基于改进YOLOv7-tiny的茶叶嫩芽分级识别方法

实现自然生长环境的茶叶嫩芽分级识别是名优茶智能化采摘的基础,针对光照、遮挡、密集等复杂环境造成的茶叶嫩芽识别精度较低、鲁棒性较差等问题,提出了一种基于YOLOv7-tiny的改进模型。首先在YOLOv7-tiny模型的小目标检测层添加卷积注意力模块,提高模型对小目标特征的关注能力,减少复杂环境对茶叶嫩芽识别的干扰;调整空间金字塔池化结构,降低模型运算成本,提高检测速度;使用交并比(Intersection over Union,IoU)和归一化Wasserstein距离(Normalized gaussian wasserstein distance,NWD)结合的损失函数,改善IoU机制对位置偏差敏感的问题,进一步提高模型对小目标检测的鲁棒性。结果表明,该模型的检测准确率为91.15%,召回率为88.54%,均值平均精度为92.66%,模型大小为12.4 MB,与原始模型相比,准确率、召回率、均值平均精度分别提高2.83、2.00、1.47个百分点,模型大小增加0.1 MB。与不同模型的对比试验表明,该模型在多个场景下的嫩芽分级检测中漏检和误检较少,置信度分数较高。改进后的模型可应用于名优茶采摘机器人的嫩芽分级识别。

融合多层次浅层信息的航拍小目标检测

针对小目标检测及目标被遮挡的问题,本文基于VisDrone2019数据集构建相应交通场景,提出一种小目标检测算法.首先,充分利用主干网络的浅层特征改善小目标漏检的问题,通过在YOLOv7算法原有的网络结构上增加小目标检测层P2,并在P2小目标检测层的模型上为特征融合网络添加多层次浅层信息融合模块,从而提高算法小目标检测效果.其次,使用全局上下文模块构建目标与全局上下文的联系,增强模型区分目标与背景的能力,改善目标因遮挡而出现特征缺失情况下的被检测效果.最后,本文采用专为小目标设计的损失函数NWD代替基线模型中的CIoU损失函数,从而解决了IoU本身及其扩展对微小物体的位置偏差非常敏感的问题.实验表明,改进后的YOLOv7模型在航拍小目标数据集VisDrone2019(测试集和验证集)上面mAP.5:.95分别有2.3%和2.8%的提升,取得了十分优异的检测效果.

复杂背景下输电线路缺陷检测算法研究

输电线路定期巡检对保障电力系统安全稳定运行具有重要的意义。针对输电线路航拍图像背景复杂、目标尺度变化大、小目标多等问题,提出了基于YOLOv5s的输电线路目标检测算法。该算法采用特征细化模块优化微小目标特征,并在网络中嵌入SimAM注意力模块,通过能量函数统一权值的方式优化模型的特征提取,最后引入NWD损失函数削弱模型对小目标位置偏差的敏感性,提升模型对小目标的识别检测能力。实验结果表明,该模型对输电线路目标的平均检测精度高达98.8%,相较于基准模型,提高了1.2%。

基于改进YOLOv8的水稻病害检测方法

针对现有的水稻病害检测方法存在检测精度不足、复杂度过高的问题,提出一种改进YOLOv8的水稻病害检测方法。首先,在主干网络中引入轻量级网络GhostNet,构建C2fGhost模块替换原有的C2f模块,减少算法的参数量、浮点运算量和模型大小,降低了算法的复杂程度;其次,在颈部网络中添加EMA注意力机制,增强关键信息提取能力;最后,引入NWD损失函数与CIoU损失函数相结合,以提升算法的检测精度。实验结果表明改进后的算法GEN-YOLO与YOLOv8n相比整体平均精度mAP@0.5增加了1.4个百分点,参数量减少了0.452 M,浮点运算量减少了1.2 G,模型大小减少了0.826 MB,改进算法在保证了轻量化的同时有效地提高了检测精度,且本方法在检测精度和算法复杂度方面均优于其他主流目标检测方法,表明了本方法具有先进性。

基于改进YOLOv8s的军用飞机目标检测算法

基于YOLOv8s目标检测算法,提出了一种改进的军用飞机遥感图像目标检测算法。首先,引入Mixup数据增强方法;其次,修改网络结构,减少主干网络最后一个输出特征图的通道数为256;然后,在主干网络部分融合改进的SimAM注意力机制A;最后,使用改进的NWD损失作为位置损失函数。改进的算法在MAR20和NWPU VHR-10数据集上的mAP50分别比YOLOv8s提高了4.3%和2.2%,验证了改进算法的有效性。