融合轻量化神经网络的矿用输送带钢芯损伤检测方法

为了提高矿用输送带钢芯损伤的检测准确度和实时性,对传统YOLOv5算法进行了改进。首先,引入轻量化神经网络,大幅度降低模型复杂度和运算量;其次,引入高效通道注意力(efficient channel attention,ECA)机制,提升检测准确度,并加快损失函数的收敛速度;再次,采用加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),融合高分辨率和低分辨率的图像特征,提升模型的综合性能。实验结果表明,与YOLOv5模型相比,改进模型的参数量和浮点运算量分别减少了约64.52%和69.07%,网络层数由468层降低至295层,检测精确度和召回率分别提升了约15.83%和3.93%,检测速度达到了109.89帧/s。

一种水稻害虫的小目标检测方法研究

在水稻害虫的防治中,往往会因为田间背景杂乱、叶片与害虫颜色相似、害虫个头较小导致水稻害虫不易被察觉。针对田间水稻害虫检测精度不高的问题,提出一种多尺度均衡级联检测模型(ME-Cascade)。为更好地提取水稻害虫这种小目标的特征,该模型以级联神经网络(Cascade RCNN)为基础,引入多尺度骨干网络结构Res2Net,实现单个残差块中构建类似残差的分层连接。然后在区域生成网络中加入跨通道特征融合层,降低训练过程中背景叶片与目标害虫颜色相似带来的干扰,增强候选区域定位的准确性。并在级联检测器中使用样本均衡化采样,解决目标害虫与背景特征数量差异大带来的正负样本不均衡问题,减少小目标的错检漏检。最后,为避免深层网络在小样本检测中梯度爆炸和过拟合的发生,在梯度下降中使用梯度裁剪技术。将该模型用于公开发表的水稻虫害数据集上,mAP达到了96.9%,比原始Cascade RCNN模型提高了2.7百分点,验证了该模型在真实田间的水稻害虫上具有更好的识别效果。

基于改进YOLOv5的黄花成熟度检测方法

为统一辨识标准,提高成熟黄花采摘的检测精度和实时性能,提出一种改进的GCS-BI YOLOv5图像检测算法。首先,利用轻量化神经网络(Ghost Net)精简模型结构,节省计算资源;其次,为兼顾图像通道信息、位置信息,交叉引入高效注意力机制(CBAM和SE),提升图像特征感知能力和模型收敛速度;然后,采用加权双向特征金字塔网络(BI FPN),融合多尺度图像信息,提升模型对不同目标的综合检测性能。结果表明,与原始算法YOLOv5相比,所提算法在模型体积、网络层数、参数量、浮点运算量等轻量化指标方面分别下降62.89%、33.12%、63.01%、68.39%;在精确度、召回率等性能指标方面分别提升7.77、6.28百分点;实时性能提升了33.81 f/s。可见,改进算法的综合性能较优,能够满足黄花成熟度检测的要求。