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YOLOv5算法的织物缺陷检测

基于现有织物缺陷检测算法受疵点尺寸与织物纹理背景的影响导致检测精度较低,同时检测模型过于复杂,难以部署到工控设备上,无法满足织物缺陷实时检测等现状,提出一种改进YOLOv5算法的织物缺陷检测算法。以YOLOv5算法为基准模型,采用跨阶段部分连接残差网络替代原模型的主干网络,增强模型上下文特征信息学习能力;将SimAM注意力机制融入到模型中,提升对有用特征的提取能力,抑制无用纹理背景特征的干扰;引入WIoU与Varifocal Loss损失函数,提高回归框准确性的同时降低负样本权重;最后,针对织物的小目标疵点难以检测的问题,提出增加小目标检测层的方法,提高模型的检测能力。试验结果表明:该研究算法能够快速准确地检测织物疵点,精确率与mAP分别达到86.46%与84.4%,与基准模型相比,分别提高6.16个百分点和5.8个百分点。

基于改进YOLOv7⁃Tiny的高速公路入口两轮车辆闯入检测

近年来,浙江、福建等省区相继出台相关地方性法规,禁止两轮车辆(摩托车、电动车等)通行高速公路。针对高速公路入口工作人员难以实时检测到两轮车辆闯入的问题,提出一种改进YOLOv7⁃Tiny的两轮车辆闯入检测算法。首先,从VOC2005中提取摩托车图片并增补了带有入口背景的图片后形成新数据集;其次基于YOLOv7⁃tiny,引入ECA注意力机制,使模型更加聚焦训练摩托车相关目标特征。使用ssFPN网络,对小目标特征信息进行增强;采用基于动态非单调机制的WIoU损失函数,提高对于小物体检测的准确性;使用Adam优化器,提升回归过程的收敛速度和准确性。改进后的算法,mAP、Precision、Recall分别提高了2.63、4.01、13.92个百分点,F1提高0.10,表明该方法具有显著的有效性。

基于改进YOLOv8的隧道火灾检测研究

隧道内火灾检测存在检测困难和难以直接部署到资源有限的嵌入式设备进行实时检测的问题,提出一种基于改进YOLOv8的隧道火灾检测算法;首先引入极化注意力保持高分辨率信息来抑制冗余特征,同时增强全局信息的捕捉;其次引入了一种新的局部卷积PConv来实现低延迟和高吞吐量的模型;最后使用WIoU函数优化网络的边界框损失,使网络能够快速收敛。实验结果表明,该网络在所使用隧道火灾数据集上的平均精度mAP提升了1.3%,同时轻量化后模型参数减少了29.7个百分点,向前推理时间降低了44%;算法能够平衡精度和轻量化的需求,可以满足隧道场景下的实时检测。

基于YOLOv8改进的室内行人跌倒检测算法FDW-YOLO

针对室内场景中由于光照变化、人体形态被遮挡以及在特殊视角下人体姿态变化等因素导致行人跌倒检测精度低、实时性差的问题,提出了一种基于YOLOv8改进的轻量级跌倒检测算法FDW-YOLO。将骨干网络中的C2f模块替换成FasterNext模块,增强有效特征复用的同时降低计算复杂度。根据人体跌倒姿势变化大的特点,设计了3种在颈部层不同位置添加动态可变形卷积模块的网络结构,并在自制的跌倒行为目标检测数据集上进行实验比较,最终根据网络性能选择YOLOv8-C方案。在改进后的网络中引入边界框回归损失函数WIoU取代原有的CIoU。实验结果表明,FDW-YOLO跌倒检测算法较YOLOv8n在mAP@0.5指标上从96.5%提升到97.9%,在mAP@0.5:0.95指标上从72.5%提升到74.3%,同时参数量和计算量只有4.1×10^(6)和7.3×10^(9),符合在低算力工业场景中部署的要求。

