基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×10^(7),平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×10^(8),与FasterNet、GhostNet、ShuffleNetV2和MobileNetV34种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。

基于FasterNet和YOLOv5改进的玻璃绝缘子自爆缺陷快速检测方法

为了实现对电力输电线路中绝缘子缺陷实时快速的巡检需求,提出了一种结合FasterNet-tiny和YOLOv5-s-v6.1网络模型改进的缺陷快速检测算法FasterNet-YOLOv5。首先引入参数量小推理速度更快的FasterNet网络替换原先的CSPDarkNet53主干网络,加快网络的检测速度。然后结合由GhostNetv2网络提出的解耦全连接注意力机制(decoupled fully connected,DFC),在主干特征提取网络中设计了DFC-FasterNet模块,模块中的DFC Attention机制可以在特征提取过程中增大感受野,提升网络的检测精度。最后针对玻璃绝缘子自爆缺陷目标较小和背景较复杂的情况,重新设计Neck模块,提出BiFPN-F特征融合模块,使网络更精确地定位绝缘子缺陷区域。实验结果表明:改进后的算法可以快速精准定位,其均值平均精度(mean average precision,mAP)达到93.3%,相较于改进前提升5.67%,检测速度达到45.7 Hz,较改进前提升近1倍。同时与最新的YOLOv8n和YOLOv7-tiny相比,改进后的FasterNet-YOLOv5在自爆缺陷上的检测精度和速度更具优势,该文所提算法能够更快速地对绝缘子及其自爆缺陷实时定位识别。

融合Fasternet与YOLOv5模型的鸡蛋外观检测

[目的]高效识别自动化生产过程中存在蛋壳瑕疵的鸡蛋。[方法]设计了一种融合Fasternet模块与YOLOv5s的鸡蛋外观检测模型FC-YOLOv5。该模型使用Kmeans++算法对数据集重新聚类,优化先验框;将C3结构中的Bottleneck模块替换为FasternetBlock模块,减少模型参数量,同时提高模型检测精度;采用Soft-NMS算法作为非极大值抑制算法,提高重叠特征的检测效果;引入CBAM注意力机制,增加网络模型对重要特征的提取能力。[结果]与YOLOv5原模型相比,改进后的FC-YOLOv5模型在mAP@0.5和mAP@0.5:0.95上分别提高了3.2%和5.2%,计算量和参数量分别减少了19.6%和16.9%,且与YOLOv7-tiny和YOLOv8模型相比有显著优势。[结论]试验方法在鸡蛋外观检测场景下可提高检测精度并降低参数量,达到鸡蛋自动化生产中的次品蛋识别目的。

双分支注意力与FasterNet相融合的航拍场景分类

航拍高分辨率图像的场景类别多且类间相似度高,经典的基于深度学习的分类方法,由于在提取特征过程中会产生冗余浮点运算,运行效率较低,FasterNet通过部分卷积提高了运行效率但会降低模型的特征提取能力,从而降低模型的分类精度.针对上述问题,提出了一种融合FasterNet和注意力机制的混合结构分类方法.首先采用“十字型卷积模块”对场景特征进行部分提取,以提高模型运行效率.然后采用坐标注意力与通道注意力相融合的双分支注意力机制,以增强模型对于特征的提取能力.最后将“十字型卷积模块”与双分支注意力模块之间进行残差连接,使网络能训练到更多与任务相关的特征,从而在提高分类精度的同时,减小运行代价,提高运行效率.实验结果表明,与现有基于深度学习的分类模型相比,所提出的方法,推理时间短而且准确率高,参数量为19M,平均一张图像的推理时间为7.1 ms,在公开的数据集NWPU-RESISC45、EuroSAT、VArcGIS (10%)和VArcGIS (20%)的分类精度分别为96.12%、98.64%、95.42%和97.87%,与FasterNet相比分别提升了2.06%、0.77%、1.34%和0.65%.

