来了一定的困难。为了解决这个问题,本文提出了一种基于YOLO系列算法改进的YOLOv7-SEAttention算法模型。然后,将这种改进后的模型与Faster R-CNN,RFCN,SSD,YOLOv5,YOLOv7等多种算法模型进行了对比,并对改进算法模型的查全率(Recall)、查准率(Precision)、平均精度(Average Precision)进行了综合评价。改进后的YOLOv7-SEAttention模型在塔筒系统的表面裂痕检测上表现出了显著的优势。相比于原始的YOLOv7以及其他算法模型,它在塔筒裂痕检测方面平均精度(AP)提高了2.6%,达到了83.7%;在螺栓裂痕检测方面平均精度提高了4%,达到了84.3%。结果表明,本文改进的模型能更精准检测塔筒系统表面裂痕。

基于麻雀搜索算法改进的YOLOv7-ECA-SSA模型的车辆检测

为解决复杂背景下小目标车辆检测存在的误检、漏检等现象,创新性提出一种改进YOLOv7网络的目标检测算法。首先,为解决小目标车辆存在次要信息干扰问题,将高效通道注意力(ECA)机制融于YOLOv7模型的主干网络特征层,通过自适应学习来增强目标区域信息权重占比,抑制无关信息;其次,为解决神经网络检测模型训练的超参数随机经验设定性问题,将麻雀搜索算法(SSA)对检测模型训练超参数进行优化,通过内外双循环迭代方式,快速收敛出全局最优学习率,进而得到最优组的权重信息,最终提高小目标车辆检测精度。实验结果表明,基于结构优化、超参数优化的YOLOv7-ECA-SSA检测模型在BDD100K数据集上的检测精度为79.01%,比原始模型提高了5.38%,具备更好的小目标车辆检测性能。

基于改进YOLOv7的手套佩戴检测算法

维修培训人员在进行培训时需要佩戴手套对飞机进行维修工作,若未佩戴手套进行操作,可能会出现安全问题。针对机务维修培训中,传统人工对培训人员是否佩戴手套的检测效率低下、容易漏检和误检,无法保障培训人员在培训过程中的安全问题,提出了基于改进YOLOv7的检测方法。在YOLOv7中引入SPDconv模块,提高模型针对小目标和低分辨率图片的检测性能。同时,在模型的Backbone中加入CBAM注意力机制,以提高模型的精度。改进后的YOLOv7手套佩戴检测算法平均精度均值达到86.5%,相较于原本的YOLOv7算法,精度提高了4.3%。实验表明,改进后的算法能有效地检测出维修培训人员的手套佩戴情况。

基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测

为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized Self-Attention),将提取到的特征进行复杂双向多尺度特征融合,建立了适合多种类不均衡样本的水稻害虫检测模型。结果表明,在加入迁移学习和多尺度训练的条件下,改进后的YOLOv7-tiny检测算法在自建水稻害虫数据集的平均检测精度达到96.4%,单张图片的检测时间为8.8 ms,模型大小为9 055 kb,可实现对田间水稻害虫的快速准确识别,为水稻害虫的智能化检测和防治提供了技术支持。

基于改进YOLOv7的湖面漂浮物目标检测算法

为提高湖面多种类和小体积的漂浮垃圾检测识别的准确度与推理检测速度,结合湖面垃圾漂浮物的图像特征,采用半结构化剪枝技术创建X-Toss剪枝框架,并基于YOLOv7目标检测模型,提出一种轻量化湖面漂浮物实时检测方法C-X-YOLOv7。X-Toss剪枝框架使用DFS算法生成父子卷积核计算图,利用特定的内核模式剪枝卷积核,降低迭代剪枝的计算成本。融合CA注意力机制对模型进行加权,减少模型过拟合现象,提高模型准确性和泛化能力。结果表明:对湖面垃圾检测识别,C-X-YOLOv7模型识别准确率为91.7%,召回率为91.2%,与YOLOv7模型对比分别提升2.6%、2.5%;推理加速度上,X-Toss剪枝框架在RTX 2080 Ti与NVIDIA Jetson TX2上分别实现YOLOv7的1.98×和2.17×的加速比,相较于PD、NMS、NS等剪枝框架,X-Toss的推理加速比和能耗均有提升。研究表明C-X-YOLOv7湖面漂浮物检测方法为湖面垃圾检测识别提供了一种新思路。

基于改进YOLOv7的桥梁裂缝检测算法

针对当前桥梁裂缝检测算法存在的错检、漏检等问题,本文对现有桥梁裂缝检测算法的进行了改进。首先,引入CBAM注意力机制,增强网络对裂缝边缘特征的提取能力,提升模型的检测精度;其次,基于SPPF对SPP的改进方法,使用改进后的SPPFCSPC模块替换SPPCSPC模块;最后,采用WIOU损失函数,提升了网络模型的收敛速度。经实验验证,本文改进的模型对桥梁裂缝的检测精度高达87.1%,较YOLOv7模型提高了8.8%,mAP值为85.4%,较YOLOv7模型提高了9.3%,能够满足当前桥梁裂缝检测需求。

