基于YOLOv2-Tiny的无人机火灾检测与云台跟踪研究

针对PC(Personal Computer)在无人机火灾检测应用中的环境受限问题,提出了一种基于YOLOv2-Tiny的无人机火灾检测与云台跟踪方法。首先,在改进的YOLOv2-Tiny模型上进行预训练获得最优YOLOv2-Tiny模型,并在K210开发板上部署最优YOLOv2-Tiny模型;其次,将检测到的火灾图像传至云端并将火灾框选中心与图像中心之间的距离参数传递给PID进程,控制云台实现实时火灾跟踪;最后,通过无人机实际飞行验证火灾检测与云台跟踪的能力。实验结果表明,相较于YOLOv2模型,YOLOv2-Tiny在测试集上具有更高的检出率,检出率达到96.66%,并且检测速度达到每秒14帧,云台跟踪中心位置像素误差(CPE)低于5,实时检测与跟踪过程中无人机姿态角保持相对稳定,该研究在火灾实时检测方面具有潜力。

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。

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。

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。

基于改进YOLOv7-tiny的道路病害检测算法

针对目前道路病害检测方法参数量较大、小目标病害检测效果差且易出现误检、漏检的问题,提出一种基于改进YOLOv7-tiny的道路病害检测算法。引入深度可分离卷积(DSC)和无参注意力机制(SimAM)设计ELAN-SimAM-D结构,减少计算量和参数量以实现轻量化,同时加强模型的特征提取和特征融合的能力;引入自适应指数加权池化和自适应融合设计SPPAda结构作为空间金字塔池化结构,增强道路病害信息的保留程度,降低病害的漏检;新增P2小目标网络层,加强对较小目标病害的检测能力,提高模型的检测精度;设计新的损失函数NWD-EIOU替换原CIOU损失函数,提高小目标定位的精度。实验结果表明,相较于原始的YOLOv7-tiny算法,改进后的YOLOv7-tiny算法在自建实验数据集下mAP@0.5达到83.14%,提升了3.50%,召回率上提升了4.96%,模型的参数量降低了33.84%,能够满足道路病害检测的需求。

基于改进YOLOv7-tiny的无人机视角目标检测算法

针对无人机在进行目标检测任务时存在背景复杂、小目标多且密集以及无人机的硬件条件有限等问题,基于YOLOv7-tiny,提出一种改进的无人机视角目标检测算法。首先,将原主干网络结合MobileNetV3进行轻量化改进,引入深度可分离卷积结构,减少网络的参数量;其次,在颈部网络添加GAM全局注意力机制,使网络能够聚焦目标特征,提升检测性能;最后,将定位损失函数改进为SIoU函数,提高网络训练的收敛速度及精度。在VisDrone2019数据集上进行的消融实验及对比实验显示,本文改进后的算法平均检测精度达到45.5%,mAP50达到37.6%,浮点运算量GFLOPS为10.2 G/S,与原算法相比,精度提高了1.7%,mAP50提高了4.2%,GFLOPS减小23%,每一个改进模块都有效提升了无人机检测复杂背景中小目标的能力。

基于改进YOLOv4-tiny的果园复杂环境下桃果实实时识别

为实现果园复杂环境下的桃果实实时识别,提出一种基于YOLOv4-tiny的桃果实实时识别方法 YOLOv4-tinyPeach。通过在主干网络中引入卷积注意力模块CBAM,优化其通道维度和空间维度的特征信息;在颈部网络中添加大尺度浅层特征层,提高对小目标识别精度;采用双向特征金字塔网络BiFPN对不同尺度特征信息进行融合。通过训练和比较,YOLOv4-tiny-Peach模型在测试集下的平均精度AP为87.88%,准确率P为91.81%,召回率R为73.84%,F1值为81.85%,相比于改进前,AP提升5.46%,P提升2.29%,R提升4.09%,F1提升3.44%。为检验改进模型在果园复杂环境下的适应性,在不同数目、不同成熟期和遮挡的情况下对果实图像进行识别,并与原模型识别效果进行对比,结果表明改进模型在三种情况下的识别精度均高于原模型,尤其在大视场和未熟期场景下模型改进效果显著。YOLOv4-tiny-Peach模型占用内存为27.4 MB,识别速度为49.76 fps,适用于农业嵌入式设备。为果园复杂环境下的桃果实自动采摘提供实时精准的目标识别指导。

