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。

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。