面向智慧养老的改进YOLOv7人脸识别算法

针对目前社会老龄化趋势,为适应养老领域发展需求,提出面向智慧养老的改进YOLOv7人脸识别算法。首先,提出多尺度信息输入模块,提取图像的全局信息,提高信息利用率;其次,总结归纳老年人脸特征,提出全局自适应特征提取模块,结合注意力机制改进主干网络和检测头;最后,通过迁移学习方法训练网络,并加入多项式损失策略分配特征权重,同时不断调试参数来提高网络识别能力。实验结果表明,所提网络在老年人脸数据上的精度和召回率分别为95.26%和91.57%,并且相比于原YOLOv7的网络参数量下降了5.4%。

基于改进YOLOv7的金属表面小缺陷检测研究

传统的金属表面缺陷检测是通过人工目测完成的,由于人工目测方法存在效率低下、漏检率高、劳动强度大等缺点,难以满足金属表面缺陷检测的效率和精度要求。针对工业生产过程中金属表面的小缺陷人工检测效率低等问题,提出了一种基于改进的YOLOv7算法的金属表面小缺陷检测方法。首先,建立了包含5种金属表面小缺陷的数据集;然后,设计了扩散卷积,利用步长改变了卷积核中特征点的间距,扩大了卷积层的感受野;设计了方向注意力模块,通过分割输入特征图,在水平方向和垂直方向上进行了特征提取,在通道维度上引入了注意力机制,根据通道的权重,完成了对输出通道数目的重新调整,增强了YOLOv7对小缺陷的位置感知;最后,研究了不同算法在金属表面小缺陷数据集上的目标检测结果,设计了消融实验,对改进策略进行了性能分析。研究结果表明:在相同训练策略下,与传统的YOLOv7算法模型相比,改进后的YOLOv7算法对小缺陷的检测效率为91 fps,平均检测精度为88.0%,较原模型提高了3.6%。在实际生产中可以采用该方法精确检测复杂背景下的金属表面小缺陷。

改进YOLOv7的城市小型无人机目标检测方法

针对“低小动”无人机的反制技术已成为低空空域安全防御的重要手段,然而实时检测与准确识别是实施有效反制的前提条件与关键基础。针对城市低空环境下,目标检测算法对不同背景下小尺度无人机目标检测精度低,容易出现漏检误检且易受外界因素干扰等问题,提出了一种基于改进YOLOv7的“低小动”无人机目标检测方法。首先采集大量不同环境、不同背景下的无人机样本构建数据集,并采用ViBe(visual background extractor)算法进行预处理;其次引入坐标注意力机制与SPDConv(space-to-depth convolution)模块改进和优化YOLOv7的网络结构;最后提出融合ViBe和改进YOLOv7的二级检测架构,将改进后的YOLOv7作为网络模型检测经ViBe处理后的图像。依据原图与处理图像的位置大小关系,将检测出的目标坐标映射回归至原图片,从而完成目标检测提取。实验结果表明,所提目标检测方法检测精度达96.5%,较原YOLOv7方法提高了15.8个百分点,显著提升了“低小动”目标的检测精度,能够满足低空无人机的实时精准检测的需求。

一种基于改进YOLOv7的相机标定特征点检测方法

在基于视觉方法的军事目标检测等技术中,相机的精确标定是进行目标高精度测量的前提,同时也是开展后续图像处理、目标跟踪、三维重建的基础。相机标定的关键在于准确的检测图像中的标定特征点。以当前使用范围较广的棋盘格标定法为对象,针对受干扰(模糊、重噪声、极端姿态和大镜头失真)的标定图像难以进行特征点提取的问题,提出一种融合改进YOLOv7-tiny深度学习网络和Harris角点检测的相机标定特征点检测算法。针对原始网络在相机标定特征区域检测中的各种问题,引入Gather-and-Distribute信息聚合分发机制替换YOLOv7-tiny的加强特征提取网络(FPN)部分,提高不同层之间特征融合的能力;在主干特征提取部分后加入Biformer注意力机制,提高对小尺寸特征点候选区域的捕捉能力;在Head部分使用改进Efficient Decoupled Head解耦头,在提高精度的同时维持了较低的计算开销。测试结果表明,改进后的YOLOv7-tiny网络对特征点候选区域检测的准确率有显著的提高,达到95.3%,证明了改进后网络的有效性和可行性。

