基于GAM-YOLOv8算法的生活垃圾检测

日常生活垃圾分拣是困扰人们的一个难题,生活垃圾的种类繁多,所处环境复杂,常用的目标检测算法无法适应各种复杂的环境,导致精度较低。为了准确的分拣生活垃圾,提出了一种基于GAM注意力机制的YOLOv8生活垃圾检测算法。该算法在YOLOv8优秀的目标检测基础上,加入GAM注意力机制,增强网络对重要通道特征信息的关注能力,提升高层网络中图像特征语义信息的提取能力,提高复杂环境垃圾分类检测精度的效果。实验表明,在40多种生活垃圾类别检测测试中,改进的YOLOv8算法mAP平均精度84.5%,较原始算法YOLOv8提升了0.7%。因此改进的YOLOv8算法可以通过对垃圾图像的分析和识别,帮助人们准确地进行垃圾分类。较好的满足了生活垃圾检测精度的要求。

基于改进YOLOv8的SAR图像飞机目标检测算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机目标检测算法存在模型复杂度较高、检测效果差、泛化能力弱等问题,提出了一种基于改进YOLOv8的SAR图像飞机目标检测算法。首先,针对SAR图像飞机目标较小的特点,剔除大目标检测层,重构特征提取网络和特征融合网络,降低模型计算量。其次,在主干网络引入可变形卷积(Deformable Convolutional Network, DCN),增强特征提取能力;在颈部网络引入全局注意力机制(Global Attention Mechanism, GAM)提高检测精度。最后,采用WIOU(Wise-IoU)损失函数提高收敛速度和回归精度。在SADD数据集(SAR Aircraft Detection Dataset)上实验结果显示,改进算法较原YOLOv8算法模型体积压缩59.66%,参数量降低61.18%,计算量减少18.29%,最高精度提高至98.1%。与其他算法相比,所提算法在保证较高检测精度的情况下大幅降低了模型体积、参数量和计算量,实现了模型复杂度和检测精度的平衡。

改进YOLOv8算法的交通标志小目标检测

针对传统网络模型在交通标志检测方面存在的小目标识别不准确的问题,提出一种改进的Ghost-YOLOv8交通标志检测模型。首先,使用GhostConv代替了全部Conv,并设计全新的GhostC2f模块来替代全部的C2f,使模型轻量化;其次,将上采样算法替换为CARAFE,以更好地保留图像的细节信息;然后,在Neck部分引入了GAM注意力机制模块,以增强特征中的语义信息和位置信息;最后,为了解决检测小目标时尺度不一致导致的语义信息丢失问题,添加了小目标检测层,以增强深层和浅层语义信息的融合。实验结果证明,该模型在中国交通标志检测数据集TT100K中的召回率、mAP@0.5、mAP@0.5:0.95指标分别提高了6.8%、4.0%、3.6%,并且模型的参数量及模型大小分别降低了1.069×10^(6)、1.9 MB。综合说明,所提出的模型在精准度不变的前提下,减少了模型的参数量及大小,并能更好地检测到原模型检测不到的小目标;同时,比对比算法具有更好的性能表现,并且适用于边缘计算设备,具有实际应用价值。

基于改进YOLOv5的焊缝识别算法研究

针对机器人自适应打磨焊缝的问题,文章提出一种基于YOLOv5改进的焊缝检测算法,实现焊缝的识别和初定位。使用焊接机器人制作各类不同参数和形貌的焊缝,自制一个包含3 996张焊缝图像的数据集用来深度学习。选用YOLOv5s模型进行训练,在Backbone中添加了GAM注意力机制模块;同时引入GhostNet,用GhostConv模块和C3Ghost模块替换原模型的Conv模块和C3模块。改进后的YOLOv5s-GhostNet-GAM模型的mAP@0.5达到了90.21%,相比原YOLOv5s模型提高了4.05%,同时参数量减少了5.64%,FLOPs降低了27.44%,检测速率为23.47 FPS,达到了机器人自适应打磨焊缝对识别精度与后期软件部署的要求。

