基于坐标注意力和软化非极大值抑制的密集安全帽检测

为解决现有的安全帽检测算法对密集小目标的检测精度低的问题,提出一种基于坐标注意力和软化非极大值抑制的安全帽检测算法。引入坐标注意力机制,聚焦训练安全帽相关目标特征以提高准确率。采用软化非极大值抑制算法对候选框的置信度进行优化,提升模型对密集小目标的检测精度。通过WIoU优化边界框损失函数,使得模型聚焦于困难样例而减少简单示例对损失值的贡献,提升模型的泛化性能。实验结果表明:与基准模型YOLOv5s相比,所提算法的mAP@0.5达到88.4%,提升了3.0%;mAP@0.5:0.95达到65.6%,提升了6.8%;在召回率和准确率上分别提升了2.4%和0.5%。所提算法为密集小目标的检测提供了一定参考。

基于改进YOLOv8s的花色布疵点检测算法

针对花色布背景图案复杂、部分疵点目标小、与背景分离难度大,及其带来的自动化实时检测挑战等问题,提出一种基于改进YOLOv8s的花色布疵点检测算法。为增强网络检测疵点小目标的能力,引入BiFPN(Bi⁃directional Feature Pyramid)特征融合网络,充分融合语义信息和位置信息,增强算法区分疵点和背景的能力;同时,注意到疵点小目标中低质量样本对检测结果的影响,引入WIoU v3损失函数,抑制训练过程中低质量样本产生的有害梯度;最后,引入FasterBlock模型改进原始模型neck中的C2f模块,降低模型整体的参数量。结果表明:改进后的YOLOv8s模型在整个数据集的mAP@0.5∶0.95上可达59.6%,比原YOLOv8s模型提高了2.8个百分点;小目标的APs@0.5∶0.95可达45.1%,比原YOLOv8s模型提高了8.3个百分点;改进后模型参数量为10.557 M,检测速度可达131.6帧/s。认为:改进的YOLOv8s有效提升了沾污、花毛等小目标的检测效果。

基于改进YOLOv5 的交通标志小目标检测算法

针对交通标志小目标和密集目标检测准确率不高的问题,提出了改进YOLOv5s的检测模型。在Backbone网络中添加ECA注意力机制增强小目标交通标志特征信息提取能力;其次采用SPPCSPC结构减少小目标交通标志信息丢失;再使用BiFPN网络融合多尺特征信息,增强融合感知能力;最后将WIoU作为训练时模型的损失函数,降低背景的过度干扰,提升交通标志检测的准确性。试验结果表明,改进后算法的准确率为93.3%、mAP值为92.7%,较未改进前分别提高了2.2%、1.7%。

改进YOLOv5s算法的带钢表面缺陷检测

针对带钢表面缺陷小目标检测精度低以及检测效率低等问题,提出了一种基于YOLOv5s的带钢表面缺陷检测算法。首先,增加一个大尺度预测层,通过更丰富的位置信息提高小目标缺陷的检测效果,减少漏检和误检的问题;其次,将Shuffle Netv2轻量化骨干网络替换原来的CSPDarknet53网络结构,降低模型参数数量,加快模型推理速度;然后,在特征提取网络末端添加基于Transformer编码的C3TR模块以及在特征融合网络中添加CA注意力机制,增强网络对缺陷的特征提取能力;最后,引入WIoU损失函数来取代GIoU,提高回归精度。实验结果表明,改进后的YOLOv5s算法在武汉某钢厂采集的带钢表面缺陷数据集上平均准确率(mAP)达到92.2%,较原始YOLOv5s提高了4.7%,检测速度FPS达到了82,具有较高检测精度。并引入公开数据集进行泛化实验,结果均有显著提升,进一步满足了对带钢表面缺陷检测的需求。

基于改进YOLOv8的道路病害视觉识别算法

道路病害检测对于确保道路的安全性和可持续性至关重要,对城市和社会的发展具有积极作用。为提高目前道路病害检测模型的性能,文中提出一种基于改进YOLOv8的道路病害检测算法。设计一种新型高效的特征融合模块(DWS),提高模型获取特征信息和全局上下文信息的能力;提出将ECABlock、LeakyReLU激活函数与卷积相结合的新模块ELConv来提高深层网络对目标的定位能力;另外,使用Dynamic Head检测头替换原始YOLOv8的头部,结合尺度、空间和任务三种注意力机制提升模型头部表征能力;最后,采用WIoU损失函数代替原损失函数来改善边界框精确度和匹配度。相比基线模型,改进模型在road damage detection数据集和RDD2022_Japan数据集上都得到了有效的验证,表明改进模型满足当下道路病害检测的需求,展示了高灵活性、准确性和效率。

