基于协调注意力机制的轻量级YOLOv4零件检测

针对零件自动检测任务在复杂工况下,如零件堆叠粘连、有杂物干扰等,存在实时性差、硬件资源占用大等问题,提出一种基于轻量级YOLOv4网络的零件检测方法。采用MobileNeXt代替CSPDarkNet53作为主干特征提取网络(backbone),并在每个卷积模块中添加协调注意力机制,用于增强特征层的语义表达能力;提出一种Fused-Sandglass模块插入到浅层的backbone中,提高网络的推理速度;网络训练方面引入渐进式训练方法和focal loss损失函数,提升训练速度,并且有效缓解正负样本失衡的问题。实验结果表明,该方法在15种零件的检测任务中能够保持和YOLOv4网络相近的准确率,但参数量大小仅为其20%,推理速度达到了43.7 fps,能够满足实际生产的需求。

YOLOv4-Tiny的改进轻量级目标检测算法

目标检测是深度学习的重要分支领域,大量的边缘设备需要轻量级的目标检测算法,但现有的轻量级的通用目标检测算法存在检测精度低、检测速度慢的问题。针对这一问题,提出了一种基于注意力机制的YOLOv4-Tiny的改进算法。调整了原有的YOLOv4-Tiny算法的主干网络的结构,引入了ECA注意力机制,使用空洞卷积改进了传统的SPP结构为DC-SPP结构,并提出了CSATT注意力机制,与特征融合网络PAN形成CSATT-PAN的颈部网络,提高了网络的特征融合能力。提出的YOLOv4-CSATT算法和原始YOLOv4-Tiny算法相比,在检测速度基本持平的情况下,对于信息的敏感程度以及分类的准确程度有了明显的提高,在VOC数据集上精度提高了12.3个百分点,在COCO数据集上高出了6.4个百分点。在VOC数据集上,相比Faster RCNN、SSD、Efficientdet-d1、YOLOv3-Tiny、YOLOv4-MobileNetv1、YOLOv4-MobileNetv2、PP-YOLO算法在精度上分别高出3.3、5.5、6.3、17.4、10.3、0.9和0.6个百分点,在召回率上分别高出2.8、7.1、4.2、18.0、12.2、2.1和4.0个百分点,FPS达到94。通过提出CSATT注意力机制提高了模型对于空间的通道信息的捕捉能力,并结合ECA注意力机制和特征融合金字塔算法,提高了模型的特征融合的能力以及目标检测精度。

融合GhostNet的YOLOv4轻量化网络设计与实现

由于存储资源和功耗等限制,在嵌入式设备上部署基于深度学习的目标检测算法存在困难,且效果不佳.基于YOLOv4算法,提出了一种改进的YOLOv4-Light轻量化网络模型,采用GhostNet网络结构替换CSPDarknet53作为主干提取网络,引入CBAM注意力机制关注通道和空间两个维度的特征信息,并利用感知量化方法对权重进行INT8量化处理,在保证精度的情况下降低网络模型规模和参数量.在PC端和NVIDIA Jetson Xavier NX上选用VisDrone无人机数据集分别对网络模型进行测试,结果表明YOLOv4-GhostNet-CBAM模型的尺寸是160M,比YOLOv4降低了34.43%;检测速率最高可达到34.6FPS,比YOLOv4提高了56.6%.YOLO-Light模型的尺寸是40.2M,比YOLOv4降低了83.5%;检测速率最高可达到78.6FPS,为YOLOv4的3.6倍,且交并比为0.5时的平均精度均值(mAP50)与YOLOv4相比仅下降了3%.YOLO-Light模型相较于原模型优势明显,能够在低功耗的嵌入式设备上完成实时目标检测.

基于三重注意力的轻量级YOLOv8印刷电路板缺陷检测算法

在全球产业中,印刷电路板的生产和应用持续增长,已经成为各种电子设备的核心组成部分。由于缺陷尺度较小的问题以及检测模型轻便嵌入便携式设备的需求,印刷电路板图像的自动缺陷检测是一项具有挑战性的任务。为了满足智能制造和使用中对高质量印刷电路板产品日益增长的需求,提出一种基于YOLOv8的印刷电路板缺陷检测改进方法。首先,采用轻量级网络MobileViT作为主干网络,减小模型体积和计算量。其次,引入Triplet Attention模块,增强张量中不同维度间特征的捕捉能力。最后,将边界框损失函数替换为LMPDIoU,直接最小化预测框与实际标注框之间的左上角和右下角点距离。实验表明:改进后的检测模型能够在拥有极小参数量的同时保证小尺寸缺陷检测精度较高,模型参数量降低率为89.38%,满足轻便嵌入便携式检测设备和计算机资源受限的场景应用,证实了在印刷电路板缺陷检测领域具有良好的应用前景。

