GhostConv轻量级网络设计及故障诊断研究

提出一种GhostConv轻量级网络模型并将其用于故障诊断。GhostConv利用常规卷积生成一小部分特征图,然后在生成的特征图上进行多次特征提取来生成其余特征图,最大程度地节约了常规卷积中生成冗余特征图的成本,减少了模型参数,保证了模型的性能。采用连续小波变换对振动信号进行时频变换生成二维时频图,之后利用设计的GhostConv搭建轻量级网络模型进行故障诊断。采用凯斯西储大学轴承数据集进行验证,并与其他卷积结构网络模型进行参数量、计算量以及识别准确率的对比。实验结果表明,与其他模型相比,所使用的网络模型在参数量和计算量较少的条件下依旧有较高的识别精度,且具有较好的鲁棒性和泛化能力,具有一定的工程应用价值。

基于改进YOLOv5的退役轴类零件表面损伤检测方法

针对传统检测方法在对退役轴类零件进行损伤检测时存在效率低、结果一致性差等问题,提出了一种基于改进YOLOv5的退役轴类零件表面损伤检测方法.首先,将注意力机制嵌入检测算法中,增强了损伤在图像中的特征表示;然后,采用重复加权双向特征融合方法改进了检测模型的网络结构,有效提升了网络特征提取能力;最后,使用Ghostconv卷积模块代替普通卷积,大幅度降低了模型参数量.实验结果显示,改进后的算法模型精度比原始YOLOv5提升了6.9%,达到88.4%,同时模型参数量减少了6.1%,保证了检测速度与YOLOv5持平.与YOLOv3,SSD,Faster-RCNN等主流检测方法相比,在保证较高检测速度的同时,检测精度也有着明显优势.

Dim-YOLOv5n昏暗场景目标检测算法

相比于正常光照场景,照明不良昏暗场景干扰因素较多,图像处理较为复杂,且现有的昏暗目标检测,存在参数量大,识别准确率低等不足。针对昏暗场景下目标检测算法中存在误检与漏检等问题,提出以YOLOv5n算法为基础进行改进的昏暗场景目标检测算法Dim-YOLOv5n。利用嵌入全维动态卷积(omni-dimensional dynamic convolution,ODConv)的轻量化主干ODConv-MobileNetV2替换主干网络,在减少计算量的同时提高检测精度。基于RepGFPN(reparameterized generalized-FPN)方法设计更加轻量高效的LigGFPN(lightweight generalized-FPN)加强特征融合网络,以提高网络特征提取能力,并在此基础上,使用GhostConv(ghost convolution)替换传统卷积,以减少模型的参数量。实验结果表明,改进后算法与原算法相比,检测精度P和召回率R分别提高了5.3个百分点和5个百分点,平均精度均值mAP0.5:0.95和mAP0.5分别提升了8.2个百分点和4.6个百分点,改进的算法在保证模型较小的同时有效提高了检测准确率。

基于改进的Yolov5的无人机图像小目标检测

为了解决无人机航拍图像小目标检测算法检测速度与精度无法兼顾的问题,在Yolov5的基础上,提出了针对于无人机图像小目标检测的Yolov5_GBCS算法。在新的算法中,添加一个额外的检测头,以便增强对小目标的特征融合效果;在主干网络中分别采用GhostConv卷积模块、GhostBottleneckC3模块替换部分Conv模块和C3模块用以提取丰富特征和冗余特征以提高模型效率;引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)结构,用以提高对小目标的检测精度;在主干网络和颈部网络中引入轻量化的卷积块注意力模块(convolutional block attention module,CBAM),关注重要特征并抑制不必要的特征,增强小目标特征表达能力;使用Soft-NMS算法来替换NMS,因此降低了小目标在密集场景下的漏检率。通过在VisDrone2019数据集上的实验结果表明,集成了所有改进的方法后的Yolov5_GBCS算法,不仅提高了检测精度,而且有效地提高了检测速度,模型的mAP从38.5%提高到43.2%,检测速度也从53 f/s提高到59 f/s。Yolov5_GBCS算法可以有效地实现无人机航拍图像中小目标识别。