基于轻量级卷积网络的风力发电机表面缺陷检测研究

风电机组的发电效率和使用寿命与其表面的完好度相关。本研究针对传统风力发电机表面缺陷检测方式出现的检测结果不够精准,检测用时较长的问题,设计了一种风力发电机表面缺陷检测模型。首先,在模型中融合了轻量级卷积技术,有效地增强了通道间信息交互的能力,通过更丰富的特征信息提高小尺寸缺陷的检测效果;其次,在主干网络引入了视觉注意力网络模块,丰富了上下文的信息,提升了卷积神经网络的特征提取的能力;然后,在颈部网络中引入协调注意力机制,通过空间方向捕捉缺陷的位置信息;最后,将边框回归的损失函数修改为WIoU,从而制定出合适的梯度增益分配策略。实验结果表明,改进后的检测模型相较于原模型检测精确度提高4.14%,显著提升了细小缺陷的检测能力;同时,改进后的模型的参数量降低了2.29 M,参数量则是降低了6.2 G,检测速度提升显著,满足模型实时检测的需求。

基于改进YOLOv7的变电站设备红外图像识别方法

变电站电气设备红外图像识别是其进行缺陷与故障诊断的重要前提,能保障电力系统的安全稳定运行。为达到变电站设备高精准、高效率的识别效果,本文提出了一种基于改进YOLOv7网络的变电站设备红外图像识别方法。变电站采集到的红外图像作为YOLOv7网络的输入,在红外图像的识别中,采用CoordConv卷积层增加图像坐标信息,增强网络层的信息细节,丰富图像特征内容;引入注意力机制排除其他信息干扰,增强模型的特征表达能力,提高网络训练精度;为进一步提高识别精度,不同于传统损失函数的构建,采用WIoU损失函数加速网络收敛,提高模型的准确性。通过对变电站采集的实际红外图像进行分析,实验结果表明,所提出的基于改进YOLOv7网络的变电站设备红外图像识别模型识别精度能达到97.1%。相较于YOLOv7网络和其他几种典型网络,所提模型具有较高的准确性和鲁棒性,可以有效应用于变电站设备的智能监测和维护,为后续故障诊断工作提供基础条件。

基于改进Yolov8的摔倒行为检测算法

为防止发生摔倒行为后得不到及时救助而产生危害生命的风险,提出一种改进Yolov8的摔倒行为检测算法Yolov8-DCN-WIoU-C3P。通过使用可随目标形态进行自适应采样的可变卷积(Deformable Convolutional Networks,DCN),来提高C2f模块(CSP Bottleneck with 2 convolutions,C2f)对不规则摔倒目标的特征提取能力;引入针对交叉熵的单调聚焦机制的损失函数WIoU,来提高算法对低质量摔倒数据的泛化能力;采用减少冗余计算和内存访问的部分卷积Pconv,来解决像素损坏导致计算量上涨的问题,进而使算法识别摔倒行为的性能得到提升。实验结果表明:本文提出的改进算法能有效识别出摔倒行为,对比原始算法(Yolov8算法)在准确率以及平均精度上分别提高了1.6%和2.1%。

基于改进YOLOv5x算法的海上风机叶片缺陷检测系统

随着海上风电的蓬勃发展,运维工作越来越成为突出问题。风电叶片作为风电大尺寸关键构件,其运维对机组至关重要。本文针对海上风机叶片人工运维检测存在的高风险、低效率和低精度等问题,提出了一种基于改进YOLOv5x(You Only Look Once version 5x)算法的海上风机叶片缺陷机器视觉检测系统。该方法引入了卷积块注意力机制(Convolutional Block Attention Module,CBAM),以增强神经网络对输入特征的感知能力,使用智慧交并比(Wise Intersection over Union,WIoU)作为损失函数,减少人工标注数据的误差,提高目标检测的准确性。基于海上风机叶片缺陷数据对模型进行训练,将训练好的模型封装成海上风机叶片机器视觉识别系统。试验结果显示,改进后的YOLOv5x算法,相比于原有的YOLOv5x,平均精度均值(mean Average Precision,mAP)提高了4.71%,准确率(Precision)提高了7.48%,且能满足实时性需求。