基于轻量化YOLOv7算法的侧扫声纳图像沉船检测

针对现有的侧扫声纳图像水下沉船检测方法存在检测速度慢,传统的YOLOv5算法存在的漏检的问题,提出基于轻量化YOLOv7算法的水下沉船检测改进方法。首先,通过随机翻转、随机噪声等操作扩充沉船图像的样本数量;然后,引入迁移学习策略,将在COCO数据集上学习到的权重迁移到沉船检测的YOLOv7网络中;其次,改进模型损失函数中惩罚项的计算方式,提升收敛速度;最后在YOLOv7网络中引入FasterNet结构,减少模型的参数量和计算复杂度,降低模型对硬件的需求,达到轻量化模型的目的。实验结果表明,改进方法较原始YOLOv7算法在类平均精度值(mAP值)上提升了4.75%,检测速度也由原来的0.0218秒/帧提升到0.0179秒/帧,证明了改进方法的工程应用价值。

基于YOLOv5s−FSW模型的选煤厂煤矸检测研究

针对现有煤矸检测模型存在的特征提取不充分、参数量大、检测精度低且实时性差等问题,提出了一种基于YOLOv5s−FSW模型的选煤厂煤矸检测方法。该模型在YOLOv5s的基础上进行改进,首先将主干网络的C3模块替换为FasterNet Block结构,通过降低模型的参数量和计算量提高检测速度;然后,在颈部网络引入无参型SimAM注意力机制,增强模型对复杂环境下重要目标的关注,进一步提高模型的特征提取能力;最后,在输出端用Wise−IoU替换CIoU边界框损失函数,使模型聚焦普通质量锚框,提高收敛速度和边框的检测精度。消融实验结果表明:与YOLOv5s模型相比,YOLOv5s−FSW模型的平均精度均值(mAP)提高了1.9%,模型权重减少了0.6 MiB,参数量减少了4.7%,检测速度提高了19.3%。对比实验结果表明:YOLOv5s−FSW模型的mAP达95.8%,较YOLOv5s−CBC,YOLOv5s−ASA,YOLOv5s−SDE模型分别提高了1.1%,1.5%和1.2%,较YOLOv5m,YOLOv6s模型分别提高了0.3%,0.6%;检测速度达36.4帧/s,较YOLOv5s−CBC,YOLOv5s−ASA模型分别提高了28.2%和20.5%,较YOLOv5m,YOLOv6s,YOLOv7模型分别提高了16.3%,15.2%,45.0%。热力图可视化实验结果表明:YOLOv5s−FSW模型对煤矸目标特征区域更加敏感且关注度更高。检测实验结果表明:在环境昏暗、图像模糊、目标相互遮挡的复杂场景下,YOLOv5s−FSW模型对煤矸目标检测的置信度得分高于YOLOv5s模型,且有效避免了误检和漏检现象的发生。

基于YOLOv8n的航拍图像小目标检测算法

针对航拍图像小目标检测中存在目标密集和相互遮挡问题,提出一种基于YOLOv8n的航拍图像小目标检测算法。在主干网络末段,置换C2f中Bottleneck为改进后的FasterNet,保持通道数并提升收敛速度;替换SPPF中CBS激活函数SiLU为ReLU使输入负值置零,在CBS后引入SE注意力机制扩张感受野,保留更多小目标特征。输出端检测头前嵌入高效多尺度注意力机制EMA获取更多细节信息,进一步提高小目标关注度。将基线网络损失函数CIoU替换成Wise IoU,提供增益分配策略,专注普通质量锚框,提高网络泛化能力。在数据集VisDrone2021和RSOD上做消融实验和对比实验,相较于基线算法,mAP@0.5分别提升5.1和7.2个百分点,mAP@0.5:0.95分别提升4.4和2.1个百分点,表明检测精度指标显著提升;在公开数据集VOC2007+2012上做泛化实验,mAP@0.5提升3.8个百分点,表明具有良好的鲁棒性。

基于改进YOLOv8-pose的分心驾驶检测与识别

针对现有的分心驾驶检测算法存在检测率低、检测速率慢等问题,本文构建了一种基于改进YOLOv8-pose的分心驾驶检测识别模型YOLOv8-EFM。首先,通过使用EfficientViT更换YOLOv8-pose的主干网络,结合CNN和VIT之间的互补性,提升了检测的准确率;其次,使用FasterBlock模块替换C2f中的Bottleneck模块,增加了检测速率并减小模型参数;最后在SPPF后加入了轻量级的MLCA注意力模块,在模型大小和准确性之间取得了良好的平衡。实验结果表明,本文所构建的YOLOv8-EFM模型,mAP50可以达到98.9%,模型大小只有9.7 M,该方法不仅可以识别出具体分心行为,还可以检测上半身的人体骨架,可以有效应用在驾驶员分心驾驶的检测场景中。

