改进YOLOv7-tiny的手语识别算法研究

在与听障人士进行交流时,常常会面临交流不便的困难,文中提出一种手语识别的改进模型来解决这个困难。该模型基于YOLOv7-tiny网络模型,并对其进行了多项改进,旨在提高模型的精度和速度。首先,通过对CBAM注意力机制的通道域进行改进,解决了因降维而造成的通道信息缺失问题,并将改进后的CBAM加入到YOLOv7-tiny的Neck层中,从而使模型更加精准地定位和识别到关键的目标;其次,将传统的CIoU边界框损失函数替换为SIoU边界框损失函数,以加速边界框回归的同时提高定位准确度;此外,为了减少计算量并加快检测速度,还将颈部层中的普通卷积模块替换为Ghost卷积模块。经过实验测试,改进后网络模型的平均精度均值(mAP)、精准率和召回率分别提升了5.31%、6.53%、2.73%,有效地提高了手语识别网络的检测精确度。

基于改进YOLOv7-tiny的高空作业人员安防装备检测算法

针对现有高空作业人员安防装备检测算法参数量较大且检测目标相对单一,难以适应复杂的高空作业场景等问题,提出一种基于改进YOLOv7-tiny的高空作业人员安防装备检测算法。首先,将主干网络重新设计为更轻量的YOLOv7-FasterNet,并调整空间金字塔池化结构,实现模型参数量的压缩;其次,在ELAN-L模块中扩展梯度传输路径的分支,解决了模型压缩造成的通道信息缺失问题,提升了特征信息的提取能力;最后,将网络中下采样部分替换为Involution模块,降低参数冗余,增强网络对全局的捕获能力。实验结果表明,改进的YOLOv7-tiny算法能够更好地适应复杂高空作业场景,在开源数据集上具备良好的性能。该算法的平均检测精度达到94.7%,较原模型提升1.5%,参数量较原模型下降11.6%,实验结果验证了算法改进措施的有效性。

改进YOLOv7-tiny的轻量化大型铸件焊缝缺陷检测

针对目前焊缝缺陷数据集少,检测环境恶劣,人为识别困难等问题,提出了一种改进的YOLOv7-tiny算法。由于检测物体缺陷形状不规则,采用可变形卷积能够学习到更加丰富的特征信息和感知到物体的细节信息,增强了模型的表达能力和泛化能力;为了在提高焊缝缺陷检测速度的同时,不降低准确率,满足工厂实时性的要求,提出了一种融合轻量化卷积和注意力机制的ELAN-PCS网络结构;为了解决中小目标检测困难,很容易出现漏检的情况,引入了通道注意力机制。实验结果表明,与原YOLOv7-tiny相比,改进模型在大型铸件焊缝缺陷数据集上mAP(0.5)提升1.8%、mAP(0.5~0.95)提升6.8%,模型参数量下降1.9 M。

基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC

针对密集人群下口罩佩戴检测实时性差、难以部署到移动端的问题,提出基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC。该算法结合深度可分离卷积改进的SE注意力机制设计了一种轻量化特征提取模块,并结合BiFPN设计了一种加权特征融合模块。经实验验证,YOLOv7-DSC算法在口罩数据集上mAP为96.9%,与YOLOv7-tiny算法相比仅降低了0.5%;相比于YOLOv3-tiny、YOLOv4-tiny、YOLOv5s、MobileNetV3、ShuffleNetV2、GhostNet和Swin-Transformer算法在mAP上分别高出13.4%、11.2%、4.5%、5.7%、5.8%、4.2%和5.1%;在检测精度与YOLOv7-tiny算法相当的情况下,参数量和计算量分别减少了60%和55%,仅为2.4 M和6.0 G,极大地降低了硬件成本。

改进YOLOv7-tiny的无人机目标检测算法

针对无人机视角下小目标难以检测、目标密集和环境复杂导致漏检概率增加的问题,提出一种改进YOLOv7-tiny的无人机目标检测算法。在原主干网络的基础上增加一个并行网络,加强主干网络对特征图信息的提取能力;增加细小目标采样尺度并改进FPN结构,使主干网络输出的特征图可以用于后续上采样和下采样当中,提高网络精度;加入CA注意力机制,优化主干网络输出特征图,减少特征信息损失;使用WIoU损失函数计算定位损失,增强网络对小目标的检测能力。实验结果表明,相较于原算法,改进YOLOv7-tiny算法的准确率和召回率分别提升了2.8和2.7个百分点,mAP@0.5和mAP@0.5:0.95分别提升了3.8和3.2个百分点,有效提高了算法的检测精度。