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。

基于改进YOLOv7-tiny的大尺寸导光板缺陷检测

针对导光板缺陷种类多、尺寸小、人工检测效率低的问题,提出一种基于改进YOLOv7-tiny的大尺寸导光板缺陷检测方法。首先,通过对导光板图像进行滑窗剪切以解决图像分辨率过大的问题;然后,对小样本缺陷使用多角度数据增强技术丰富数据量以解决样本不均衡的问题;最后,将轻量级卷积注意力模块(CBAM)整合到YOLOv7-tiny主干特征提取部分,使模型在通道和空间上对小目标缺陷的特征提取能力得到增强;选取WIoUv2损失函数计算定位损失,增强网络对困难示例的关注度,提高算法对低质量锚框的检测能力。实验结果表明,所提方法的均值平均精度为85.8%、召回率为81.3%,与原始YOLOv7-tiny相比,分别提高了5.4%和8.1%。

YOLOv4-tiny模型在边缘计算平台的加速设计

近年来,随着目标检测算法的快速发展,其模型规模也越来越大,在嵌入式移动端中部署时往往存在着功耗和时延等限制。针对此问题,采用输入输出通道的并行组合策略、数据定点量化、多通道数据传输等硬件加速方法,设计了一种基于FPGA平台的目标检测加速器架构。以YOLOv4-tiny模型算法为例进行硬件加速设计实现,使用输入输出通道并行组合策略对加速器的输入输出模块进行优化,提高了带宽的利用率;采用双缓存结构对加速器的访存机制进行优化,提高了系统的传输效率,并对加速器的性能以及资源消耗情况进行评估、分析和验证。实验结果表明,在PYNQ-Z2平台上该架构的性能为10.96 GOPS,功耗为2.98 W。与已有研究中在FPGA平台部署目标检测算法的实验进行比较发现,本文所提出的加速器的加速效果更好。

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%。

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的轻量化百香果检测方法

在果园中,准确且快速的果实检测是水果产量预测和自动化采摘等农业智能化应用的关键任务之一。针对目前目标检测模型参数量和计算量大,难以满足嵌入式设备实时性要求的问题,本文提出一种基于改进YOLOv7-Tiny的轻量化检测方法,用于复杂果园环境中百香果的检测。首先,在主干网络中使用全维动态卷积(ODConv),提高主干网络的特征提取能力,使平均精度均值(mAP)提升2个百分点;其次,为了减少颈部网络的参数量和计算量,融合GhostNet网络和MobileOne网络,提出GMConv轻量化模块,使模型参数量下降约30%,计算量下降约20%,FPS提高约50 frame/s。在百香果数据集上的实验结果表明,与YOLOv7-Tiny相比,改进后算法的参数量和计算量分别下降32.1%和25.4%,mAP提升2.6个百分点。在降低计算量和参数量的前提下,改进后算法进一步提高了检测精度,有利于在嵌入式设备中部署。

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。

YOLOv4-Tiny的改进轻量级目标检测算法

目标检测是深度学习的重要分支领域,大量的边缘设备需要轻量级的目标检测算法,但现有的轻量级的通用目标检测算法存在检测精度低、检测速度慢的问题。针对这一问题,提出了一种基于注意力机制的YOLOv4-Tiny的改进算法。调整了原有的YOLOv4-Tiny算法的主干网络的结构,引入了ECA注意力机制,使用空洞卷积改进了传统的SPP结构为DC-SPP结构,并提出了CSATT注意力机制,与特征融合网络PAN形成CSATT-PAN的颈部网络,提高了网络的特征融合能力。提出的YOLOv4-CSATT算法和原始YOLOv4-Tiny算法相比,在检测速度基本持平的情况下,对于信息的敏感程度以及分类的准确程度有了明显的提高,在VOC数据集上精度提高了12.3个百分点,在COCO数据集上高出了6.4个百分点。在VOC数据集上,相比Faster RCNN、SSD、Efficientdet-d1、YOLOv3-Tiny、YOLOv4-MobileNetv1、YOLOv4-MobileNetv2、PP-YOLO算法在精度上分别高出3.3、5.5、6.3、17.4、10.3、0.9和0.6个百分点,在召回率上分别高出2.8、7.1、4.2、18.0、12.2、2.1和4.0个百分点,FPS达到94。通过提出CSATT注意力机制提高了模型对于空间的通道信息的捕捉能力,并结合ECA注意力机制和特征融合金字塔算法,提高了模型的特征融合的能力以及目标检测精度。