基于改进YOLOv5的安全绳目标检测

在工业施工过程中,工人安全已成为一个日益重要的问题,佩戴安全绳等安全装备是保护工人在高处工作时生命安全的重要措施;在现代化生产施工过程中,通过使用监控摄像设备结合人工智能算法的方式来检测工人佩戴安全绳等设备越发普遍,但安全绳由于细长、形状多变以及环境变化等因素较为难以准确识别;为解决以上问题,并确保能够在不同环境下准确识别安全绳,现提出一种使用YOLOv5的目标检测算法,首先通过改进的FasterNet模块进行上下文信息提取,在Neck网络中使用改进的多维动态卷积保留更多特征信息,使用WIoU_Loss损失函数来提高定位精度,在训练过程中使用动态调整学习率的策略;实验结果表明,改进后的算法在降低计算复杂度的情况下提高了3.0%的检测精度,mAP@0.5提高了4.3%,经过在实际场景应用,满足项目对实时检测精度及速度的要求。

FLM-YOLOv8:一种轻量级的口罩佩戴检测算法

针对现有的口罩佩戴检测模型无法较好平衡检测精度与速度,参数量较大,漏检和误检率高等问题,提出了一种轻量级的口罩佩戴检测算法FLM-YOLOv8。使用轻量级FasterNet替换YOLOv8n的主干特征提取网络,提升网络检测速度;融合FasterNet Block改进C2f模块,降低模型计算复杂度;提出SPPF-LSKA结构,增强模型的特征表达能力和感知能力,提高网络检测精度;设计Inner-MPDIoU边界框回归损失函数,提高回归预测精度,加快收敛速度。创建标注了一个复杂多元场景下的口罩佩戴数据集,并使用马赛克数据增强,以提高网络泛化能力。实验结果表明,该算法在正确佩戴口罩、未正确佩戴口罩和未佩戴口罩目标上的mAP@0.5达到了91.3%,FPS达到了143.6,实现了更加实时准确的口罩佩戴检测。

轻量化YOLOv5n的木材表面缺陷检测模型

为解决当前木材表面缺陷检测模型计算量大,在移动端或嵌入式设备部署困难的问题,本文提出了一种基于轻量化改进YOLOv5n的模型--FCS-YOLOv5n。首先,引入FasterNet替换主干网络,减少计算冗余及内存访问数量。其次,使用采样算子Carafe,进一步压缩模型参数量,保证语义信息获取的全面性。然后,添加参数量和计算量较小的SE注意力机制,提高特征提取和融合效果。最后,用Focal EIou作为损失函数,减少低质量目标框的影响。结果表明:轻量化改进后的参数量为287697,浮点运算量为0.7,相比基准及其他模型,参数量和浮点运算量均减少约90%,而检测精度仅下降0.1%。该模型在轻量化的同时能保持了良好的检测效果,为其在移动端或嵌入式设备上的部署奠定了基础。

基于改进YOLOv5s的木刻雕版元素检测方法研究

针对传统目标检测算法在处理具有复杂纹理木刻雕版图像时存在漏检、参数量大、检测和推理速度慢等问题,通过改进YOLOv5s模型,提出一种轻量化目标检测算法。首先,采用FasterNet作为特征提取模块,解决原始YOLOv5s参数量大、运行时间长以及算法要求高等问题;其次,在特征提取网络后添加坐标注意力机制以提高模型对木刻雕版元素特征的提取能力;最后,引入轻量化上采样CARAFE,减少上采样过程中特征信息的损失并提升模型的检测精度。为了验证方法的有效性,文中在自己收集的数据上进行测试,与初始YOLOv5s模型相比,改进后的模型平均精度提升了2.2%,检测速度提升了46.53%。实验结果表明,改进后的模型可以快速定位和识别木刻雕版元素,实现对初始模型的轻量化,可以有效部署于嵌入式设备和移动设备。

