基于改进EfficientFormer的自动驾驶目标检测算法

车辆目标检测技术是自动驾驶车辆环境感知模块的关键,对驾驶安全至关重要。本文在EfficientFormer算法的基础上,使用加入了3×3卷积的FFN替代局部token混合器,抓取局部和全局信息。在注意力中加入深度3×3卷积,将局部信息注入到值矩阵V中,并添加全连接层实现注意力头之间的相互通信。将池化和3×3 DWConv分别作为稳定和可学习局部下采样并进行结合,得到注意力下采样机制。利用4阶段模型和阶段分配进行搜索空间优化。利用BDD100K数据集进行训练,得到改进的EfficientFormer算法的mAP达到58.9%,精准率达到了76.4%,召回率达到了49.1%,比其他主流算法性能更加优越。同时,其在真实场景检测中的延迟降低到了7.2ms,这表明该算法在自动驾驶目标检测中即有精准性又有时效性。

基于改进YOLOv5的轻量化PCB缺陷检测

针对现有PCB缺陷检测方法的精确率较低且模型较大的问题,提出了一种基于EfficientFormer V2-YOLOv5的轻量化PCB缺陷检测改进算法。首先采用EfficientFormer V2算法替换YOLOv5中的骨干网络(backbone)来实现YOLOv5算法的轻量化;其次在Neak网络中引入四头检测机制的同时使用Kmeans++算法自适应锚框计算得到适合的锚框来提高对小目标的检测精度;然后在骨干网络中引入EMA注意力机制和在Neak网络中引入CoordConv网络替换Conv网络来进一步提高网络对小目标的检测精度;最后使用SIoU损失函数来加快网络模型的收敛速度。试验结果表明,改进后的YOLOv5算法模型的计算量降至8.9 GFLOPs(简称G),检测的平均精度值(mAP)达到96.1%,模型大小减少了3.006 M,计算量减少了6.9 G。满足工业上对PCB缺陷检测的实时要求。