基于通道剪枝的YOLOv7-tiny输电线路异物检测算法

针对输电线路异物检测精度不佳且模型庞大的问题,提出了基于通道剪枝的改进YOLOv7-tiny算法用于输电线路异物检测。用ReXNet网络替代了YOLOv7-tiny的骨干网络改进原网络的特征瓶颈问题。引入了多样化分支块从而增加网络特征融合能力,通过基于层自适应幅度的修剪(LAMP)剪枝方案损失一定精度换取模型体积、运算量的降低,为下一步部署到嵌入式设备做好准备。实验结果表明,最终的改进模型相对于YOLOv7-tiny模型精度上提升3个百分点,FPS提升原来的119.4%,模型大小压缩到原来的14%。

轻量化YOLOv7-tiny的遥感图像小目标检测

针对遥感图像小目标众多、目标检测器参数量大和检测效率低等问题,提出了一种改进的YOLOv7-tiny的轻量级遥感图像小目标检测模型。首先,针对原始模型中跨阶段局部空间金字塔池化网络复杂的碎片化操作,提出轻量级的空间金字塔池化结构来减少多余的卷积算子操作;其次,针对颈部网络冗余的模块化连接方式和小目标容易在深层特征丢失空间信息的问题,提出深层语义信息引导的单尺度预测头方法来进行小目标位置信息强化,并进一步减少颈部网络和头部网络的计算成本。在遥感图像数据集上展开实验,结果表明,改进后的模型比原始模型参数量降低49.6%,计算复杂度降低28.5%,推理速度提高73.1%,并优于现阶段其他主流轻量级目标检测器。

基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测

为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized Self-Attention),将提取到的特征进行复杂双向多尺度特征融合,建立了适合多种类不均衡样本的水稻害虫检测模型。结果表明,在加入迁移学习和多尺度训练的条件下,改进后的YOLOv7-tiny检测算法在自建水稻害虫数据集的平均检测精度达到96.4%,单张图片的检测时间为8.8 ms,模型大小为9 055 kb,可实现对田间水稻害虫的快速准确识别,为水稻害虫的智能化检测和防治提供了技术支持。

轻量化YOLOv7-tiny的水下压印字符识别

自动化水下字符识别技术能通过编号更高效地定位追踪水下设备,是管理和维护水下设备的关键。针对该任务目标区别较小和水下场景中干扰等问题,并考虑其检测速度需求,基于YOLOv7-tiny模型,提出一种轻量化的改进模型。首先采用MobileNetV3作为新的特征提取网络对整体框架进行轻量化处理;然后引入PConv至ELAN模块中,减少Neck层的计算量;最后将置换注意力机制应用至Head层,提升了模型对字符定位的表达能力。实验结果表明,改进后的模型相较于原模型的平均精度均值(mAP)提高了2.4%,参数量和计算量分别减少30.0%和38.5%,检测速度提升30.8%。改进后的模型在水下字符识别任务中具有更高的效率和精度,为推进并实现水下自动化识别编号设备的部署提供了可行性。

基于YOLOv7-Tiny算法的无人机实时跟踪野生动物方法

借助无人机边缘计算技术监测野生动物的运动状态和种群发展变化已成为科研工作者广泛使用的技术手段。传统跟踪算法算力高,机载边缘设备硬件资源算力不足,在户外复杂的自然环境下难以实现实时跟踪。为解决野外环境中无人机跟踪野生动物时遇到树木遮挡和背景干扰导致无法准确实时跟踪的问题,选取东北地区东北虎(Panthera tigris altaica)、狍(Capreolus pygargus mantschuricus)和驯鹿(Rangifer tarandus phylarchus)为研究对象,以YOLOv7-Tiny+Bot-SORT作为检测跟踪的基础框架,提出了一种轻量化的无人机跟踪算法。首先,采用FasterNet网络减少模型冗余计算,增强特征图中目标区域关注度;其次,采用高效通道注意力机制实现局部跨通道交流,降低复杂环境对检测网络的影响,提升网络检测能力;最后,为降低计算成本,替换重识别网络,提高无人机跟踪速度。结果显示:提出的实时跟踪方法准确度(MOTA)和精确度(MOTP)分别达到79.93%和73.48%,跟踪速度从3.4帧/s提升到43.4帧/s。研究表明,提出的算法不仅在提升跟踪精度和速度方面表现出色,而且更适用于算力有限的边缘设备,为保护野生动物的多样性和群体行为研究提供了强大的技术支持。