基于改进YOLOv7的煤矿工人不安全行为识别方法

针对在煤矿变电所工人未穿戴绝缘手套和绝缘胶鞋容易引发安全事故,提出了基于YOLOv7的绝缘手套和绝缘胶鞋目标检测方法.使用深度可分离卷积在提高模型特征提取能力的同时降低网络计算量.通过引入SE注意力机制重构ELAN1和SPPCSPC模块,以增强网络特征提取能力,加强对小目标检测的精度.采用WIoU损失函数提高网络回归精度.实验结果表明,改进的YOLOv7算法比原始算法准确率提高3.8%,mAP提高12%.能够对未穿戴绝缘手套和绝缘胶鞋的不安全行为进行高效实时的检测.

PAW-YOLOv7:河道微小漂浮物检测算法

河道漂浮物检测对于船舶自动驾驶以及河道清理有着重大意义,但现有的方法在针对河道漂浮物目标尺寸小且互相遮挡、特征信息少时出现检测精度低等问题。为解决这些问题,本文基于YOLOv7,提出了一种改进模型PAWYOLOv7。首先,为了提高网络模型对小目标的特征表达能力,构建了小目标物体检测层,并将自注意力和卷积混合模块(ACmix)集成应用于新构建的小目标检测层;其次,为了减少复杂背景的干扰,采用全维动态卷积(ODConv)代替颈部的卷积模块,使网络具有捕获全局上下文信息能力;最后,将PConv(partial convolution)模块融入主干网络,替换部分标准卷积,同时采用WIoU(Wise-IoU)损失函数取代CIoU,实现网络模型计算量的降低,提高网络检测速度,同时增加对低质量锚框的聚焦能力,加快模型收敛速度。实验结果表明,PAW-YOLOv7算法在本文利用数据扩展技术改进的FloW-Img数据集上的检测精度达到89.7%,较原YOLOv7提升了9.8%,且检测速度达到54帧/秒(FPS),在自建的稀疏漂浮物数据集上的检测精度比YOLOv7提高了3.7%,能快速准确地检测河道微小漂浮物,同时也具有较好的实时检测性能。

改进YOLOv8的输电线路异物检测方法

针对无人机对输电线路异物检测准确度有限,模型计算复杂度高、计算速度有限的问题,提出一种改进YOLOv8的输电线路异物检测方法SC-YOLO。该方法引入StarNet以构造C2f_Star模块实现Neck网络轻量化,有效降低模型参数量与计算量,同时通过增加特征空间维度提升Neck部分特征提取能力;在骨干网络输出特征图后添加卷积注意力融合模块,提升骨干网络对输入特征图的初步特征提取能力,增强模型整体检测效果;将原检测头替换为动态检测头,提升模型对不同输入的动态调整能力与对关键信息的关注程度;使用WIoU作为边界框损失函数,EMA-Slide Loss作为分类损失函数,提升模型泛化能力与检测性能。实验结果表明,提出的SC-YOLO计算量较原始模型下降8.02%,mAP提升1.4个百分点,达到了95.2%的检测精度,在降低模型计算复杂度的同时实现了较高的检测准确率,具有高可行性与实用性。

基于改进YOLOv8的水下目标检测算法

由于水下生物的特性,水下图像中存在较多难以检测的小目标,且目标之间经常相互遮挡,而水下环境中的光线吸收和散射也会造成水下图像的颜色偏移和模糊。针对上述问题,提出水下目标检测算法WCA-YOLOv8。首先,设计特征融合模块(FFM),增强对空间维度信息的关注,提升对模糊和颜色偏移目标的识别能力;其次,加入FCA(FReLU Coordinate Attention)模块,增强对相互重叠、遮挡水下目标的特征提取能力;再次,为了提高模型对水下小目标的检测性能,将完整交并比(CIoU)损失函数替换为WIoU v3(Wise-IoU version 3)损失函数;最后,设计下采样增强模块(DEM),使特征提取过程中保存的上下文信息更完整,改善水下目标检测的性能。RUOD和URPC数据集上的实验结果表明,WCA-YOLOv8的检测平均精度均值(mAP0.5)分别为75.8%和88.6%,检测速度分别为60 frame/s和57 frame/s。与其他前沿的水下物体检测算法相比,WCA-YOLOv8不仅能够获得更高的检测准确性,还可达到更快的检测速度。

