基于YOLOv7-tiny的轻量级苹果实时检测算法

针对苹果生长所处的自然环境复杂程度高、网络模型过大、难以在移动端部署等问题,提出一种基于YOLOv7-tiny的轻量级苹果实时检测方法。该方法引入CG-Block模块代替原YOLOv7-tiny网络的部分卷积,对原网络的ELAN-tiny结构进行修改,极大地减少网络规模,并提高检测精度;使用Mish激活函数代替原激活函数,增强网络的提取特征能力;采用CARAFE轻量级上采样算子,进一步提升网络的特征融合能力。试验结果表明,改进后的算法与原算法相比,mAP@0.5提高1.9%,准确率提高4.1%,参数量降低45.4%,计算量降低46.2%,模型规模减少43.9%,FPS达到196.1 f/s。改进后的算法在保持良好实时性的同时,提升检测精度,极大地降低网络规模,为网络模型在移动端部署增添可行性。

基于改进YOLO v5n的葡萄叶病虫害检测模型轻量化方法

由于较大的参数量和较高的计算复杂度,直接在移动端部署通用检测及识别模型的难度较高。为了解决轻量化的移动端部署难题及提升移动设备上葡萄叶病害的检测能力,拟提出1种轻量化、高精度、实时性的检测模型。首先,引入Slimming算法对传统的YOLO v5n网络进行缩减,利用模型稀疏化训练、批归一化的缩放因子分布状况对不重要的通道进行筛选;其次,引入轻量级上采样算子CARAFE增加感受野,进行数据特征融合;最后,将边界框回归损失函数改进为WIoU损失函数,制定合适的梯度增益分配策略来获得更加精准的框定位提升模型对每个类别目标的检测能力。试验结果表明,改进后的模型能够在保持模型性能的情况下有效轻量化。与传统的YOLO v5n相比,改进后的算法mAP提高了0.2百分点,同时改进后的模型权重、参数量、计算量分别为1.6 MB、0.6 M、1.8 G,分别比原模型减少了58%、67%、57%,能够满足移动端和嵌入式设备的部署要求。

基于改进YOLOv7的PCB缺陷检测算法

在PCB缺陷检测领域中检测精度的提高一直是1个具有挑战性的任务。为了解决这个问题,提出一系列基于PCB缺陷检测的改进方法。首先,引入一种新的注意力机制,即BiFormer注意力机制,这种机制利用双层路由实现动态的稀疏注意力,从而减少计算量;其次,采用一种创新的上采样算子CARAFE,能够结合语义信息与内容信息进行上采样,使得上采样过程更加全面且高效;最后,基于MPDIoU度量采用一种新的损失函数,即LMPDIoU损失函数,能够有效地处理不平衡类别、小目标和密集性问题,从而进一步提高图像检测的性能。实验结果表明,所提改进后的模型在平均精度均值(mAP)方面取得了显著提高,达到了93.91%,与原YOLOv5模型相比提高了13.12个百分点,同时,在识别精度方面,所提改进后的模型表现也非常出色,达到了90.55%,与原YOLOv5模型相比提高了8.74个百分点。引入BiFormer注意力机制、CARAFE上采样算子以及LMPDIoU损失函数,对于提高PCB缺陷检测的精度和效率具有非常积极的作用,为工业检测领域的研究提供了有价值的参考。

基于改进YOLOv5s的充电站内车辆起火检测

针对目前对于充电站内车辆起火现象的检测精度较低、检测速度慢等问题,从实用化角度出发,提出了一种基于YOLOv5s改进的车辆起火检测方法YOLOv5s-Fast。首先在Backbone网络中采用了全局上下文注意力机制与C3模块进行融合,成为一种新的特征提取的模块C3GC,增强模型提取特征的能力,减少了计算量;其次在Neck网络中采用了轻量级上采样算子,能够根据输入图像进行自适应的上采样,提升了检测精度;最后引入解耦头,提高了目标检测的准确率与效率。实验结果表明,所提出的方法YOLOv5s-Fast与原YOLOv5s相比,平均精度提升了4.9%、检测帧率由原先的46 fps提高到59 fps,方法更加实用化。

