基于改进YOLOv7的棉田虫害检测

棉田虫害的快速检测与准确识别是预防棉田虫害、提高棉花品质的重要前提。针对真实棉田环境下昆虫相似度高、背景干扰严重的问题,该研究提出一种ECSF-YOLOv7棉田虫害检测模型。首先,采用EfficientFormerV2作为特征提取网络,以加强网络的特征提取能力并减少模型参数量;同时,将卷积注意力模块(convolution block attention module,CBAM)嵌入到模型的主干输出端,以增强模型对小目标的特征提取能力并削弱背景干扰;其次,使用GSConv卷积搭建Slim-Neck颈部网络结构,在减少模型参数量的同时保持模型的识别精度;最后,采用Focal-EIOU(focal and efficient IOU loss,Focal-EIOU)作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进的ECSF-YOLOv7模型在棉田虫害测试集上的平均精度均值(mean average precision,mAP)为95.71%,检测速度为69.47帧/s。与主流的目标检测模型YOLOv7、SSD、YOLOv5l和YOLOX-m相比,ECSF-YOLOv7模型的mAP分别高出1.43、9.08、1.94、1.52个百分点,并且改进模型具有参数量更小、检测速度更快的优势,可为棉田虫害快速准确检测提供技术支持。

基于改进YOLO v5s的水稻害虫识别研究

水稻害虫识别时,受稻田环境影响易出现目标被遮挡、与背景颜色相似、多目标相邻等问题导致识别精度降低。为此本文提出了一种基于改进YOLO v5s的水稻害虫识别模型YOLO v5s-Coordslimneck,通过替换主干网络中的普通卷积为CoordConv,增强了模型对目标位置信息的获取能力;引入CBAM注意力机制,提升了模型对目标区域的关注度;采用Slim-neck减少了计算量并增强了特征处理能力;引入Soft-NMS算法优化相邻目标边框筛选,减少漏检。实验结果表明,改进后的YOLO v5s模型在水稻害虫数据集上的平均精度均值达到94.3%,相比原模型提升3.8个百分点,比其他主流模型YOLO v3、YOLO R-CSP、YOLO v7、YOLO v8s提升1.5、12.7、13.6、1.9个百分点。消融实验进一步验证了改进模型中各个组件的有效性。热力图分析也体现了改进模型能够更好地学习害虫特征。综上,本文提出的改进YOLO v5s模型在提高水稻害虫检测精度方面取得了显著成效,为防控水稻虫害提供了一种精确的识别方法。

基于Yolov7_Pose的轻量化人体姿态估计网络

人体姿态估计在计算机视觉、人机交互与运动分析等领域广泛应用。当前人体姿态估计算法往往通过构建复杂的网络来提高精度,但这带来了模型体量和计算量增大,以及检测速度变慢等问题。因此,文中提出一种基于Yolov7_Pose的轻量化人体姿态估计网络。首先,采用轻量化CARAFE模块替换原网络中的上采样模块,完成上采样工作;接着,在特征融合部分引入轻量化Slim-neck模块,以降低模型的计算量和复杂度;最后,提出了RFB-NAM模块,将其添加到主干网络中,用以获取多个不同尺度的特征信息,扩大感受野,提高特征提取能力。实验结果表明,改进后网络模型的GFLOPs和模型大小分别降低了约18.1%、22%,检测速度提升37.93%,并在低光环境、小目标、密集人群和俯视角度下表现出了较好的性能。

基于改进YOLO-Pose轻量模型的多人姿态估计

YOLO-Pose作为人体姿态估计算法模型,在精度和速度上有着不错的表现,但其在复杂和有遮挡的场景下存在误检率较大的问题,并且模型的复杂度仍然有优化的空间.针对这几个问题,通过选取Slim-neck模块和Res2Net模块,重新设计其特征融合层,减少其计算量和参数量,提高特征提取能力,在提升精度的同时,使模型轻量化;引入EIoU损失函数,加快边框检测的收敛速度,并提高定位的准确性.在压缩的OC_Human数据集上进行测试,改进后的模型与YOLO-Pose相比,P值、mAP@0.5和mAP@.5:95分别提高了10.6,3.1和2.9个百分点.此外,参数量和计算量也分别减少了16.7%和19.3%,在精度和轻量化方面均有所提升,为其应用在资源有限的边缘计算设备提供了可能性.