基于YOLOv5s模型的边界框回归损失函数研究

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。

改进YOLOv5的PDC钻头复合片缺损识别

PDC钻头复合片的缺损情况是影响钻进效率的重要因素,检测PDC钻头复合片是否缺损是修复PDC钻头的前提。为了减少对PDC钻头复合片的误检,提升检测准确率,提出了一种基于改进YOLOv5的目标检测算法。该方法以YOLOv5网络为基础,融合Rep VGG重参数化模块增强网络的特征提取能力;在C3模块中引入坐标注意力机制,在通道注意力机制中嵌入位置信息,提升对缺损复合片的目标检测能力;将边界框回归损失函数改进为WIo U损失函数,制定合适的梯度增益分配策略。实验结果表明,改进后的网络的精确率提升2%,召回率提升0.9%,平均精度均值(mAP)提升了1.3%,达到了98%,能够实现对PDC钻头复合片的缺损识别。

基于改进YOLOv7-tiny的坦克车辆检测方法

针对不同种类无人机航拍高度相差较大、图像分辨率不佳引起的坦克车辆检测算法效果不佳、速度慢等问题,提出一种基于改进YOLOv7-tiny的无人机视角坦克车辆检测算法。首先构建包含568幅图像、2132个目标的坦克车辆数据集。其次对YOLOv7-tiny网络进行3个方面改进:提出了AC-ELAN网络结构并加入3D注意力机制,提高对目标信息的提取能力;引入SPPCSPC结构进一步扩大模型的感受野,同时能够有效减少训练学习时间;将损失函数计算方法替换为WIoU,聚焦于普通质量锚框,加速了模型收敛。最后实验结果表明,改进算法在自建数据集上表现优异,比传统的YOLOv7-tiny平均精度提升5.0%,在GPU设备上检测速度达到71帧/s,能够在无人机计算平台实现实时检测。

融合多重机制的SAR舰船检测

目的 针对合成孔径雷达(synthetic aperture radar, SAR)图像噪声大、成像特征不明显,尤其在复杂场景更容易出现目标误检和漏检的问题,提出了一种融合多重机制的SAR舰船检测方法,用于提高SAR舰船检测的精度。方法 在预处理部分,设计了U-Net Denoising模块,通过调整噪声方差参数L的范围来抑制相干斑噪声对图像的干扰。在YOLOv7(you only look once v7)主干网络构建MLAN_SC(maxpooling layer aggregation network that incorporate select kernel and contextual Transformer)结构,加入SK(selective kernel)通道注意力机制至下采样阶段,增强关键信息提取能力和特征表达能力。为解决MP(multiple pooling)结构中上下分支特征不平衡的问题,改善误检情况,融入上下文信息提取模块(contextual Transformer block, COT),利用卷积提取上下文信息,将局部信息和全局信息结合起来,使图像特征能够更有效地提取出来。在头部引入SPD卷积(space-to-depth convolution, SPD-Conv),增强小目标的检测能力。用WIoU(wise intersection over union)损失函数替换CIoU(complete intersection over union)损失函数,运用动态聚焦机制,在复杂图像上加强对目标的定位能力。结果 在SSDD(SAR ship detection dataset)数据集和HRSID (high-resolution SAR images dataset)数据集上进行了实验对比,结果表明,改进后的方法相比于YOLOv7,AP(average precision)可达到99.25%和89.73%,分别提升了4.38%和2.57%,准确率和召回率为98.41%,93.24%和94.79%,81.83%,优于对比方法。结论 本文通过融合多重机制改进YOLOv7方法,提升了对目标的定位能力,显著改善了SAR舰船检测中复杂舰船的误检和漏检情况,进一步提高了SAR舰船检测精度。

基于改进YOLOv8n的隧道内异物检测算法

针对当前隧道内异物检测存在人工巡检成本高、效率低等问题,提出一种基于改进YOLOv8n的隧道内异物检测算法。首先,提出融入坐标注意力(CA)机制的C2f_CA模块,通过将位置信息嵌入通道注意力,增强网络对图像在空间上的特征分布的关注,从而增强网络的特征提取能力;其次,借鉴高分辨率网络的思想,提出新的特征融合模块HRNet_Fusion(High Resolution Net)将提取的不同分辨率特征图作为4个并行分支输入网络,并经过多次上、下采样和融合操作得到全面且准确的特征信息,从而显著提升在小目标检测和特征信息融合方面的性能;最后,引入WIoU(Wise-IoU)损失函数降低低质量样本对网络的不良梯度影响,进一步提高模型的检测精度。实验结果表明,在隧道异物数据集上,改进算法的平均精度均值(mAP@0.5)为79.9%,模型大小为6.0 MB,与YOLOv8n算法相比,mAP@0.5提升了6个百分点,模型大小减少了0.2 MB,模型参数量减少了0.379×10~6。