一种基于改进YOLOv8网络模型的安全帽佩戴检测算法

为了实现对特定场所人员佩戴安全帽行为的自动检测,提出了一种基于改进YOLOv8网络模型的检测算法。采用FasterNet思想改进YOLOv8网络模型的C2f结构,减少了初始模型的参数量和运算量;在检测头位置添加EMA机制模块,提升了模型的特征检测性能;引入SAConv模块和ASFF算法改造检测头结构,对不同尺度的特征信息进行自适应融合,提升了初始模型的特征提取能力。消融实验和对比实验证明,所提出算法的检测精度更高,检测速度更快,能够满足实际生产对安全帽佩戴检测的需求。

基于改进的YOLOv8脆柿缺陷检测

脆柿不仅口感脆甜,而且营养丰富。但目前在分拣上淘汰有裂纹、霉点的柿子,还是依靠人工,耗时耗力。YOLOv8检测模型是解决这一问题的有效途径。针对检测准确率低的问题,本文基于YOLOv8n模型,引入FasterNet中的FasterBlock模块替换C2f模块中的Bottleneck模块,在主干网络中加入了DLKA注意力机制。实验结果表明:与YOLOv8n模型相比,YOLOv8n-C2f_Faster-DLKA模型的mAP@.5和mAP@.5-.95分别提高了约7.8%和0.8%,准确率提升了约11.3%,召回率上升了约0.6%,GFLOPs下降了0.2。有效提高了检测精度和速度。

基于Faster-YOLOv8网络模型的车载交通标志检测算法研究

交通标志检测是自动驾驶、智能交通系统以及道路安全监控等的关键任务之一。针对交通标志检测存在小目标数量多、精度低、传统模型体积大、不宜部署等问题,基于YOLOv8n网络模型提出了一种新的交通标志检测算法—Faster-YOLOv8。该模型在Neck部分采用C2f-Faster模块(C2f和FasterNet的高效融合)来优化YOLOv8n网络结构,降低模型参数量及模型大小;引入EMA注意力机制,并应用于模型主干网络,实现了更好的多尺度感知和空间感知,增强了模型的特征提取能力;通过添加小目标检测层,有效地结合了不同尺度特征信息,保留更多的细节信息,从而提高了对小目标的检测能力;采用SioU作为边界损失函数提高检测精度。研究结果表明:改进的Faster-YOLOv8在中国交通标志检测数据集TT100K中的检测精度(P_(recision))、召回率(R_(ecall))、平均精度均值(m_(AP@0.5))分别达到了79.8%、69.3%、77.8%,相比YOLOv8n模型提升了1.1%、2.8%、2.9%,参数量及模型大小减少了23.59%、19.16%,在检测准确性和模型轻量化方面都取得了显著改进,与现有方法相比,具有更强的实际应用价值。

用于6D姿态估计的轻量级全流双向融合网络

六自由度(six degrees of freedom,6D)姿态估计是机器人抓取与操作、增强现实、自动驾驶等应用中的关键步骤。常规的6D姿态估计方法更多地侧重于设计复杂的网络来提高估计效果,而忽略了由于模型复杂度过高和参数数量庞大导致的实际部署困难问题。以FFB6D为基线,尝试设计了一个轻量级全流双向融合网络(lightweight full-flow bidirectional fusion network,LFFB6D),一种基于RGBD的轻量级6D姿态估计方法。该方法由卷积神经网络(convolutional neural network,CNN)与点云网络(point cloud network,PCN)两个并行的编码-解码网络组成。具体来说在CNN部分,引入FasterNet来代替3×3卷积。通过更换CNN的编码网络,提出了一个上采样模块FUPB(faster upsample block),以减少网络参数。在PCN部分,引入PoolFormer来处理和聚合点云特征。提出了一个新的池化模块PFPB(PoolFormer pooling block),以提高网络的性能。实验表明,LFFB6D的参数量相较FFB6D减少了46%。在仅使用1/13的LineMOD训练集和1/9的YCB-Video训练集的情况下,LFFB6D的6D姿态估计结果超越了PoseCNN、DenseFusion等方法,达到了与PVN3D和FFB6D相近的结果。