基于改进YOLOv7-Tiny的交通多目标检测方法

在复杂的多目标交通环境中存在检测种类多、背景信息繁杂、图像分辨率低不能有效检测等问题,使用常见的目标检测算法不能达到高精度的实时检测效果,因此提出一种改进YOLOv7-Tiny的交通多目标检测算法。改进算法中首先使用部分卷积——PConv替换原始卷积,优化模型参数量和运行速度;其次采用轻量级算子CARAFE替换原有上采样部分的最临近插值,提升特征融合能力;最后采用EfficiCLoss替换原有损失函数,提高边界框的定位精度改善检测目标因遮挡而漏检问题。此外创建一个基于交通复杂场景的多目标数据集,在此数据集上进行实验,结果表明改进后的检测算法相较于原YOLOv7-Tiny网络的mAP提高了4.3%,检测速度提高了12.5%,参数量减少了30%,满足智慧交通实时检测的要求。

基于改进YOLOv7-tiny焊缝表面缺陷检测算法

针对在焊缝表面缺陷的深度学习目标检测算法容易出现误检率较高、检测准确率较低的问题,为提高焊缝缺陷检测效率,文中基于YOLOv7-tiny目标检测算法进行一系列改进。首先,采用GSConv改进YOLOv7-tiny网络的Neck层,以减少网络的参数量,降低模型的计算复杂度;在下采样阶段引入无参数注意力(SimAM),在通道或者空间维度中的任意维度上进行特征捕捉和特征融合,实现多维信息的交互,提高网络对复杂背景下焊缝的关键特征捕捉能力。试验结果表明,在相同试验条件下改进YOLOv7-tiny相较于YOLOv7-tiny准确率均值(mAP)提高了1.86%,参数量和计算量分别下降了15.28%和5.3%。改进YOLOv7-tiny准确率有明显提升,可实现快速、精准检测焊缝表面缺陷。

基于YOLOv7-Tiny的车牌及放大号检测研究

由于大型车辆的后车牌容易污损和遮挡,目前车牌号的识别对于这种情况有明显缺陷。提出将车牌放大号和车牌共同检测后再识别,提升车牌识别算法的适用性。本文基于YOLOv7-Tiny检测,算法先后采用更换主干网络和卷积模块实现模型轻量化,通过改进损失函数来提升精度。实验表明,在YOLOv7-Tiny更换Mobilenetv3主干网络、GSConv卷积核和Focal-EIoU后,实现模型体积下降35%,参数量下降37%,运算量下降58%,从而实现一种轻量化的模型。

基于YOLOv7-Tiny的改进型城市植物检测算法

城市路边植物的检测与识别是智能洒水车的关键技术。针对路边植被图像检测中的小目标漏检和遮挡问题,提出一种改进型YOLOv7-Tiny的植物检测算法。在创建数据集时,使用相机实景拍摄和图片爬虫抓取方法获取原始数据集,通过LabelImg进行人工标注,并采用mosaic数据增强方法扩充数据集。为兼具准确率和较高检测速度,首先将YOLOv7-Tiny网络作为baseline,在网络的Head部分引入无参数SimAM注意力机制,使网络在不增加模型复杂度的情况下聚焦更多重要的特征信息;其次在网络的Head部分将ACmix替换部分传统卷积,以实现更高效的特征融合;最后在算法中使用SIOU替换原YOLOv7-Tiny网络模型的CIOU来优化损失函数,以减少损失函数的自由度并提升网络鲁棒性。实验表明,改进算法在测试集上的均值平均精度mAP@50:95达到67.2%,相较于YOLOv7-Tiny算法提升3.1%,在保证模型轻量化的同时具有较高的检测精度,可满足智能洒水车轻量化植物检测的准确度和速度要求。

基于改进YOLOv7-tiny的番茄叶片病虫害检测方法

为解决自然环境中番茄叶片病虫害检测场景复杂、检测精度较低,计算复杂度高等问题,该研究提出一种SLPYOLOv7-tiny的深度学习算法。首先,将主干特征提取网络中部分3×3的卷积Conv2D(2D convolution)改为分布偏移卷积DSConv2D(2D Depthwise Separable Convolution),以减少网络的计算量,并且使计算速度更快,占用内存更少;其次,将无参数注意力机制(parameter-free attention module,SimAM)融合到骨干特征提取网络中,加强模型对病虫害特征的有效提取能力和特征整合能力;最后,将原始YOLOv7-tiny的CIOU损失函数,更替为Focal-EIOU损失函数,加快模型收敛并降低损失值。试验结果表明,SLP-YOLOv7-tiny模型整体识别精准度、召回率、平均精度均值mAP_(0.5)(IOU阈值为0.5时的平均精度)、mAP_(0.5~0.95)(IOU阈值从0.5到0.95之间的平均精度)分别为95.9%、94.6%、98.0%、91.4%,与改进前YOLOv7-tiny相比,分别提升14.7、29.2、20.2、30个百分点,同时,计算量降低了62.6%。与YOLOv5n、YOLOv5s、YOLOv5m、YOLOv7、YOLOv7-tiny、Faster-RCNN、SSD目标检测模型相比,mAP_(0.5)分别提升了2.0、1.6、2.0、2.2、20.2、6.1和5.3个百分点,而计算量大小仅为YOLOv5s、YOLOv5m、YOLOv7、Faster-RCNN、SSD的31.5%、10.6%、4.9%、4.3%、3.8%。结果表明SLP-YOLOv7-tiny可以准确快速地实现番茄叶片病虫害的检测,且模型较小,可为番茄叶片病虫害的快速精准检测的发展提供一定的技术支持。