改进YOLOv7-tiny与D-S理论结合的实验室人员行为检测研究

针对目前实验室场景缺少对人员行为检测的方法,且主流算法精度低、误检率高的问题,文中提出一种改进YOLOv7-tiny的人员行为检测算法,并通过多源信息融合,提高人员行为在实际实验室场景中的识别准确率。首先,在检测算法主干网络引入GhostNetV2轻量化网络,进一步降低模型计算量和复杂度;其次,在颈部网络嵌入改进后的CBAM_E注意力模块,加强目标重要特征的提取;再次,在预测端使用SIoU替换原有的损失函数,减少角度因素和边界框回归精度的影响。检测结果表明,相较于YOLOv7-tiny,文中算法精度提升10.08%,模型参数量和复杂度分别下降36.45%和46.76%。最后通过将检测数据与传感器采集数据运用D-S证据理论进行信息融合后发现,人员不规范行为检测的误检率得到有效降低。结果表明,该方法可实现对实验室人员不规范行为的有效检测。

基于改进YOLOv7-tiny的凡纳滨对虾游动活跃性定量检测方法

在凡纳滨对虾养殖过程中,养殖人员需通过人为提拉饲料盘来观测对虾的游动活跃状态,以此了解其生长状况并制定投喂策略。为了解决人工观察凡纳滨对虾游动活跃状态时存在实时性不佳、主观因素影响大等问题,提出一种基于改进YOLOv7-tiny (improved YOLOv7-tiny)检测模型和基于欧式距离多目标关联视觉检测方法,用以定量分析饲料盘上对虾游动活跃状态。在YOLOv7-tiny模型基础上,将标准卷积替换为GSConv卷积,搭建VoVGSCSPC模块替换原先轻量化聚合(ELAN-L)模块并使用损失函数MPDIoU替代原损失函数CIoU,减少了模型容量并提升模型检测精度。通过改进YOLOv7-tiny模型的检测结果和基于欧式距离的多目标关联方法确定图像中对虾的位置,据此计算对虾的游动位移、速度与转角,量化出对虾游动活跃状态。在凡纳滨对虾数据集上验证后,结果显示,与YOLOv7-tiny模型相比,改进YOLOv7-tiny模型错检率和漏检率分别降低0.62%与1.05%,推理速度提升17.07%,验证了改进后的模型有效性。通过对虾游动活跃性进行定量分析发现,越活跃的对虾活跃性指标数值越大,与实际情况相符。研究表明,所提出的对虾游动活跃性定量检测方法可准确快速获得游动活跃性指标,能高效地量化凡纳滨对虾在饲料盘上的活跃状态,对掌握养殖过程中凡纳滨对虾健康状况具有重要意义。

改进YOLOv4-Tiny的面向售货柜损害行为人体检测

无人货柜的安全检测一直是零售领域的热点话题。针对现有人工监控无法及时且有效地捕捉到部分消费者对自助售货柜及其内部商品的损坏行为这一问题,提出了一种改进YOLOv4-Tiny的面向售货柜损害行为人体检测方法。将真实场景采集到的监控视频进行预处理,完成对数据集DMGE-Act的制作,解决场景图像数据源不足的问题。提出了基于YOLOv4-Tiny的改进模型——YOLOv4-TinyX,通过修改神经网络的激活函数进行平滑逼近,分别在主干特征提取网络的最大特征提取层后引入CBAM,在加强特征提取网络中的上采样操作层后引入CA两种不同的注意力机制模块,并且进行了数据不平衡的修正,有效提升了算法的特征提取与检测能力。通过对比实验分析,改进后的模型参数量仅增加2×10^(4)的同时,平均精度均值mAP提升了10.29个百分点,结果表明该算法保持轻量化且对损害行为的检测精度有显著提升。

改进YOLOv4-tiny网络的日用商品目标检测算法

针对基于移动平台的商品图像检测算法存在硬件要求高、模型复杂且精度低等问题,提出一种YOLOv4-tiny改进网络,减少网络参数与模型尺寸,提高网络精度,构建更高效的网络。将原有标准卷积替换为点卷积与逐深度卷积,特征提取使用CG模块,降低网络模型计算损耗。特征融合时,在原有特征金字塔(Feature Pyramid Networks,FPN)基础上添加PANity模块,缩短高低间卷积层的跨度。使用CSPConcat结构对此前各层融合特征进行特征优化处理,提高各层间特征融合的能力。利用k-prototypes算法优化日用商品数据集先验框的尺寸与数目。通过在darknet深度学习框架下,对日用商品数据集进行实验,得出改进后的算法平均精度(mAP)为98%,召回率为97%,较原网络提升了2.4百分点和2百分点,网络模型计算量较原网络降低了40.4%,模型存储文件缩小了55.9%。改进后的网络模型更轻量化、准确率更高,更加适用于部署在无人结算环节的低硬件水平嵌入式设备中。