改进YOLOv5的轻量化塑料餐具缺陷检测方法

针对塑料餐具表面缺陷人工检测效率低和深度学习模型计算量大布置成本高的问题,提出了一种基于YOLOv5的轻量化检测方法 FED-YOLOv5。在YOLOv5的骨干网络部分引入新型轻量级网络FasterNet,减少参数和计算量;同时添加高效注意力机制ECA,增强网络通道间的信息交流,最后在头部网络用解耦检测头替换耦合检测头,将分类和回归任务解耦,提高模型效率。实验结果表明,改进后的FED-YOLOv5与YOLOv5s相比参数量和计算量分别减少59.7%和63.3%,检测精度达91.6%,单张图片检测时间仅为4.6 ms,能够用于塑料餐具的外观检测工序,适合在有限计算资源的环境中部署。

改进轻量化 YOLOv7-tiny 道路限高障碍物检测方法

针对道路限高障碍物检测困难、模型复杂以及难以在嵌入式端部署等问题,提出一种基于改进轻量化YOLOv7-tiny模型的道路限高障碍物检测方法。改进模型采用更加轻量的FasterNet网络替换原有主干网络,在Neck层使用PConv卷积替代部分Conv卷积,以减少计算冗余和内存访问,从而有效降低模型的参数量和计算量。同时,引入CA注意力机制提高检测精度,并使用Focal-EIoU损失函数优化模型的收敛速度和效率。实验结果表明:相较于YOLOv7-tiny目标检测模型,改进模型在检测数据集上,mAP@0.5提高6.6%,参数量和计算量分别降低24%和20.5%,模型权重文件减少27.2%,能够在保持较高检测精度的同时,满足轻量化的需求。

高斯Wasserstein距离改进轻量YOLOv7模型的遥感影像道路交叉口检测

YOLOv7是目前目标检测任务中性能较优的模型,但在处理遥感影像中的道路交叉口时,出现目标背景复杂、先验框定位误差以及模型训练参数量增多的问题。针对复杂场景的道路交叉口提出一种结合归一化高斯Wasserstein距离与轻量级YOLOv7的遥感影像道路交叉口检测模型。首先,使用归一化高斯Wasserstein距离与CIoU(complete-IoU)进行先验框定位损失函数的改进,以提高网络模型对于目标尺寸的鲁棒性;其次,在加强网络特征提取模块中加入三维注意力机制,实现网络处理的特征优化;最后,在主干特征提取网络与加强特征提取网络中加入改进的FasterNet模块,提升网络模型的训练速度,减少了模型训练的参数。实验结果表明,改进后的YOLOv7网络模型相比原网络模型,漏检测情况得到明显改善,准确率(precision,P)、召回率(recall,R)、平均准确率(average precision,AP)和F_(1)分别提升了6.2%、4.9%、6.7%、6.5%,对道路交叉口的检测效果优于原网络模型。其成果对不同环境的影像具有较强适应能力,为道路交叉口检测的发展提供了参考。

基于FMS-YOLOv5s的轻量化交通标志识别算法

针对目前的道路交通标志模型有着检测速度慢、模型大和参数多的缺点,提出了一种基于YOLOv5s算法的轻量化交通标志识别算法。首先引入轻量化FasterNet网络,利用该网络中的FasterNet Block结构与原主干网络的C3融合,形成一种全新的C3Faster结构;接着将原网络的损失函数修改为基于最小点距离(MPDIoU)的损失函数,来提高边界框回归的准确性和效率;最后结合高效且轻量的置换注意力机制(shuffle attention,SA),提高模型的泛化能力和稳定性。在CCTSDB 2021数据集上的实验结果表明,与原网络相比,改进后模型的参数量、模型大小、GFLOPs分别减少了17.5%、17.5%和20%;同时mAP@0.5、mAP@0.75、mAP@0.5:0.95分别提升了2.3%、3.4%和2.4%。而且与YOLOv3-tiny等其他算法对比,所提出的算法有明显的优越性,能满足各种场景下移动端实时性的需求。