轻量高效的自底向上人体姿态估计算法研究

针对人体姿态估计算法模型复杂和计算成本高的问题,提出了一种基于HigherHRNet的自底向上轻量高效的人体姿态估计网络(lightweight and efficient HigherHRNet,LE-HigherHRNet)。采用深度可分离卷积(depthwise separable convolutions),减少特征提取网络的参数数量;引入协调注意力机制(coordinate attention),更好地捕获位置信息和通道特征信息,突出图像中小目标和遮挡人体关键点的特征信息;通过平行连接实现多阶段分辨率的连接,增强特征信息的提取能力;在网络中采用跳跃链接并设计轻量级CARAFE上采样,保留和重建特征信息,增强高低分辨率之间的空间位置信息。实验结果表明,相比较HigherHRNet在小幅提升精度的同时,显著减少了模型参数量,降低了运算复杂度。

基于改进YOLOv5s的趸船钢丝绳缺陷检测算法

为提高钢丝绳开裂、抽丝图像的识别精度与召回率,本文提出一种基于改进YOLOv5s(you only look once,你只需看一次)的趸船钢丝绳缺陷检测算法。首先在YOLOv5s模型的基础上进行改进,改进方案包括:用特征重组算子(CARAFE)替代最近邻插值进行上采样,以增强特征图的完整性;引入卷积注意模块(CBAM)强化重要特征通道;损失函数由完全交并比损失(CIoU_Loss)替换为扩展交并比损失(EIoU_Loss),以提高边框位置的精度;采用解耦合头减少计算量,提升模型性能与鲁棒性。随后,构建一个专门用于训练和测试的钢丝绳缺陷数据集。通过对比实验结果表明:改进后的YOLOv5s算法在召回率上提高了1.2%,平均精度均值提升了2.2%,呈现出更优的检测效果,并为未来的检测研究提供了理论基础。

基于改进YOLOv5s的水果图像识别

针对已有的水果识别模型在复杂场景下识别准确率低、推理耗时长、对硬件要求高等问题,提出了一种适用于复杂场景下轻量级的水果识别模型YOLOv5s_CB_CA。在YOLOv5s目标检测算法的基础上,对主干特征提取网络Backbone引入卷积注意力机制CBAM,丰富空间和通道维度的特征信息;并采用特征图上采样CARAFE替换原始上采样,减少计算量、提高识别速度。将改进算法与YOLOv5s算法在水果图像数据集作对比。实验结果表明:YOLOv5s_CB_CA算法平均精度(mAP)达到了96.5%、召回率(Recall)达到了93.5%,使模型体积缩小了约14%。YOLOv5s_CB_CA算法提高了检测精度和召回率、缩小了模型体积,证明了该算法的有效性。

基于改进YOLOv5的口罩佩戴检测算法

在公共场合密集人群场景下,由于目标遮挡导致的信息缺失及检测目标较小、分辨率低问题,使得人脸佩戴口罩检测算法的检测效果较差。为提高模型的检测精度和速度,减少硬件占用资源,提出一种基于改进YOLOv5s的口罩佩戴检测算法。将标准卷积和深度可分离卷积相结合替换传统卷积,并进行通道混洗的鬼影混洗卷积,以在保证精度的前提下提升网络速度。将最近邻法上采样替换为轻量级通用上采样算子,充分利用特征语义信息,在改进的YOLOv5s模型Neck层末端添加自适应空间特征融合,可以对不同尺度的特征进行更好的融合,提高网络检测精度,并通过自适应图片采样,缓解数据不均衡的问题,运用马赛克数据增强对小目标进行充分利用。实验结果表明,该算法在AIZOO数据集上的mAP值达到了93%,比YOLOv5原始模型提升了2个百分点,对于佩戴口罩的人脸检测精度达到了97.7%,优于同等情况下YOLO系列、SSD、RetinaFace的检测效果,同时在GPU上的运行推理速度提升了16.7个百分点,且模型权重文件的内存仅为23.5 MB,适用于实时口罩佩戴检测。