YOLOv8-VSC:一种轻量级的带钢表面缺陷检测算法

目前在带钢表面缺陷检测领域,通用的目标检测算法复杂度高、计算量庞大,而一些中小型企业负责检测的终端设备通常不具备较强的计算能力,计算资源有限,从而导致检测算法部署困难。为解决该问题,基于YOLOv8n目标检测框架,提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC。该模型使用轻量级的VanillaNet网络作为骨干特征提取网络,通过减少不必要的分支结构降低模型的复杂度。同时,引入SPD模块在减少网络层数的同时加快模型的推理速度。为了进一步提升检测精度,在特征融合网络中,使用轻量级的上采样算子CARAFE,提高融合特征的质量和丰富度。最后,在NEU-DET数据集上进行大量实验,得到模型的参数量与计算量为1.96×106和6.0 GFLOPs,仅为基线的65.1%和74.1%,mAP达到80.8%,较基线提升1.8个百分点。此外,在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性。与先进的目标检测算法相比,所提算法在保证高检测精度的前提下需要的计算资源更少。

基于轻量级网络的小目标检测算法

针对YOLOv5算法在检测小目标时存在准确率较低的情况,提出旨在提高小目标检测准确率的轻量级网络KOS-YOLOv5算法。首先采用K-means++聚类技术选择一组合适的锚框尺寸作为模型的先验,对小目标实现更精确的锚框尺寸,使模型能适应不同大小的目标;其次利用简化正负样本分配策略(SimOTA)进行动态样本匹配,更好地优化损失函数;最后将空间上下文金字塔(SCP)模块集成到算法检测层中,促使骨干网络更加关注小目标的特征信息,用以增加目标特征提取能力,提高目标的检测准确率。结果表明,改进后的KOS-YOLOv5算法与传统的YOLOv5模型进行比较,算法在检测精确度(P)方面提高了4%,召回率(R)方面提高了2.4%,平均检测精度(mAP)提高了3.1%,损失函数值(Loss)降低了5%,最终检测精度为95.38%。

基于轻量级卷积神经网络的零件位姿识别算法

针对目前基于卷积神经网络(CNN)的识别检测算法存在参数量多、计算量大、内存占用大以及资源消耗过多的问题,基于YOLOv3网络结构的优势,提出了一种轻量级的识别检测网络EfficientNet-B0-YOLOv3。该网络不仅可以实现零件的位姿识别,而且可识别出零件的各个面,在具备高识别检测精度的同时,降低了网络的参数量和计算量,而且训练好的网络模型大小只有41.10 MB,可以降低资源消耗,在工业应用中,降低内存占用,更容易嵌入设备进行使用。

一种用于输电线路绝缘子多缺陷检测的轻量级网络

针对绝缘子多类型缺陷检测速度慢、检测精度低的问题,提出一种用于输电线路绝缘子多缺陷检测的轻量级网络(Multi-Defect Detection Network, MDDNet),该算法主要针对绝缘子电弧烧伤和绝缘子伞裙破损的多类型绝缘子缺陷联合检测。基于Ghost-C2f模块构建GC-Darknet53特征提取网络,增强特征提取能力并较少特征冗余;引入三尺度融合(Tri-Fusion)机制构建新型TF-Neck颈部网络,充分融合深层语义信息与浅层的细粒度信息,提高小目标缺陷检测精度;选用结构相似性交并比(Structural Similarity Intersection over Union, SIoU)损失函数提高模型定位能力。实验结果表明,提出的MDDNet模型平均精度均值(mean Average Precision mAP)达到92.1%,与YOLOv5相比,在参数量减少了20%的情况下mAP提升了3.0%,与其他现有一阶段算法相比,MDDNet算法检测速度达到86.1帧/秒,能够在保证轻量化的同时提高检测精度,满足绝缘子多缺陷检测的应用需求。

基于改进YOLOv4的轻量级目标检测算法研究

针对YOLOv4目标检测算法在一些应用场景的参数多、网络复杂、精度低等问题,提出一种改进的轻量级的目标检测算法GD-YOLO.首先,通过使用轻量级网络GhostNet替换掉YOLOv4的主干特征提取网络CSPDarknet,GhostNet网络极大降低了算法的参数量及计算量,使得算法更加轻量化;其次,提出双重注意力机制(DATM),其不仅增强模型对空间和通道上的特征进行加强,而且其结构参数量小,使用在对主干网络提取出来的三个有效特征层添加双重注意力机制,让模型对特征提取更加有效;最后,新增ACON激活函数代替原有的GhostNet网络中的ReLU激活函数,进一步提高算法检测精度.在VOC2007+2012数据集上的实验结果表明,GD-YOLO算法的平均准确率(mAP)达到84.28%,与YOLOv4算法相比提升了4个百分点,与YOLOv5算法相比低了大约1个百分点;从模型参数量方面,与YOLOv4算法相比减少了11 M,与YOLOv5相比减少3 M.所提GD-YOLO算法相对于YOLOv4不仅减少了模型参数量,而且也保存了较高的平均准确率,表明该算法是更具有轻量化及高准确率的.

