基于改进YOLOv7的苹果表面缺陷轻量化检测算法

针对如何提高苹果表面缺陷的检测速度和精度,解决模型内存占比大的问题,提出一种基于改进YOLOv7的苹果表面缺陷轻量化检测算法。首先引入GhostNetV2作为YOLOv7网络的backbone,有效降低了模型复杂度,提高了检测速度。并引入SimAM无参注意力机制,以强化不同深度的特征信息。使用双向加权特征金字塔结构BiFPN进行加权特征融合,进一步提升苹果表面缺陷的检测精度。最后采用ECIOU损失函数来计算边界框损失,进一步提高模型收敛速度和整体性能。结果表明,改进YOLOv7模型在苹果表面缺陷检测上mAP@0.5较原YOLOv7网络提高2.0百分点,准确率和召回率也分别提升了1.7、3.9百分点,模型减小20.8 MB,速度提升36.43帧/s。其综合性能也优于SSD、CenterNet等主流算法,可实现对苹果表面缺陷的快速准确诊断。

基于改进YOLOv7的肝囊型包虫病超声图像小病灶检测

目的:提出一种基于YOLOv7用于检测肝囊型包虫病超声图像小病灶的方法。方法:首先用轻量级特征提取主干网络GhostNet替换原特征提取主干,降低模型总参数量;其次为改善YOLOv7网络的评价指标CIoU在作为损失函数时,检测精度较低的问题,用更优的ECIoU替换CIoU,进一步提高模型检测精度。结果:在自建的肝囊型包虫病超声图像小病灶数据集上进行训练,结果显示改进后的模型大小为59.4 G,mAP@0.5检测精度为88.1%,相比原始的模型性能得到提升,并超过其余主流检测方法。结论:本文模型能更高效地检测并分类肝囊型包虫病超声图像中的病灶位置和类别。

基于改进YOLO v5的轻量化苹果检测方法

为了实现苹果采摘过程中准确快速的识别,本研究提出一种融合FasterNet模型的YOLO v5改进苹果检测算法。首先在基准图像特征提取模块中使用FasterNet架构替代YOLO v5模型中的卷积块和CSPLayer,降低算法复杂度并增强小目标的特征提取能力;然后提出了利用ECIoU损失函数来预测目标位置偏差,通过增加边框角点损失来描述预测框与真实目标框之间的位置偏差信息,进一步提高了苹果检测的准确性,解决了YOLO v5算法对有遮挡的密集目标检测效果不佳的问题;最后在检测后处理阶段提出ECIoU-NMS方法以优化重叠目标框的选择。在通用数据集MS COCO和自建数据集上对本研究所提方法与YOLO v5算法进行了对比试验。本研究所提算法模型参数量下降了12%,计算量下降了25%,帧率提升了23%。在通用数据集MS COCO上mAP_(0.5)和mAP_(0.5∶0.95)指标分别提升了2.9、1.9百分点,在自建苹果数据集上mAP_(0.5)和mAP_(0.5∶0.95)指标分别提升了2.5、1.9百分点。本研究方法性能优于YOLO v5,且模型的轻量化使其更容易在苹果采摘机器人上部署。

基于改进YOLOv5的印刷电路板缺陷检测

为解决印刷电路板缺陷检测中缺陷类别易混淆,缺陷目标微小难以检测的问题,提出了一种改进的YOLOv5检测模型。在骨干网络引入Swin-Transformer架构,获取局部和全局信息的多尺度特征。增加一个针对小目标的预测特征层,新的多尺度特征融合和检测结构使模型学习更加全面的特征信息。使用ECIoU_Loss作为损失函数,实现电路板缺陷检测速度和准确率协同优化。实验结果表明,改进后的YOLOv5模型在PCB Defect数据集上的平均准确率为98.7%,达到了99.7%的预测精确率和97.4%的召回率,比当前主流的检测模型性能更优越,改进后的YOLOv5模型能更有效的对电路板缺陷进行分类和定位。

基于FBEC-YOLOv5s的采掘工作面多目标检测研究

针对采掘工作面目标尺度跨度大、多目标间相互遮挡严重及恶劣环境导致的检测精度降低等问题,提出了一种基于FBEC-YOLOv5s的采掘工作面多目标检测算法。首先,在主干网络引入FasterNet网络,以凭借其残差连接与批标准化模块,增强模型的特征提取和语义信息捕捉能力;其次,在YOLOv5s模型颈部融合BiFPN网络,以通过其双向跨尺度连接和快速归一化融合操作,实现多尺度特征的快速捕捉与融合;最后,采用ECIoU损失函数代替CIoU损失函数,以提升检测框定位精度和模型收敛速度。实验结果表明:(1)在满足煤矿井下实时检测要求的同时,FBEC-YOLOv5s模型的准确率较YOLOv5s模型的准确率提升了3.6%。(2)与YOLOv5s模型相比,FBEC-YOLOv5s模型的平均检测精度均值上升了2.8%,平均检测精度均值为92.4%,能够满足实时检测要求。(3)FBEC-YOLOv5s模型的综合检测性能好,能够在恶劣环境、多目标间相互遮挡严重及目标尺度跨度大导致检测精度降低的情况下表现出良好的实时检测能力且具有较好的鲁棒性。