基于改进YOLOv8s的配电设备红外目标检测模型

随着电力巡检技术的发展,利用无人机和红外热成像技术进行巡检逐渐成为电力巡检作业的一个重要模式。针对当前网络模型对配电设备识别准确度低、模型参数量大难以部署的问题,提出一种基于红外图像的配电设备目标检测方法。首先,针对原YOLOv8s模型参数量大、模型复杂的问题,提出在骨干网络和Neck部分将部分传统Conv卷积替换为GhostConv卷积,实现模型轻量化;然后,针对原YOLOv8s模型小目标识别能力差的问题,提出增加小目标检测层,提升小目标检测能力;最后,针对原YOLOv8s模型损失函数不利于普通质量样本预测回归的问题,提出使用Wise-IoUv3损失函数,聚焦训练过程中难以拟合的锚框的预测回归。研究结果表明,改进后模型的精确率达到87%,比原模型提升了4.1个百分点;召回率达到79.1%,比原模型提升了3个百分点;平均精确率均值达到83.5%,比原模型提升了1.5个百分点;推理速度为62ms/张,可有效应用于配电设备的部件检测。

基于改进YOLOv7的猕猴桃果实识别优化

为了解决猕猴桃Actinidia chinensis果实识别过程中存在果实之间重叠导致的遮挡严重、检测结果易受叶片影响等问题,建立不同日照条件下的猕猴桃果实图像数据集,对YOLOv7模型做了3方面改进:将Backbone部分的卷积模块替换成GhostConv模块,在维持原有精度的程度上降低模型的参数量;针对猕猴桃果实之间存在大量重叠的情况,引入非极大值抑制NMS(Soft-NMS)策略提高检测框回归精度;融合SimAM注意力机制,增强模型对于高密度猕猴桃特征的提取能力。通过对比实验表明,优化后的模型与Faster RCNN相比,mAP值增加了12.7个百分点,检测速度提升106.8帧/s,综合性能较好,满足机器实时对于猕猴桃果实识别的需求。

一种改进YOLOv7-GCA的车型快速识别方法

针对道路车流量大、车型识别速度慢等问题,提出了一种改进YOLOv7-GCA的车型快速识别方法。首先,采用参数量更小、检测速度更快的轻量化卷积GhostConv替换网络中的普通卷积Conv,以提高车型识别速度;其次,为了保证模型的识别精度,在进入颈部前引入CA注意力机制模块。实验结果表明,YOLOv7-GCA模型在保证识别精度的前提下,减少了模型的参数量和复杂度,提高了车型识别速度。

基于改进YOLOv5s的目标检测算法

针对YOLOv5s算法定位能力不足等问题,在YOLOv5s的基础上提出一种改进算法。该算法首先使用CIOU_Loss替换YOLOv5的GIOU_Loss作为算法的边界回归损失函数,考虑到预测框与真实边界框的长宽比与中心距离,可以在提升定位精度的同时提高算法的收敛速度;最后使用轻量化卷积模块GhostConv替换YOLOv5s特征融合层的卷积,在轻量化的同时,可以提升检测精度。使用VOC2007数据集来验证算法的有效性,经试验表明,改进后的算法精度达到了95.8%,比原算法提高了2.3%。

轻量化瓦楞纸板表面缺陷检测算法的研究

针对瓦楞纸板表面缺陷检测速度慢和识别准确率低等问题,提出基于改进YOLOv5s的轻量化瓦楞纸板表面缺陷检测算法YOLOv5s-GCS。将YOLOv5s骨干网络中原有的Conv模块替换为GhostConv模块,用C2f模块替换C3模块,并集成置换注意力机制(SA)模块;在YOLOv5s颈部网络末端引入SA模块;通过构建瓦楞纸板表面缺陷数据集进行试验验证。试验结果显示,YOLOv5s-GCS算法平均精度均值达到95.0%、召回率达到89.2%、精确率达到92.5%,较原始YOLOv5s分别提高2.3%,1.3%,2.8%;检测速度达到19.9帧/s,较原始YOLOv5s提高5.7帧/s。YOLOv5s-GCS算法更有利于迁移部署与实际应用。研究为表面缺陷领域的实时检测提供参考。