改进YOLOv7-tiny的轻量级红外车辆目标检测算法

为了解决红外场景下车辆检测算法参数量与计算量大、识别精度低、小目标检测难度大的问题,提出了一种改进YOLOv7-tiny的轻量级红外车辆目标检测算法:KD-YOLO-DW。通过融合深度可分离卷积提出了ELAN-DW模块,极大地降低了网络参数量与计算量。通过在特征融合层引入GhostNet V2模块,提高了不同尺度特征的融合能力。采用动态非单调FM的WIoU损失函数,解决了红外数据集难易样本不平衡的问题,提高了轻量级算法对红外弱小目标的检测能力。联合残差思想提出跨尺度融合策略,提高了轻量级算法对不同尺度目标的检测效果,降低了小目标的漏检率。通过知识蒸馏对轻量化模型再次浓缩,进一步提高了模型对检测红外目标的准确性。实验结果表明,KD-YOLO-DW模型在参数量与计算量方面分别较YOLOv7-tiny模型下降了24.6%和16.7%,模型大小仅为9.2 MB,mAP分别提高了3.27和3.15个百分点,拥有更小的模型体积与更好的检测效果。

改进轻量化VTG-YOLOv7-tiny的钢材表面缺陷检测

针对钢材表面缺陷形态多样、结构复杂且存在检测目标漏检现象和算法参数量过大等问题,提出一种轻量化VTG-YOLOv7-tiny的钢材缺陷检测算法。该方法一是设计VoVGA-FPN网络,以减少信息传递过程中的丢失,增强网络特征融合能力;二是构建三重坐标注意力机制,提升模型对空间和通道信息的特征提取能力;三是引入鬼影混洗卷积,在提高精度的同时降低模型参数量和计算量;四是增加大目标检测层,改善特征图中部分缺陷占比较大,导致检测精度低的问题。在NEU-DET和Severstal钢材缺陷数据集进行实验验证,改进后算法与原模型相比,mAP分别提升5.7%和8.5%;参数量和计算量分别降低0.61 M和4.2 G;精确度和召回率分别提升7.1%,1.8%和8.9%,7.0%。实验结果表明,改进后的算法更好地平衡了检测精度和轻量化,为边缘终端设备提供了参考。

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。

基于改进YOLOv7-tiny的光伏电池缺陷检测算法

针对光伏电池对于太阳能转化效率不稳定的问题,提高光伏电池的质量,提出基于改进YOLOv7-tiny的光伏电池缺陷检测算法PSD-YOLO,在YOLOv7-tiny中引入轻量化卷积模块PSDConv。将GSConv中的DW卷积替换为Partial卷积,降低了内存访问量并提高了检测速度;并且引入了GhostNetv2中的解耦全连接注意力(DFC)机制,在保持其可部署性的同时提高了轻量级算法对光伏电池复杂缺陷类型的检测能力;在损失函数部分,将原本的CIoU替换为EIoU,加速了收敛且提高了回归精度。实验结果表明,PSD-YOLO模型在参数量和计算量方面分别相较于YOLOv7-tiny模型下降了18.3%和16.7%,模型大小仅有4.9×10^(6),mAP@0.5提升了5.3个百分点,在实现更小模型体积的同时,达到了更高的检测性能。

改进轻量化 YOLOv7-tiny 道路限高障碍物检测方法

针对道路限高障碍物检测困难、模型复杂以及难以在嵌入式端部署等问题,提出一种基于改进轻量化YOLOv7-tiny模型的道路限高障碍物检测方法。改进模型采用更加轻量的FasterNet网络替换原有主干网络,在Neck层使用PConv卷积替代部分Conv卷积,以减少计算冗余和内存访问,从而有效降低模型的参数量和计算量。同时,引入CA注意力机制提高检测精度,并使用Focal-EIoU损失函数优化模型的收敛速度和效率。实验结果表明:相较于YOLOv7-tiny目标检测模型,改进模型在检测数据集上,mAP@0.5提高6.6%,参数量和计算量分别降低24%和20.5%,模型权重文件减少27.2%,能够在保持较高检测精度的同时,满足轻量化的需求。