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。

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。

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。

基于改进的Yolov7的西红柿果实计数算法研究

针对目前统计西红柿果实数效率低、人工成本高、计数算法精确性差的问题,本文提出了一种改进的Yolov7的西红柿果实计数算法,采用CBAM模块对特征值进行自适应加权、强化西红柿特征并降低背景干扰,同时融合BiFPN结构以优化不同尺度特征的权重分配,高效提升特征融合效率,最终达到快速准确的识别效果。试验研究结果显示,该算法在平均计数精度(MAPE)、平均绝对误差(MAE)和均方误差(MSE)等3个关键性能指标上均显著优于其他算法,改进后的Yolov7的MAE、MSE和MAPE分别达到1.63、1.98和5.31%,相比于Yolov4、Yolov5s以及原版Yolov7,MAE和MSE分别降低了3.24和3.15、2.35和2.29以及1.13和1.05,计数误差率比Yolov4、Yolov5s和Yolov7分别减少了3.34%、1.71%和1.53%。

基于自适应注意力机制的复杂场景下牛脸检测算法

牛面部检测与识别是牛场智能化养殖的关键,但由于牧场养殖环境的复杂性,牛脸检测会受到模糊、逆光和遮挡3种常见环境因素的严重干扰。针对此问题,该研究提出一种复杂场景下基于自适应注意力机制的牛脸检测算法,该算法首先针对3种干扰因素分别设计了评价指标,并将3种不同类型的评价指标通过模糊隶属度函数进行归一化,并确定自适应权重系数,真实反映目标所处场景的复杂性;之后,基于YOLOV7-tiny在主干特征提取网络引入一种注意力机制CDAA(composite dual-branch adaptive attention),设计通道和空间注意力并行结构,并融合自适应权重系数,有效加强相应注意力分支的权重,提高网络在复杂场景下的特征提取能力,解决复杂场景下网络检测精度差的问题;最后,将图像场景评价指标引入损失函数,对大尺度网格损失函数的权重进行自适应调整,使网络在训练过程中更专注于数量较多的小型目标,从而提升网络整体的检测精度。为检测算法的有效性和实时性,在特定数据集上进行消融试验,并与多种经典检测算法进行对比,并移植至Jetson Xavier NX平台测试。测试结果表明,该算法检测精度达到89.58%,相较于原YOLOV7-tiny网络,牛脸检测精度提高了7.34个百分点。检测速度达到62帧/s,在检测速度几乎不损失的条件下,检测效果优于原网络与对比网络。研究结果可为复杂场景下的牛脸高效检测提供参考。

基于改进YOLOv7-Tiny技术的变电设备红外图像识别系统

原始YOLOv7-Tiny在处理变电设备红外图像时会面临识别精度不足和处理速度较慢的问题。为了解决这些问题,引入了一种新的模型调整策略,并对比了改进前后算法在标准红外图像数据集上的表现。结果显示,改进后的YOLOv7-Tiny在识别精度和效率方面明显提升。通过对YOLOv7-Tiny进行针对性的优化,可以显著提升变电设备红外图像的故障检测能力,为电力系统的稳定运行提供更可靠的技术支持。

智能激光打码视觉识别装备设计与应用

激光打码广泛应用于工厂流水线中,结合视觉检测、无线通信实现激光打码识别的智能化对推进智能工厂建设具有重要价值。鉴于实际需求,设计了一套包含树莓派、摄像头、光纤激光器、无线通信模块等的智能激光打码视觉识别装备,设备在效率以及经济性实用性有较好的平衡。另外卷积神经网络应用于嵌入式设备中,网络的轻量化成为必然趋势,但难以兼备速度与准确率。为了解决这个问题提出了一种基于YOLOv4-tiny的改进轻量化神经网络,网络中将YOLOv4-tiny中的CSPBlock模块中的卷积操作改为深度可分离卷降低模型复杂度,同时加入多尺度卷积增加特征提取的多样性减少信息丢失,最后再加上注意力机制增加模型的对重要信息的感知能力得到改进的DWCSPBlock模块。实验验证表明,改进的目标检测算法在检测速度和准确率上有较好的平衡,在满足实际要求的前提下单次识别、打码以及解码过程用时为4 s且相对于其他识别打码设备本设备具有更高泛化能力、成本低且效率高的优点。

基于深度学习的无人机目标识别与反制

随着低空无人机在军事和民用领域的广泛应用,其安全隐患亟需关注。本文提出一种基于改进YOLOv7模型的检测方法,并引入注意力机制,强化模型对目标区域特征的表达能力。同时,提出一种改进的StrongSORT跟踪算法,优化跟踪性能。这些研究成果提高了检测和跟踪的准确性和实时性,通过云台主动跟踪控制算法扩大了监控视野,增强了系统的跟踪灵活性。最终实现了一套完整的红外无人机检测与跟踪系统,满足了实时跟踪的需求,并探讨了其在民用领域反无人机系统中的潜在应用。