改进YOLOv4的轻量级遥感图像建筑物检测模型

针对现有建筑物检测模型检测精度低下,模型体积较大,导致遥感图像检测速度和精度无法平衡,不利于后期部署等问题,提出一种基于YOLOv4优化的轻量级遥感图像建筑物检测模型。利用轻量化网络GhostNet替换CSP DarkNet53进行特征提取;借鉴稠密连接思想,提出了Dense-PANet特征融合模块;将ECA注意力机制引入Ghost模块,替换特征融合颈部网络的传统卷积。实验结果表明,提出的模型与YOLOv4相比,牺牲少量检测速度,但是平均精度提高了0.96个百分点,召回率提升了1.08个百分点,模型体积降低了71.39%,浮点计算量降低了76.60%,能有效满足遥感图像建筑物检测的需求。

基于改进YOLOv4网络的光伏组件故障诊断方法

为提高红外光伏组件故障的检测精度,提出一种基于改进YOLOv4网络的图像检测方法。针对无人机采集的红外光伏组件图像数据较少的问题,通过离线数据增强方式扩充数据集;用DenseNet121网络替换YOLOv4网络中原有的DarkNet53主干网络,实现YOLOv4网络的轻量化,提升了网络检测速度;设计新的路径聚合网络,提升YOLOv4网络对红外光伏组件图像浅层特征的融合程度,并在新增路径上添加YOLO检测头,提高网络对红外光伏组件图像中小目标的检测精度;在主干网络后添加注意力机制模块,提升网络的专注度。试验结果表明,改进YOLOv4网络对红外光伏组件故障的检测具有较高的精度。

基于改进YOLOv4的轻量级车辆检测方法

道路车辆检测是智能交通管控的重要组成部分。针对现有车辆检测算法模型容量大、参数数量较多、占用内存多,难以在智能交通监控场景中适用于算力和内存均有限的边缘设备的问题,提出一种改进YOLOv4的轻量化车辆检测方法MC-YOLO。为了减少算法的参数量,把YOLOv4网络模型压缩到合适的大小,对网络的部分结构做了针对性的设计:保留原YOLOv4的主干网以外的其余模块,将YOLOv4的主干CSPDarknet53替换为MobileNetV3使其轻量化;另外,为了弥补主干网络轻量化导致的车辆检测效果的下降,在检测网络的骨干和加强特征提取部分之间插入CBAM模块,提升车辆检测模型的性能。实验结果表明,经过改进的车辆检测算法在UA-DETRAC数据集上体现了良好的性能,平均精度与原YOLOv4算法相近,模型在参数量上比原YOLOv4模型减少了约77%,模型大小仅为55.3 MB,较原YOLOv4模型减少了约190 MB。改进后的车辆检测算法在模型轻量化的同时不仅能够保证较高的检测精度,而且能够满足在算力资源有限的边缘设备进行实时性车辆检测的需求。

基于YOLOv5的轻量级猪只检测网络设计

为了现代养殖业能够实现无人化、智能化,本文以目标检测网络YOLOv5为基础,设计了一个更轻量级的猪只检测神经网络。新的网络以YOLOv5为基础,舍弃了原主干网络中Focus结合CSP的结构,采用MobileNetV3中的深度可分离卷积的倒残差结构。这种结构的卷积操作计算量更少,进一步降低了运算成本,同时加入通道注意力机制来衡量特征图的不同通道所占的重要性,以此增强目标特征。经过用自制数据集在此网络和YOLOv5及其他改进方法上分别进行实验对比,证实了此网络在精度几乎不下降的前提下检测速度有了较好提升。同时相比于其他常见目标检测网络,该网络的模型效果依然表现良好,验证了本文改进方法的有效性。