基于无人机的交通事故严重程度检测

针对交通事故严重程度检测速度慢的问题,对较为先进的YOLOv8算法进行改进。通过引入GAM注意力机制和GELAN结构,提高模型对交通事故严重程度数据集的识别准确性。与此同时,通过模型轻量化处理和调整参数量,降低复杂度和计算量,增强实用性,使模型更易于部署和运行。实验结果表明,改进后的YOLOv8-GELAN-GAM模型在准确率、mAP@0.5、Recall等关键指标上分别提升了2.9%、1.9%、1.8%,在捕捉碰撞后位置变化小或形变量小的事故车辆方面表现更出色。在复杂背景下,改进后的YOLOv8-GELAN-GAM模型也能避免漏检和误检。总体而言,改进后的YOLOv8-GELAN-GAM模型能够为交通安全研究提供有力支持,提升道路救援的速度,提高道路交通安全水平,为事故损失提供强有力的保障。文中研究可为交通安全技术发展提供新的思路。

OMC框架下的行人多目标跟踪算法研究

多目标跟踪是计算机视觉领域被广泛研究的重要方向,但是在实际应用中,目标的快速移动、光照变化、遮挡等问题会导致跟踪性能变差,因此以多目标跟踪模型OMC为基础框架展开研究,以实现跟踪性能的进一步提升。针对多目标跟踪过程中存在的目标特征质量层次不齐的问题,对特征提取器进行优化,在主干网络集成了GAM注意力机制并在Neck网络部分更换了上采样方式;针对现有方法中存在的检测任务和重识别任务之间的“竞争问题”,构建了递归交叉相关网络,使得模型可以学习不同任务的特性和共性。此处针对两个子任务分别进行了优化,一是设计了新的通道注意力HS-CAM优化了重识别网络;二是更换了检测部分的边界回归损失函数,采用EIoU损失函数。实验表明,在MOT16数据集上MOTA指标可达73.5%,IDF1可达70.4%,MLgt为11.7%,相比较OMC算法减少了1.5个百分点。

基于改进YOLOv8的道路缺陷检测

针对道路缺陷小目标在复杂背景下检测精度低、漏检误检率高、泛化能力欠佳的问题,提出了一种改进YOLOv8的道路缺陷检测算法SGBNet。首先,Neck部分用加权双向特征金字塔网络(Bi-directional Feature Pyramid Network, BiFPN)替换PANet,提升模型的特征融合能力;其次,Neck引入全局注意力机制(Global Attention Machanism, GAM),在特征融合阶段进行注意力调整,提高检测精度;最后,添加小目标检测层,进一步增强深层语义信息与浅层语义信息的结合,提高对道路缺陷小目标的检测能力。与原始YOLOv8n算法相比,算法SGBNet的精确率、召回率和平均精度分别提升了3.3%, 2.5%和2.5%,实现了对道路缺陷更精准的检测。

基于改进YOLOv7的安全头盔检测算法

针对原YOLOv7模型在工地作业场所检测安全头盔是否佩戴容易出现漏检误检的问题,提出了一种改进的YOLOv7安全头盔目标检测算法。在原模型的主干中加入GAM注意力模块,提高目标有效特征的利用率,减少无用响应特征,达到增强网络提取目标有效特征的能力。实验数据表明,使用了改进后的模型在自制数据集中,检测安全头盔的mAP提升了0.9%,召回率提升了1.3%。该研究对于安全头盔检测的应用提供了一定的参考价值。

基于Flexible YOLOv7的输电线路绝缘子缺陷检测和故障预警方法

电力设备的平稳运行是保障居民生产生活的重要前提。输电线路绝缘子缺陷尺寸较小,传统的目标检测算法通常难以识别到缺陷目标,误检、漏检率较高。针对不同材质绝缘子缺陷检测存在目标过小、遮挡、背景复杂等难题,提出了一种基于Flexible YOLOv7的绝缘子缺陷检测算法。该算法继承了YOLOv7网络的E-ELAN结构、Rep重参数化和辅助训练策略,并且在特征提取的过程中集成GAM注意力机制以放大显著的跨维度接受区域,通过高效的Ghost SPPCSPC结构减少模型训练过程中的参数冗余,引入Efficient IOU Loss重点关注高质量的anchors提升原始模型的检测精度。最后通过图像后处理技术对绝缘子缺陷进行等级划分与精细计算,并结合算法部署开发了绝缘子缺陷故障检测系统用于故障的提前预警。实验结果表明,该算法在密集目标、遮挡、小目标缺陷检测中的平均准确率AP、召回率Recall、相关指标F1指标均领先于当前先进的几类目标检测算法,在复杂环境下的绝缘子缺陷检测和故障预警方面具有一定的现实意义。