注意力特征融合的番茄叶部早期病斑诊断算法

番茄产量受到病害、天气等因素的影响,其中番茄生长过程中叶片的病害问题是影响番茄产量的最关键因素。然而,在叶片病害检测领域,现有模型普遍存在泛化能力不足以及小病斑漏检率高等问题。提出一种改进的番茄病害早期检测算法,通过对YOLOv5s网络进行多方面的优化来改善这些问题,同时保持模型轻量化。首先,采用Mosaic 9数据增强技术,强化了模型对小病斑的检测能力,增加了图像背景的复杂度,提高了模型的泛化能力;其次,使用GSConv和Slim-Neck网络,在保持模型准确性的前提下轻量化模型,降低计算负担;同时,使用SimAM注意力机制更准确地捕捉叶片上的小病斑特征,从而降低漏检率;此外,为了进一步增强多尺度目标的检测能力,引入自适应空间特征融合,有效地整合不同尺度的特征,提升了多尺度目标,特别是小目标的检测准确性。实验结果表明:该模型在叶片病害早期检测方面表现出色,对叶霉、早疫、晚疫以及健康叶片四种番茄病害的早期平均识别准确率、召回率、F1分数及mAP分别达到了0.951%、0.918%、0.934%、0.948%。可见该方法对于小病斑具有较好的检测性能,改善了模型泛化能力不足及小病斑检测过程中的漏检问题,进一步提高了检测效果。

基于YOLOv8n改进的织物疵点检测算法

为了解决织物疵点检测中小目标疵点难以检测的问题,提出了一种基于改进YOLOv8n算法的织物疵点检测系统。首先,在特征融合部分,采用了兼顾速度和精度的GSConv替代原有的卷积核,并引入了Slim⁃neck特征融合模块,使每个特征层能够同时考虑深层特征的语义信息和浅层特征的细节信息,提高了对小目标的特征响应,同时简化了模型并降低了计算复杂度。其次,设计了用于检测小疵点目标的检测层P2,增强了模型对小疵点目标的检测能力,使其更适用于织物疵点检测任务。最后,采用指数滑动样本加权函数(EMA⁃SlideLoss)替代了交叉熵损失函数,以增强模型的类别分类能力,提高训练的稳定性。试验结果表明:在检测20类疵点时,相较于YOLOv8n模型,该研究方法在mAP@0.5方面提高了0.142,同时实现了47.4帧/s的检测速度。改进的YOLOv8n模型对网络的性能提升是有效的。

基于SOE-YOLO轻量化的水面目标检测算法

针对复杂多变的水面环境,小目标检测存在漏检、错检且检测平台计算资源有限的问题,提出了基于YOLOv8的轻量化水面目标检测算法SOE-YOLO。首先在Neck部分使用包含GSConv的Slim-Neck设计范式对模型进行轻量化改进;其次通过使用轻量型卷积(ODConv)模块重新构建Backbone部分,以减少参数量从而提高网络的检测速度;最后引入多尺度注意力机制(EMA)增强网络多尺度特征提取能力,提高小目标检测能力。在WSODD测试集中的实验结果表明,SOE-YOLO模型参数量和计算量分别为2.8 M和6.6 GFLOPs,与原模型相比分别减少12.5%和18.6%,同时mAP@%0.5和mAP@0.5-0.95分别达到79.9%和47.2%,与原模型相比分别提高2.4%和1.6%,且漏检率下降明显,优于当前流行的目标检测算法。FPS达到了64.25,满足水面目标检测实时性的要求。在实现轻量化的同时具有更好的检测性能,满足了在计算资源受限环境下的部署需求。