基于注意力机制的轻量YOLOv5识别定位算法

为解决医疗看护环境下桌面生活物品检测效果不佳、定位误差较大的问题,提出一种基于YOLOv5的改进模型。首先,在主干网络末端使用坐标注意力(coordinate attention,CA)机制,使算法能够捕获跨通道、跨方向和位置的信息,提高算法的识别精度;然后,引入GhostConv卷积减少模型参数量,使模型更加轻量化,提高检测速度;最后,使用SIoU替换原算法的定位损失函数,使定位损失计算考虑到真实框与预测框的方向差异,有助于提升模型的稳定性。在COCO数据集部分物品种类上进行多次对比实验,结果表明,与原算法相比较,改进算法的精确率和召回率分别提高了4.1%和1.3%,在交并比为0%~50%和50%~90%时的均值平均精度分别提高了2.7%和3.9%,参数量减少了16.9%,每秒传输帧数提高了0.47帧,平均定位误差在X轴方向上减小了0.29 mm、在Y轴方向上减小了0.14 mm。

基于改进YOLOv7算法的变电站绝缘套管过热红外图像检测

针对变电站绝缘套管过热红外图像检测精度不高的问题,提出了基于改进YOLO第7版(you only look once version 7,YOLOv7)算法的检测技术。通过引入改良的跨阶段部分网络幽灵版本3(cross stage partial network ghost version 3,C3Ghost)模块替换头部网络中的扩展高效层聚合网络(extended efficient layer aggregation network,E-ELAN)模块,优化了网络结构,增强了算法对小目标的识别能力。此外,整合了轻量级基于归一化的注意力模块(normalization-based attention module,NAM)到主干网络中以提高对红外图像特征的利用效率,并引入幽灵卷积(ghost convolution,GhostConv)模块替换了网络中的所有卷积,显著降低了模型的大小。结果表明,与YOLOv7初始算法相比,改进YOLOv7算法在F1评分和平均精确率均值上分别提高了19.51%和16.57%,算法的参数量减小了16.3 MB,且检测速度达到了41帧/s,充分证明了该算法在变电站实际应用中的有效性。该研究不仅显著提高了变电站绝缘套管过热红外图像检测的准确性,也能为后续相关技术的研究提供参考。

基于改进YOLOv5s的轻量化目标检测算法

针对当前YOLOv5s的颈部特征提取网络PANET的特征提取不足、常规卷积Conv消耗了大量的参数量和计算量的问题,提出一种轻量化目标检测算法(RFBG-YOLO)。首先,为了提升检测器识别效果,提出多分支空洞卷积结构RFB-Bottleneck来提升PANET的特征提取能力,提高模型检测精度;然后,为了使模型更加轻量化,引入GhostConv卷积减少模型参数量,提高检测速度。在PASCAL VOC数据集上的结果表明,在检测速度影响很小的情况下,RFBG-YOLO算法的mAP@0.5为80.3%,与YOLOv5s算法相比提高了2.2个百分点,mAP@0.5∶0.95为55.1%,与YOLOv5s算法相比提高了4.2个百分点,模型参数量为5.2 MiB,与YOLOv5s算法相比降低了2.0 MiB,因此提出的RFBG-YOLO算法在保证模型轻量化的同时,具有足够高的检测精度,可以满足在轻量化目标检测场景下检测准确度的要求。