基于通道剪枝的YOLOv7-tiny输电线路异物检测算法

针对输电线路异物检测精度不佳且模型庞大的问题,提出了基于通道剪枝的改进YOLOv7-tiny算法用于输电线路异物检测。用ReXNet网络替代了YOLOv7-tiny的骨干网络改进原网络的特征瓶颈问题。引入了多样化分支块从而增加网络特征融合能力,通过基于层自适应幅度的修剪(LAMP)剪枝方案损失一定精度换取模型体积、运算量的降低,为下一步部署到嵌入式设备做好准备。实验结果表明,最终的改进模型相对于YOLOv7-tiny模型精度上提升3个百分点,FPS提升原来的119.4%,模型大小压缩到原来的14%。

改进YOLOv5s算法的车辆目标实时检测方法

针对城市道路车辆检测中小目标车辆漏检率高和存在异类冗余框的问题,提出一种改进YOLOv5s的车辆实时检测算法。对YOLOv5s算法网络结构进行优化,采用增加小目标检测层,将浅层特征图与深层特征图拼接后进行检测的方法,提升小目标车辆的检测率;针对异类冗余框问题,采用加权非极大值抑制融合两边框信息的方法,提升检测准确性。实验结果表明,改进YOLOv5s算法的平均检测精度(mAP@0.5∶0.95)达到64.17%,相比YOLOv5s算法,查准率、召回率分别提高1.72%、0.72%;在小目标车辆检测中,正检率提高5.95%,漏检率降低4.63%。改进YOLOv5s算法能有效改善小目标车辆的检测精度和准确率。

一种改进的YOLOv7-OBB舰船识别方法

为解决高分辨率遥感图像中舰船识别准确率低的问题,提出了一种改进的YOLOv7-OBB舰船识别方法。引入定向检测框OBB(oriented bounding box)和KLD损失,可有效解决舰船密集排列和比例细长且方向任意所产生的漏检问题,在提高定位精度的同时保留了船只的目标方向信息;在YOLOv7基础框架的主干网络加入混合注意力模块ACmix,加强网络对于小目标检测的敏感度,能够提升对小型船只的检测精度;在颈部加入全局注意力机制(NAMAttention)和Partial卷积(PConv),在保证模型轻量化的同时,可提高PAN网络在复杂背景中捕捉关键特征的能力。实验结果表明,与YOLOv7模型相比,该方法在DOTAships数据集上取得了88.5%的平均精度,93.0%的准确率,84.7%的召回率,分别比YOLOv7提高了5%,0.9%和3.9%。与当前主流算法相比,该方法在检测效果上有着明显提升。

基于YOLOv7-Tiny算法的无人机实时跟踪野生动物方法

借助无人机边缘计算技术监测野生动物的运动状态和种群发展变化已成为科研工作者广泛使用的技术手段。传统跟踪算法算力高,机载边缘设备硬件资源算力不足,在户外复杂的自然环境下难以实现实时跟踪。为解决野外环境中无人机跟踪野生动物时遇到树木遮挡和背景干扰导致无法准确实时跟踪的问题,选取东北地区东北虎(Panthera tigris altaica)、狍(Capreolus pygargus mantschuricus)和驯鹿(Rangifer tarandus phylarchus)为研究对象,以YOLOv7-Tiny+Bot-SORT作为检测跟踪的基础框架,提出了一种轻量化的无人机跟踪算法。首先,采用FasterNet网络减少模型冗余计算,增强特征图中目标区域关注度;其次,采用高效通道注意力机制实现局部跨通道交流,降低复杂环境对检测网络的影响,提升网络检测能力;最后,为降低计算成本,替换重识别网络,提高无人机跟踪速度。结果显示:提出的实时跟踪方法准确度(MOTA)和精确度(MOTP)分别达到79.93%和73.48%,跟踪速度从3.4帧/s提升到43.4帧/s。研究表明,提出的算法不仅在提升跟踪精度和速度方面表现出色,而且更适用于算力有限的边缘设备,为保护野生动物的多样性和群体行为研究提供了强大的技术支持。

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。

基于改进的YOLOv8算法的二维码和条形码检测方法

基于改进的YOLOv8算法的二维码和条形码检测方法是一种高效的图像处理技术,旨在快速准确地识别和定位图像中的二维码和条形码。改进的YOLOv8是一种实时目标检测系统,有着快速、准确和高效的特点。首先,通过预处理图像来提高二维码和条形码的可识别性,例如调整对比度和亮度。接着,对处理过的图像进行分析,以便快速定位图像中的二维码和条形码。改进的YOLOv8算法的一个关键特点是其使用了深度学习技术,这使得算法能够在各种条件下有效地识别和检测目标,不仅能处理标准形状和尺寸的二维码和条形码,还能识别被部分遮挡或处于不利角度的码。此外,算法的实时处理能力使其非常适合需要快速响应的应用场景,如零售业的快速结账和物流行业的包裹跟踪。总的来说,基于改进的YOLOv8算法的二维码和条形码检测方法提供了一种高效、灵活且可靠的解决方案,适用于多种商业和工业应用。