矿用无人驾驶车辆行人检测技术研究

矿用无人驾驶车辆的工作环境光照条件复杂,行人检测经常出现漏检现象,导致矿用无人驾驶车辆可靠性及安全性不足。针对巷道光照条件复杂的问题,提出了一种弱光图像增强算法:将弱光图像由RGB图像空间分解为HSV图像空间,通过Logarithm函数对亮度分量先进行光照,再通过双边滤波器去除噪声;采用形态学对饱和度分量进行闭操作,再通过高斯滤波器滤除噪声;将图像转换回RGB图像空间,通过半隐式ROF去噪模型对图像再次进行去噪,得到增强图像。针对行人检测存在漏检、精度低的问题,提出了一种基于改进YOLOv3的矿用无人驾驶车辆行人检测算法:采用密集连接块取代YOLOv3中的Residual连接,提高特征图利用率;采用Slim-neck结构优化YOLOv3的特征融合结构,使得特征图之间能够进行高效的信息融合,进一步提高对小目标行人的检测精度,并利用其内部特殊的轻量化卷积结构,提高检测速度;加入轻量级的卷积注意力模块(CBAM)增强算法对目标类别和位置的注意程度,提高行人检测精度。实验结果表明:(1)提出的弱光图像增强算法能够有效提高图像可见度,图像中行人的纹理更加清晰,并具有更好的噪声抑制效果。(2)基于增强后图像的矿用无人驾驶车辆行人检测算法的平均精度达95.68%,相较于基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法、YOLOv5、YOLOv3算法分别提高了2.53%,6.42%,11.77%,且运行时间为29.31 ms。(3)基于增强后图像,YOLOv3和基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法出现了漏检和误检的问题,而矿用无人驾驶车辆行人检测算法有效改善了该问题。

改进YOLOv7-tiny的轴套零件表面缺陷检测算法

为了能够提高轴套表面缺陷的检测精度和效率,文章提出了改进YOLOv7-tiny的轴套表面缺陷检测算法。首先在模型的特征提取上,针对处理任意维度的数据,把标准卷积替换为全维动态卷积(omni dimensional dynamic convolution,ODConv);其次在特征融合中,把上采样部分的最邻近插值替换为轻量级算子CARAFE;在拼接处引入BiFormer,增加对局部小目标的检测;最后通过把标准卷积替换为GSConv的方式,引入Slim-Neck模块。最终,在轴套数据集上做对比和消融实验,与原模型相比,改进后的算法在mAP上提高了7.7%,在局部小目标上提高了11%;在FPS上提升了40.3。用改进后的算法在公开GC10-DET数据集下做通用性实验,结果表明该算法具有通用性。

基于YOLOv5s和改进质心跟踪的人员跌倒检测

针对目标检测器检测跌倒时过于依赖卷积网络分类效果、无法利用运动信息的问题,本文设计了一种基于YOLOv5s和改进质心跟踪的跌倒检测模型。为解决耗费资源问题,用MobileNetV3网络和Slim Neck模块对YOLOv5s进行轻量化,同时将MobileNetV3网络中的SE模块替换为更高效的ECA模块,降低网络复杂度的同时保持较高的精度。引入哈希感知算法改进质心跟踪,增加目标关联的依据,提高跌倒检测的准确性。实验结果显示改进YOLOv5s模型大小下降52.2%,计算量下降51.8%,精度高达90.3%。改进质心跟踪的跌倒检测模型准确率提高了4.3%。结果表明了本文提出模型的有效性和优越性。

基于改进YOLOv7的火焰烟雾检测算法

针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高、检测速度慢等问题,在YOLOv7框架下提出改进的YOLOv7目标检测算法。首先在数据集建立方面采用的数据集包括Bilkent University公开的数据集和部分自建数据集,共计9 621张图片,并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性;其次对backbone部分,引入GhostNetV2模块,降低参数量的同时,增加模型检测的准确性,并且在neck部分,引入Slim范式,使用一次性聚合方法来设计跨级部分网络VoV-GSCSP模块。VoV-GSCSP模块降低了计算量和网络结构的复杂性,并保持了足够的精度;最后引入解耦头,增加模型的收敛速度,并且进一步提高网络模型的准确性。总体改进后的网络模型参数量降低了约3.4 MB,mAP@0.5提高了2.4%,并且检测速度也得到提升,满足火焰烟雾实时性的需求。