基于YOLOv7道路交通热红外图像目标检测算法

热红外图像具有分辨率低、高噪声、空间相关性强的特点。为解决道路交通红外目标检测算法存在的检测精度低、漏检和误检等问题,提出一种改进YOLOv7的算法。将主干网络原有的ELAN模块替换成ELAN-P模块,降低模型的参数量和计算量,使模型更加轻量化,增强对红外目标的提取能力;在主干网络和颈部网络引入CA注意力机制,将坐标信息嵌入到通道中,增强对模糊目标和密集目标的定位能力;将原有的CIoU损失函数替换成WIoU损失函数,提高对遮挡目标和弱小目标的检测精度。在中国热红外数据集CTIR上实验表明,改进算法相较于YOLOv7算法,参数量和计算量分别减少11.6百分点和19.5百分点,检测精度mAP值提高了3.1百分点,其中Car、Pedestrian、Cyclist、Bus和Truck五个类别的检测结果AP值分别提高了1.9百分点、1.9百分点、1.5百分点、4.9百分点和5.3百分点,检测性能有所提升。在公开数据集FLIR上进行泛化性对比实验,结果表明改进算法具有通用性。

基于YOLOv7的番茄检测算法优化与实现

番茄果实目标检测是实现番茄采摘机械化、自动化需要解决的关键问题。针对番茄生长环境中背景复杂、果实密集、枝叶遮挡等问题,提出一种优化的YOLOv7成熟番茄识别模型。该模型在YOLOv7模型基础上,首先将主干网络中的ELAN模块用P-ELAN模块替换,降低了网络参数量与计算量,同时提升网络的特征提取能力。其次,在检测头前加入LSK注意力机制,利用特征提取模块动态调整感受野,更有效地处理了不同目标所需的背景信息差异。最后,引入EIoU损失函数,能够更有效地引导模型学习更准确的边界框预测,从而加速预测框的收敛、提高预测框的回归精度。改进后的算法不但识别精度高,同时更为轻量化,可以较好地应用于成熟番茄的采摘场景。