改进Yolov5的无人机目标检测算法

无人机场景下航拍图像存在密度高、目标小、覆盖范围广等特性,使得现有的目标检测器容易出现错检漏检的现象,为了提高识别的精度,提出了一种改进Yolov5的目标检测模型。通过采用梯度流丰富的C2F模块增加模型的特征提取能力。引入上采样算子CARAFE(content-aware reassembly of features)增加感受野进行数据特征融合,提升特征金字塔网络性能。通过采用全局性动态标签分配策略,提高模型识别准确率。通过VisDrone2019数据集验证表明,改进后的模型平均精度mAP值达到65.3%,较传统模型提升了24.7个百分点,可以更加准确地完成航拍过程中针对目标的检测任务。

基于改进YOLOv8s的钢材表面缺陷检测

针对YOLOv8s模型在钢材表面缺陷检测任务中特征提取能力不足、特征融合不充分以及收敛速度慢、回归精度差等问题,提出一种基于改进YOLOv8s的钢材表面缺陷检测算法。首先,为了使模型关注更多维度的特征信息,将YOLOv8s模型主干网络和颈部网络中的部分C2f模块替换为C2f-Triplet模块;其次,为了使模型在更大的感知区域内聚合上下文信息,将YOLOv8s模型颈部网络中的最近邻上采样模块替换为内容感知特征重组(content-aware reassembly of features,CARAFE)上采样算子;最后,为了提高模型收敛速度和回归精度,将原YOLOv8s的CIoU回归损失函数替换为SIoU损失函数。实验结果表明:在NEU-DET数据集上,改进后的YOLOv8s钢材表面缺陷检测算法较原YOLOv8s算法精确率提高1.6百分点,平均精度均值提高2.2百分点。相比于目前主流的钢材表面缺陷检测算法,改进后的YOLOv8s钢材表面缺陷检测算法可以更加准确地检测出钢材表面缺陷的类别和位置,并且模型相对较小,便于在移动端部署。

基于Yolov5-MGC的实时交通标志检测

针对小目标交通标志检测存在的检测精度低、实时性差及模型体积大等问题,提出一种基于Yolov5的实时道路交通标志检测算法。首先,对Mobilenetv3中的倒残差结构进行改进,将其应用于Yolov5的主干网络中,使其更符合轻量网络的设计要求;其次,使用轻量级上采样通用算子CARAFE(content-aware ReAssembly of FEatures)代替原始网络的最近邻插值上采样模块,减少上采样信息损失的同时增大感受野;最后,使用全局与局部融合注意力(GLFA)聚焦全局尺度与局部尺度,增强网络对小目标物体的敏感程度。在自制中国多类交通标志数据集(CMTSD)上的实验结果表明:相比改进前的算法,改进后的算法在模型体积减小8.76 MB的基础上,平均精度均值(mAP)@0.5提升了2.58百分点,检测速度达62.59 frame/s;与其他主流目标检测算法相比,该算法在检测精度、检测速度及模型体积上具有一定的优势,在真实复杂交通场景中具有较好的性能。

结合注意力机制的带钢表面缺陷检测模型

带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰,导致检测模型的精度较差的问题,提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO(EnhanceDefectsDe-tectionYOLO)。首先,构造了一个特殊卷积ECConv(EnhanceCoordConv),其使用额外的坐标通道更加清晰地感受待检测目标的空间位置信息;其次,将轻量级注意力机制EMA(EfficientMulti-ScaleAttention)嵌入特征融合网络中,使得计算资源高效且合理分配,增强特征融合能力;然后,采用CARAFE(Content-AwareReAssembly of Features Extraction)替代原融合网络的上采样模块;最后,在预测部分使用WIOU改进原损失函数,加速模型收敛。实验数据表明,该模型相较于YOLOv8n,检测精度提高3.6%,检测速度保持在166fps,并且模型大小、空间复杂度与原模型基本持平,更好地满足了复杂工业场景下带钢缺陷的实时检测要求。