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%。

面向无人机航拍小目标检测的轻量级YOLOv8检测算法

针对在无人机图像目标检测中复杂场景下目标特征难提取且小目标容易被淹没在噪声中的问题,提出一种基于YOLOv8s的无人机目标检测算法SC-YOLO。为了能够学习到感兴趣区域的位置细节,基于CA(coordinate attention)提出了SPM(self-positionmodule)注意力。为了缓解Carafe上采样算子因为通道压缩所带来的影响,提出了CEM(Carafeenhancermodule)。通过分析梯度增益函数与数据集中目标大小的关系,使WIoU_v3能够更加关注中、小目标的普通质量锚框,并且在VisDrone2019数据集上进行验证,得到WIoU_v3能够更加关注中、小目标的普通质量锚框的参数设置范围。改进后的YOLOv8s算法在VisDrone2019验证集上的平均均值精度(mAP)提高到43.1%,在测试集上的mAP提高到34.8%,在近几年同等规模的算法中拥有较好的检测性能;改进算法相较基准算法参数量仅增加1.1×10^(6),浮点运算次数(FLOPs)增加1.5 GFLOPs,但在验证集以及测试集上检测精度分别提升了2.0和2.1个百分点;在Tinyperson数据集上的检测精度提高了1.4个百分点。

基于改进YOLOv7的输电铁塔塔基检测算法

输电塔作为整个电力传输系统最重要的组成部分之一,需要及时对输电塔进行检测保证塔基的稳固以保障后期的使用。针对无人机采集到的输电塔图像存在背景复杂、背景与目标塔基对比度低、小目标及塔基不完整等问题,提出了基于改进YOLOv7的输电塔塔基检测算法。首先,通过无人机采集不同地形地貌的输电塔图像,构建高质量数据集。然后,在原始YOLOv7的Backbone层中加入卷积注意力模块CBAM注意力机制,以提高输电塔塔基特征的提取能力。最后,引入WIoU v3代替原坐标损失函数CIoU,以提高目标检测任务的准确性和稳定性。在该数据集上,使用改进后的YOLOv7算法与目前主流的目标检测算法进行对比实验,实验结果中所提算法的mAP值高达99.93%,比原始YOLOv7提高2.19%,FPS值为37.125,满足实时检测需求,算法的整体性能较好。实验验证了所提算法在塔基检测上的可行性和有效性,为后续塔基区周围水土情况的研究奠定了基础。

改进YOLOv5s的番茄钵苗分类识别模型

番茄钵苗分类识别对自动移栽机精准和高效完成钵苗移栽作业具有重要意义,目前钵苗检测存在精度较低,检测实时性较差,有误检和漏检的问题。为建立番茄钵苗监测系统,保证检测实时性,提高钵苗识别精准度,基于改进YOLOv5s目标检测算法提出一种番茄钵苗分类识别模型。研究工作包括构建番茄钵苗数据集;引入全局注意力机制(global attention mechanism,GAM)注意力机制;采用动态非单调聚焦机制损失函数(wise IoU,WIOU)损失函数策略;运用可变形卷积DCN V3;采用上下文信息模块(context augmentation module,CAM)模块。改进后模型平均检测速度约为12 ms,平均精度(average precision,AP)较基础模型上升3.8个百分点,MAP@0.5提高1.9个百分点,召回率提升3.2个百分点。相同实验条件下,将改进后YOLOv5s模型与当下常用模型对比,其检测速度更快,符合钵苗检测要求,精度更高,总体效果更优,保证实时性的基础上有效提高番茄钵苗的识别精度。

基于改进YOLOv7的织物表面疵点检测技术

针对目前纺织工业中织物疵点检测技术的局限性,提出一种用于自动检测织物缺陷的改进YOLOv7算法。首先,在颈部网络引入SPD-Conv模块,在进行卷积下采样时保留与疵点相关的特征辨别信息,解决了原网络对于小目标的特征信息学习不足的问题;其次,YOLOv7的主干网络通过引入CA注意力机制,在兼顾通道注意力的同时,还考虑了位置信息,从而更有效地识别疵点;最后,把WIoU用作边框损失函数,使其更加侧重于一般品质的锚框,从而增强了YOLOv7的泛化能力。通过实验对比发现,改进后算法的mAP值为92.28%,精度为95.65%,分别比原始YOLOv7算法提高了2.64%和4.12%,能够达到纺织产业在疵点检测方面的要求。

