基于改进YOLOv8曲轴表面缺陷检测算法

针对曲轴表面小目标缺陷检测难度大、缺陷背景复杂和检测速度慢等问题,提出一种改进曲轴表面缺陷检测的算法RB-YOLOv8。首先,用RepViT模块取代了传统的C2f模块,有助于减少网络的计算负担并加快其运行速度;接着,通过优化双向特征融合模块BiFPN及增加小目标检测层,改善小目标缺陷识别的能力;然后,利用BiFormer注意力机制强化模型的抗干扰能力和解决缺陷背景复杂的难题,提高检测准确率;最后,使用MPDIoU损失函数调整,从而进一步提升检测的精准度。实验结果表明,所提出的算法的检测精度可以达到98.4%,模型大小缩减为2.797 MB,同时使每秒帧数(FPS)达到了169 f/s,成功地实现了对曲轴表面的缺陷检测。

改进YOLOv8表格行列单元格结构检测

当前数字办公文档中涵盖了大量的表格数据,因此智能化表格结构识别需求日益剧增,但表格结构紧密相连且表格结构类型复杂多变,从而导致表格结构检测难度极大。针对该问题,在YOLOv8的基础上,以ICDAR19-cTDaR表格单元格结构和TabStructDB表格行列结构为实验对象,提出了一种新型表格行列单元格结构检测方法。首先,为了增强表格单元格及行列特征提取能力,引入了可变形卷积网络(deformable convolution network,DCN)。其次,引入了空间通道重构卷积(spatial and channel reconstruction convolution,SCConv),该卷积不仅特征提取能力强而且能够减少冗余特征从而降低复杂性和计算成本。根据以上引入的卷积设计了一个新的模块——DSC模块以替代C2f中的Bottlenck模块,并命名为C2fDSC模块。此外,为了进一步加强表格结构的角落局部特征提取,在YOLOv8的骨干网络上加入了显示中心特征调节(explicit visual center feature adjustment,EVC)模块。最后,将原模型的损失函数替换为MPDIoU,在解决密集目标回归精度问题时,相较于原始模型损失函数,MPDIoU损失函数边界框回归的准确性和效率更高。实验结果表明,该表格结构检测算法在数据集ICDAR19-cTDaR上取得了目前最佳的实验效果(SOTA),单元格查准率、查全率和F1值分别为91.7%、82.3%和86.7%,在数据集TabStructDB表格行列检测中也取得了非常实用的性能结果。

基于注意力机制融合特征的车辆目标检测方法

为了解决道路监控下的车辆目标检测精度低的问题,本文提出一种改进YOLOv7的车辆检测方法。首先引入跨空间学习的高效多尺度注意机制EMA来提高对特征信息的关注;其次将颈部网络中的SPPCSPC模块替换为SPPFCSPC模块,裁剪CBS层,引入EMA注意力机制,以强化对小目标区域的关注,获取更准确的车辆特征;同时,将EMA注意力引入MP模块中,使网络融合更多重要的特征信息;最后,采用MPDIoU损失函数,加快模型收敛速度并提高检测精度。实验结果表明,改进后的YOLOv7检测精度为86.69%,相比原始YOLOv7网络提高了2.83%,可以有效地提升车辆目标检测精度,为道路视频监控等提供保证。

基于YOLOv8n的轻量级巴旦木果实识别方法

在果园环境下,快速精准识别巴旦木果实对提升巴旦木采摘机器人的作业精度和效率至关重要。为减少果园场景中因树叶遮挡或果实重叠导致的巴旦木果实漏检现象,降低计算量和参数量,提高果实识别模型的性能和准确度,本研究在YOLOv8n模型的基础上,利用ContextGuide模块替换原模型中主干网络(Backbone)部分基本构成单元C2f中的Bottleneck模块,利用BiFPN模块替代原模型中颈部网络(Neck)部分中的PANet模块,同时引入MPDIoU损失函数替换原模型中的CIoU损失函数,提出了一种改进的轻量级巴旦木果实检测模型(YOLOv8n-BCG)。并利用公开的巴旦木影像数据集对优化后的模型性能进行比较分析。结果表明,改进后模型参数量仅为1.528 M,平均精度值(mAP 0.50∶0.95)为69.7%,相比于原YOLOv8n模型提升0.5个百分点。与YOLOv5s、YOLOv5n、YOLOv7-tiny、Faster R-CNN等模型相比,YOLOv8n-BCG模型具有更低的浮点计算量和更高的检测精度值。本研究结果可为高效的巴旦木果实采摘机器人自动化作业提供技术支持。