基于改进型YOLOv5s的番茄实时识别方法

针对现有番茄检测精度低、没有品质检测和部署难度高等问题,提出基于YOLOv5s改进的番茄及品质实时检测方法,并与原始YOLOv5模型及其他经典模型进行对比研究。结果表明,针对番茄大小不同的问题,采用K-Means++算法重新计算先验锚框提高模型定位精度;在YOLOv5s主干网络末端添加GAM注意力模块,提升模型检测精度并改善鲁棒性;应用加权双向特征金字塔网络(BiFPN)修改原有结构,完成更深层次的加权特征融合;颈部添加转换器(transformer),增强网络对多尺度目标的检测能力。改进后的YOLOv5s番茄识别算法检测速度达到72帧/s。在测试集中对番茄检测均值平均精度(mAP)达到93.9%,分别比SSD、Faster-RCNN、YOLOv4-Tiny、原始YOLOv5s模型提高17.2、13.1、5.5、3.3百分点。本研究提出的番茄实时检测方法,在保持检测速度的同时,可降低背景因素干扰,实现复杂场景下对番茄的精准识别,具有非常好的应用前景,为实现番茄自动采摘提供相应技术支持。

损坏图像下基于风格归一化与全局注意力的行人重识别

针对当前网络难以应对各种损坏类型的行人图像与易丢失跨维信息的问题,提出了一种损坏图像下基于风格归一化与全局注意力的行人重识别(pedestrain re-identification,ReID)方法。该方法通过平滑极大单元的风格归一化与恢复(smooth maximum unit-style normalization and restitution,SM-SNR)模块中的实例规范化(instance normalization,IN)过滤掉域中的风格变化,同时平滑极大单元(smooth maximum unit,SMU)能使该模块更充分地从删除的信息中提取行人相关特征并将其恢复至网络中,缓解损坏图像带来的风格差异。此外,全局注意力机制(global attention mechanism,GAM)通过关注通道与空间之间的相互作用,以捕获3个维度上的显著行人特征,减少跨维信息的丢失,最终使本模型在面对行人损坏图像时的识别能力得到有效提高,且保留了在干净数据集上的竞争力。实验结果表明,本算法在损坏测试集上的各项指标与目前主流算法对比具有显著的优越性。其中,本模型与2021年的CIL模型使用CUHK03数据集比较的结果为:在Corrupted Eval上,R-1、mAP和mINP分别提高了15.18%、15.75%与11.65%;在Clean Eval上,R-1与mINP仅降低了0.24%、0.75%,mAP提升了0.25%。

基于多尺度特征聚合的铝材表面缺陷分类

针对铝材表面缺陷不明显和缺陷尺度差异大导致缺陷类别难以识别的问题,提出了一种多尺度特征聚合的分类方法。首先,使用改进的CutMix数据增强对缺陷样本数据进行离线扩充和引入多类别FocalLoss损失函数对各类别进行加权。其次,使用多尺度特征聚合方法加强浅层特征与深层特征的信息交互融合,进而加强模型对浅层特征的关注度。最后,通过GAM注意力机制加强全局特征信息的关注度。实验表明,多尺度特征聚合的分类方法对铝材缺陷样本分类的精准率、召回率、特异性和准确率分别为95.4%、96.1%、99.6%和96.4%,相较于ResNet的分类准确率、召回率和特异性等均有明显提升,说明该方法在铝材表面缺陷分类任务中具有较好的性能。为在工业上实现铝材表面缺陷的自动化分类提供了一种可靠方案。