基于YOLOv5的瓶盖封装缺陷轻量化检测算法

为解决白酒瓶盖封装表面质量检测和算法参数庞大难部署的问题,对YOLOv5s进行改进并提出了更轻量化和高精度的SEGC-YOLO算法。首先,采用ShuffleNet V2替换原始骨干网络,有效简化参数,引入高效通道注意力机制增强骨干网络。再使用基于GhostNet改进的GhostConv和C3-Ghost模块增强颈部网络,减少颈部参数量。另外,使用CARAFE算子替代最近邻插值上采样算子,利用自适应内容感知的上采样预测核提升颈部网络的信息表达能力,进而提升检测精度。最后,训练应用Adam梯度优化器来提高检测精度。实验结果表明:所提SEGC-YOLO算法在不同交并比(IoU)阈值下的平均精度均值mAP@0.5为84.1%和mAP@0.5∶0.95为49.0%,分别优于原始YOLOv5s算法1.2个百分点和0.5个百分点,并且浮点运算数(FLOPs)比原始算法减少了69.94%、参数量减少了71.15%和模型文件大小减小了69.66%,更加精准和轻量化。所提SEGC-YOLO可以快速、精准地检测瓶盖表面缺陷,为相关领域快速缺陷检测和设备部署提供了数据和算法支持。

基于改进Yolov3的飞机目标检测算法

为了解决军用飞机目标检测过程中难以兼顾检测精度与检测速度的问题,提出了一种新的飞机目标检测算法。该算法建立在Yolov3的基础上,其特点是在保证检测速度的情况下,大幅提升检测精度。在提出的方法中,首先使用K-Means++聚类算法,解决了由随机初始化聚类中心带来的误差问题;其次对通过聚类得到的先验框(Anchors)进行线性拉伸,使其在贴合数据集目标大小的同时具有不同的尺度;再次,用CARAFE上采样算子构建上采样过程,使得网络能够捕捉到丰富的语义信息;最后,在网络中加入改进的通道显著性注意力机制CS-SE,使得网络能够有效关注图像前景内容,从而提高检测精度。实验表明,相比于Yolov3,所提方法 mAP@0.5增加了5.3%,mAP@0.5:0.95增加了8.0%,提高了飞机的目标检测准确率和可靠性,减少误判和漏判,使其在不同的气象条件、光线条件和目标形态下实现准确的目标检测。

基于改进YOLOv7模型的肺结节检测

目的设计一种基于改进YOLOv7模型的肺结节检测算法。方法首先,在PAFPN结构中,引入轻量化上采样算子CARAFE,以提高肺结节检测精度。然后添加一个增强型小尺度检测层,增强对于小目标肺结节的检测性能,同时可减少训练的参数量,并降低模型复杂程度。在保证各项参数指标不变的情况下,对YOLOv5原模型算法和添加增强型小尺度检测层的YOLOv5模型算法、YOLOv7原模型算法和改进后YOLOv7模型算法进行消融实验;对改进点训练集总损失进行比较;用YOLOv7原模型算法和改进后YOLOv7模型算法对2张测试集图片进行推理,将其与近年来其他经典的肺结节检测算法Mask R-CNN、YOLOv3、YOLOv5s和YOLOv7对2张测试集图片进行比较。结果添加增强型小尺度检测层的YOLOv5模型算法精度比YOLOv5原模型算法提升了1.3%,召回率提高了3.5%,平均精度(mAP)上升了3.1%,参数量减少了25.3%,网络的复杂程度也有所减少。改进后YOLOv7模型算法mAP提高1.8%,参数量减少28.3%,模型复杂程度下降5 G。添加增强型小尺度检测层与替换特诊融合网络为轻量化上采样算子CARAFE算法在训练过程中的总损失最小。YOLOv7原模型算法精度较高,但是仍然出现了漏检与假阳性的情况,与预测图片1比较,YOLOv7原模型出现了漏检的情况;与预测图片2比较,YOLOv7原模型出现了假阳性的情况。而改进后YOLOv7模型对漏检情况和假阳性均得到了很好的改善;与经典模型算法比较,改进后YOLOv7模型算法的精度、召回率和mAP最高,分别为91.7%、89.1%、93.5%。结论改进YOLOv7模型具有更强的特征表达能力,参数量更少,能够有效提高肺结节的检测精度。