基于改进YOLO v5n的葡萄叶病虫害检测模型轻量化方法

由于较大的参数量和较高的计算复杂度,直接在移动端部署通用检测及识别模型的难度较高。为了解决轻量化的移动端部署难题及提升移动设备上葡萄叶病害的检测能力,拟提出1种轻量化、高精度、实时性的检测模型。首先,引入Slimming算法对传统的YOLO v5n网络进行缩减,利用模型稀疏化训练、批归一化的缩放因子分布状况对不重要的通道进行筛选;其次,引入轻量级上采样算子CARAFE增加感受野,进行数据特征融合;最后,将边界框回归损失函数改进为WIoU损失函数,制定合适的梯度增益分配策略来获得更加精准的框定位提升模型对每个类别目标的检测能力。试验结果表明,改进后的模型能够在保持模型性能的情况下有效轻量化。与传统的YOLO v5n相比,改进后的算法mAP提高了0.2百分点,同时改进后的模型权重、参数量、计算量分别为1.6 MB、0.6 M、1.8 G,分别比原模型减少了58%、67%、57%,能够满足移动端和嵌入式设备的部署要求。

改进YOLOv5s的纱管目标检测方法

为解决传统纱管分类方法效率低下、误差较高的问题,提出一种基于改进YOLOv5s算法的纱管目标识别方法。该算法融合了坐标注意力模块(CA)和Transformer模块,提出了新的SPP模块(SPP+)替换传统的SPP模块,使用加权双向特征金字塔网络(BiFPN)思想增强特征融合,并使用WIoU损失函数替代原有的损失函数。为验证改进算法性能,制作了一套纱管数据集,并基于改进YOLOv5s算法进行了纱管检测实验。实验结果表明改进的算法具有更好的识别效果。

基于改进YOLOv8n的井下人员安全帽佩戴检测

针对现有井下人员安全帽佩戴检测方法未考虑遮挡、目标较小、背景干扰等因素,存在检测精度差及模型不够轻量化等问题,提出一种改进YOLOv8n模型,并将其应用于井下人员安全帽佩戴检测。在颈部网络中加入P2小目标检测层,提高模型对小目标的检测能力,更好地捕捉安全帽目标细节;在主干网络中添加卷积块注意力模块(CBAM)提取图像关键特征,减少背景信息的干扰;将CIoU损失函数替换为WIoU损失函数,提升模型对检测目标的定位能力;采用轻量化共享卷积检测头(LSCD),通过共享参数的方式降低模型复杂度,并将卷积中的归一化层替换为群组归一化(GN),在尽可能保证精度的同时实现模型轻量化。实验结果表明:与YOLOv8n模型相比,改进YOLOv8n模型在交并比阈值为0.5时的平均精度均值(mAP@50)提升了1.8%,参数量减少了23.8%,计算量下降了10.4%,模型大小减小了17.2%;改进YOLOv8n模型检测精度高于SSD,YOLOv3-tiny,YOLOv5n,YOLOv7和YOLOv8n,模型复杂度仅高于YOLOv5n,较好地平衡了模型检测精度与复杂度;在井下复杂场景下,改进YOLOv8n模型能够实现对井下人员安全帽佩戴的准确检测,改善了漏检问题。

结合三维无参数注意力机制的隧道裂缝检测方法

为进一步研究现有公路隧道裂缝检测算法中对裂缝特征提取不充分、抗干扰能力弱而导致漏检以及检测速度慢等问题,提出一种基于改进YOLOv5的隧道裂缝检测方法。首先,在主干网络中结合高效的三维无参数注意力机制,引入残差模块C3SM,用于增强深浅层特征信息之间的交互,在优化计算复杂度的同时增强网络特征提取能力;其次,在特征金字塔中采用一种新的特征融合网络结构,整合相邻层的特征图,能较好地保留裂缝边缘信息,在保证语义信息不受损失的同时加快模型的检测速度;最后,采用位置损失函数WIoU优化遮挡和重叠目标的检测效果。为验证该方法的有效性,在Tunnel-crack和湖州隧道裂缝数据集上进行大量试验,结果表明:所提出检测方法的精度与速度分别达到88.7%、103.5帧/s和85.1%、99.4帧/s,相比大多数高性能目标检测器具有更高的识别准确率,并能满足隧道裂缝检测的要求。

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。