基于DCGAN和改进YOLOv5s的钢丝帘布缺陷检测方法

为解决钢丝帘布表面缺陷检测准确率低且泛化能力不强的问题,提出了一种基于DCGAN和改进YOLOv5s的缺陷检测方法。首先,通过调整DCGAN网络参数并优化超参数,使生成器能够生成具有丰富特征和清晰纹理的钢丝帘布缺陷图像,从而扩充数据集;其次,采用K-means++算法对钢丝帘布缺陷数据重新聚类锚框,以获得更优的锚框参数,实现锚框与实际缺陷的精确匹配;然后,在YOLOv5s主干网络中的C3模块添加坐标注意力机制,以增强模型的特征提取能力和精确定位能力;最后,引入MPDIoU损失函数替换YOLOv5s原损失函数,进一步提高检测精度。实验结果表明,在实测钢丝帘布缺陷数据集上,采用DCGAN数据增强和改进后的YOLOv5s检测模型,缺陷检测平均精度提高了6.6%,达到了89.4%,并且检测准确率和召回率也有所提高。与其他主流检测模型相比,该模型不仅在检测速度上提高了约30%,还保持较高的检测精度。在公开的NEU-DET数据集上,该模型的mAP值达到了82.6%,较原始YOLOv5s模型提高了3.8%。

改进YOLOv8的果园葡萄检测算法

针对现有的果园葡萄检测算法在针对枝干遮挡、果实遮挡时检测精度不高的问题,提出一种改进YOLOv8n的果园葡萄检测算法。首先,向主干网络末端和颈部网络引入CA注意力机制,以提高模型对关键特征的关注度;然后使用MPDIoU替换原模型中的CIoU损失函数,加快模型收敛速度并提高边界框回归精度。实验结果表明,改进后的模型在P、R和mAP上均有提升,能够满足复杂果园环境下对葡萄检测的需求。

基于注意力机制的DA-YOLO缺陷检测算法

目的:针对钢面缺陷检测中特征提取不足或丢失的问题进行改进,从而提升检测的准确性。方法:提出一种基于注意力机制的DA-YOLO缺陷检测算法。该算法以YOLOv8s为基础网络,在主干网络末端加入一种新的双重注意力机制,以增强特征提取能力,避免缺陷信息丢失过多。同时,为了精确定位缺陷,引入MPDIoU损失代替CIoU进行边界框优化。结果:DA-YOLO算法在NEU-DET钢面数据集上平均精度均值(mean average precision,mAP)为80.5%,比YOLOv8s增长了3.8%。结论:DA-YOLO算法实现了更好的检测效果,相比YOLOv8s更适合应用于钢面缺陷检测任务中。

基于改进型YOLOv9的绝缘子及缺陷检测

目前的绝缘子及缺陷目标检测算法中普遍存在着诸如误检、漏检和检测精度低等一系列问题,提出一种改进的YOLOv9绝缘子及缺陷目标检测算法来更好地检测绝缘子及其残缺缺陷。首先,在YOLOv9的核心模块RepNCSPELAN中嵌入多样性分支块DBB,DBB可以增强单个卷积的表示能力,丰富特征空间,提高模型的特征提取能力,提升模型性能,同时基本不增加推理时间成本。其次,使用Haar小波的下采样HWD替换传统下采样,可以降低特征图的空间分辨率,同时保留尽可能多的信息,并且与传统的下采样方法相比,可以有效降低信息不确定性。最后使用MPDIoU作为模型的损失函数,MPDIoU通过直接计算预测框和真实框之间的关键点距离,能更准确地反映预测框和真实框之间的差异,从而提升模型的平均精度。在绝缘子及缺陷数据集上,改进后的算法YOLOv9-DHM的平均检测精度(Mean Average Precision,mAP)提高至96.8%,相比于原始算法提高了2.2%,精确率和召回率分别提高至95.4%和94.5%。改进后的算法相比原始算法,平均检测精度有明显提升,证明了算法改进后的可行性。

基于YOLOv7的机场跑道异物检测算法

机场跑道异物对航班安全起降构成极大威胁,准确及时地检测并清除机场跑道异物是机场安全工作的重点。针对机场跑道异物检测任务中的小目标检测精确度与实时性,提出一种基于YOLOv7的机场跑道异物检测算法。首先在主干网络引入CBAM模块,从空间注意力与和通道注意力两方面专注小目标特征信息提取;其次在加强特征提取网络结合AFPN思想提出SA-PANet结构,将相邻有效特征层进行渐进式特征融合,缓解有效特征层之间的语义差距;然后在加强特征提取网络的PANet结构下采样支路中引入BiFormer模块,聚焦小目标特征信息的进一步融合提取;最后在边界框定位损失函数计算过程中引入MPDIoU Loss,加速模型收敛并提升机场跑道异物检测准确率与定位精度。在机场跑道异物图像数据集上实验表明,改进后算法mAP 50为98.76%,较改进前算法提升9.09个百分点。与其他针对机场跑道异物检测的算法相比,改进后算法具有更高的检测精度同时将模型参数量与模型计算量增幅控制在可接受范围内,达到机场跑道异物检测任务的准确、快速需求。