基于改进YOLOv5的复杂背景下路面裂缝检测

针对现有算法检测含光影斑驳、车道线等复杂背景下路面裂缝图像效果不佳的问题,提出一种基于YOLOv5的裂缝检测改进算法YOLOv5-CG。首先,添加坐标注意力(coordinate attention,CA)模块,将背景噪声隐化,从而使模型针对性地聚焦于有用特征;其次,将原网络中的Conv模块替换为GhostConv,降低网络的复杂度;最后,建立包含多种背景噪声、视域开阔的路面裂缝病害数据集,解决开源裂缝数据集背景较简单的问题。在自建数据集上进行实验,结果表明:YOLOv5-CG的平均精度均值(mean average precision,mAP)相比原算法提升了3.07%,参数量下降了16.95%,且检测精度与速度均优于其他主流目标检测算法。

景区行人检测YOLOv5-GSPE算法模型研究与实现

针对景区内高密度行人检测中遮挡与小目标行人漏检率高、模型复杂度高、计算量大的问题,提出一种YOLOv5-GSPE改进算法模型,在保证精度的同时改善检测效果,降低模型复杂度。改进算法模型通过GhostConv优化主干网络中常规卷积(Conv)降低模型复杂度,并使用空洞卷积改善SPPF模块中池化操作带来的特征信息丢失,提升模型检测时效性,增强主干网络特征提取。提出一种增强的特征金字塔网络—PrFPN,使用同层连接进一步丰富原始输入特征的融合,减少特征提取过程中的特征损失。将引入正态分布计算优化后的EIoU损失函数作为边界框回归损失函数,提高边界框定位精度。实验结果表明,YOLOv5-GSPE算法模型对比YOLOv5s模型在保证检测时效性的情况下整体复杂度降低了12.51%,基于Pedestrian测试集的平均精度提升4.05%,基于WiderPerson测试集的平均精度提升3.28%,并降低了行人遮挡及小目标漏检率,改善了检测效果,该模型的可行性与有效性得到验证。

智能车交通标志的改进YOLOv5识别算法

在硬件平台受限条件下,为提高智能车的性能,权衡实时识别交通标志的精度和速度,在YOLOv5的基础上,提出了针对嵌入式边缘设备的智能车交通标志识别的YOLOv5s_ghost_bi_sa算法。使用GhostConv替代部分普通卷积,在减少卷积结构参数的同时提高网络的拟合能力;添加置换注意力机制(Shuffle Attention,SE),在空间注意力与通道注意力的基础上加入了特征分组与通道置换,提高对小目标的关注度;采用加权双向特征金字塔网络结构,加强特征融合。由华为ModelArts平台协同Hilens_kit设备收集制作数据集,实验结果表明:针对数据集大图像中的小目标采用双向跨尺度连接,将表层特征与深层特征融合,配合注意力机制,增加重要特征的权重,从而提高算法对于小目标检测的精度,YOLOv5s_ghost_bi_sa算法的mAP0.5达到98.8%,召回率达到97.9%,模型大小仅为11.6 MB,Hilens_kit平台上预测速度为62帧/s。在相同的测试环境下,与原YOLOv5s算法相比,精度高出0.8%,浮点运算量下降58%,模型体积压缩4.6倍,预测速度提升2.7倍。YOLOv5s_ghost_bi_sa算法可以有效地实现智能车交通标志的实时识别。

真空检漏机器人目标识别技术研究

在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。为实现聚变装置泄漏设备的快速准确检测,本文以6自由度机械臂为研究对象,提出了一种GV2-YOLOv5的真空设备检测方法用于真空检漏机器人对真空设备进行识别和定位喷氦。在该方法中,结合轻量级Ghost Net V2网络构建C3GhostV2模块,同时使用轻量的Ghost卷积提取目标特征,从而降低模型参数量,提高计算速度;在特征融合网络中添加Bottleneck Transformers和ECA注意力机制,提高网络特征提取能力以及加强模型通道特征。实验结果表明,在自制数据集上,改进后的模型平均精度为93.2%,相比YOLOv5s提高了1.4%,模型参数量减少了29.5%,检测速度为92 fps,满足实时性与准确性的需求,为真空检漏机器人目标识别与定位提供了一种的解决方案。