基于轻量级MobileNet V3-YOLOv4的生长期菠萝成熟度分析

[目的/意义]菠萝的贮藏性与成熟度相关,菠萝采摘前对其成熟度进行识别尤为重要。本研究目的在于提出一种新型网络模型,提高菠萝成熟度自动识别的准确率和速度。[方法]首先针对菠萝训练数据集样本少与实时性差等不足,利用在自然环境下拍摄的菠萝照片,自建了种植区场景菠萝成熟度分析数据集。之后将YOLOv4骨干网络替换成轻量级网络MobileNet V3,提出了轻量级的MobileNet V3-YOLOv4网络。同时训练了原YOLOv4模型、MobileNet V1-YOLOv4模型、MobileNet V2-YOLOv4模型以及Faster R-CNN、YOLOv3、SSD300、Retinanet、Centernet等五种不同的单、双阶段网络模型,并对比模型的评价指标,分析本文模型的优越性。[结果和讨论]试验结果表明,MobileNet V3-YOLOv4训练时间为11,924 s,参数量为53.7 MB,训练好的MobileNet V3-YOLOv4在验证集的平均精度均值(mean Average Precision,mAP)为90.92%,对于黄熟期菠萝和青熟期菠萝两种类别的检测精确率(Precision)分别为100%和98.85%,平均精度(Average Precision,AP)值分别为87.62%、94.21%,召回率(Recall)分别为77.55%、86.00%,F_(1)分数(F_(1)Score)分别为0.87和0.92,推理速度(Frames Per Second,FPS)80.85 img/s。[结论]本研究提出的MobileNet V3-YOLOv4实现了在降低训练速度、减小参数量的同时,提高了菠萝成熟度识别的精度和推理速度,满足实际检测需求。

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

融合图像显著性特征的轻量级目标检测算法

针对智能车辆在实际交通环境中面临的目标密集、边缘严重遮挡和前景背景模糊的问题,本文提出了一种融合图像显著性特征的轻量级目标检测算法。首先基于灰度图像提取出显著性特征图,和彩色图像分别输入卷积神经网络。其次采用轻量化模块(ghost model)搭建轻量级融合网络,并使用EIoU优化模型的边框定位损失。在网络后端将非极大值抑制算法进行改进,以此提高网络对同类别遮挡目标的检测准确率。最后在KITTI数据集上进行训练和测试。实验表明,改进后的网络mAP达到92.7%,相比原始网络YOLOv5平均精度提高3.8%,精确率和召回率分别提高3%和6.2%。

改进YOLOv5网络的轻量级服装目标检测方法

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×10^(9)次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。

改进MobileViT与YOLOv4的轻量化车辆检测网络

基于深度学习的目标检测算法在智能交通的应用中,对于车辆检测存在模型参数量大、计算速度慢和简单网络精准度较低的问题。本文提出了一种高效的轻量化车辆检测模型,该检测模型采用YOLOv4网络作为参考模型进行改进。首先,本文采用CSPMobileViT网络来替换原始主干网络,然后将PANet替换成BiFPN,并且将BiFPN中的3×3标准卷积替换成深度可分离卷积,最后,在BiFPN之前和YOLO-Head之前添加ECA模块。在损失函数部分,将边框回归损失CIoU改进为Focal EIoU来解决难易样本不平衡的问题。实验结果表明改进网络的mAP值为96.77%,检测速度达到每张图片0.0234 s,模型大小只有32.76 MB,参数量为8587541,与原始算法相比mAP提升了1.54%,而模型大小和参数量仅约为原始模型1/8,并且FPS提升了7.5,改进算法具有更好检测效果。

基于网络瘦身算法的YOLOv4-tiny的甘蔗茎节识别

为提高智能甘蔗收获的准确性,降低算法对部署的高算力要求,利用轻量级目标检测算法YOLOv4-tiny相对YOLOv4算法更简化的网络结构、更高的推理速度等优点,提出基于MobileNet和网络瘦身的两种YOLOv4-ting识别算法方案,并比较二者的精度和模型复杂度。其中,基于网络瘦身算法的YOLOv4-tiny在精度较瘦身前(94.7%)下降0.6%的情况下,模型复杂度下降为原来的1/3,即瘦身后的FLOPs和Params分别为1.1 G和1 789 658。而以MobileNet为Backbone的YOLOv4-tiny在精度下降1.92%的情况下,它的FLOPs和Params为1.29 G、2 600 068,其在精度和模型复杂度上的表现都不如瘦身后的YOLOv4-tiny模型。结果表明:基于网络瘦身算法的YOLOv4-tiny甘蔗茎节识别模型可有效降低模型复杂度,其计算量对嵌入式设备和移动式设备友好。该研究可为智能甘蔗收割机构的开发提供技术参考。

基于改进YOLOv4的消防设施检测算法

消防安全问题是一个全球性的难题,由于城市化进程加快和人口密集度增大,火灾事故频发,给人们的生命财产安全带来了极大威胁。准确定位建筑图纸中的消防器材作为智慧消防管理中不可或缺的一部分,然而目前建筑楼层消防器材统计效率低下。针对这一问题,文章提出了一种基于YOLOv4的消防设施检测算法以实现消防器材自动检测和定位。首先构建了建筑图纸中消防设施数据集,用于检测识别等研究工作,其次对YOLOv4模型的先验框参数进行设计,使其符合消防设施检测的实际应用,然后根据数据集特点选取合适的特征层降低模型参数量,并使用ASPP扩大模型的感受野,最后对Mosaic数据增强算法的参数进行了实验,提升了模型的检测能力。实验结果表明,所提算法权重为54.07MB,Map值高达89.47%。