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。

基于改进YOLOv4的隧道衬砌裂缝检测算法

针对传统隧道衬砌裂缝检测手段中存在的检测精度低、泛化能力差、检测速度慢的问题,对YOLOv4目标检测算法进行改进:引入Mosaic数据增强技术对输入图片数据进行预处理;采用轻量级网络MobilenetV3取代CSPDarknet53作为YOLOv4神经网络的主干特征提取网络;将YOLOv4网络中卷积核大小为3×3的标准卷积替换为深度可分离卷积。为验证改进后算法的有效性和可靠性,采用Faster-RCNN、SSD、YOLOv3、YOLOv4四种算法进行对比验证分析,结果表明:该算法在检测性能方面表现优异,测试集的平均精度为78.05%,精确率以及召回率的加权调和平均值为84.44%,均高于其余四种算法。在模型大小方面,该算法模型的大小仅为55.1 MB,相对于原始YOLOv4模型压缩了78.0%,且远小于Faster-RCNN、SSD、YOLOv3模型。此外,该算法的单张图片的检测时间为23.75 ms,每秒帧数为42.1帧/s,很好地满足了隧道衬砌裂缝进行实时检测时移动设备对帧率的要求。且算法泛化能力良好,能够较为准确的对不同光照和复杂背景条件下的裂缝进行检测并标记。基于提出的改进YOLOv4算法构建隧道衬砌裂缝检测平台,实现对实际隧道工程中衬砌裂缝的准确、快速、智能化识别。

基于YOLOv4神经网络的小龙虾质量检测方法

设计了一种采用YOLOv4深度学习算法的小龙虾质量检测模型,该算法在网络架构、数据处理、特征提取等方面进行了优化。自主拍摄小龙虾图片并进行数据扩充,使用LableImage平台进行数据标注,在Darknet框架下进行网络模型训练,通过对比,模型最终性能均高于其他常见目标检测模型,其检测准确率达97.8%,平均检测时间为37 ms,表明该方法能够有效检测生产过程中的小龙虾质量。

基于改进的YOLOv4安全帽佩戴检测研究

为了加强建筑工人佩戴安全帽情况的检测,防止安全事故的发生,提出1种改进的轻量级YOLOv4安全帽佩戴检测算法,用于运行在移动设备端,降低现场部署的条件;制作1个8000幅图像的数据集,用于训练和评估安全帽检测算法;为了评估改进的YOLOv4的性能,从5个不同建筑工地采集到600张施工人员图像和60条施工视频作为验证集;根据建筑工地不同的视觉条件对图像进行分类,用于验证本文算法在不同外界环境下的性能。结果表明:改进后的模型检测速度是YOLOv4的3.4倍,可用于实时检测施工人员在不同施工现场条件下是否佩戴安全帽的情况,有利于提高安全检查和监督水平。

基于YOLOv4改进算法的零件表面缺陷检测

在零件加工过程中,由于工况多样性,导致零件表面缺陷繁多,并且检测起来准确率低。针对零件表面缺陷检测问题,提出了基于YOLOv4改进算法的零件表面缺陷检测系统。论文采用了德国DAGM2007数据集作为缺陷样本,采用数据增强的方式对图片数量进行扩充。采用稠密网络模块对YOLOv4算法进行改进。最后利用改进的YOLOv4算法进行缺陷检测定位,准确率达到97%。与原算法对比,改进算法的检测速度明显提升,具有较好的应用价值。

基于改进YOLOv4的果园柑橘检测方法研究

水果的自动检测是自动采摘、果园喷药、采后分拣等农业应用中的关键技术。针对果园环境中柑橘目标小、噪声多、遮挡严重等问题,本文基于YOLOv4算法提出一种改进的适用于果园环境的柑橘快速识别方法。主要改进措施包括:一是在训练阶段利用Canopy算法和K-Means++算法自动选择先验框的数目和大小;二是在YOLOv4网络中每个不同尺度特征的输出层前增加一个调整层,并采用残差网络结构和密集连接网络相结合,同时修改回归框损失函数,以便检测复杂背景下的小柑橘;三是在保证不造成较大检测精度损失的前提下,对网络中不重要的通道和网络层进行剪枝。与目前常用的YOLOv4、MLKP和Cascade R-CNN等3种目标检测算法的对比实验结果表明,本文改进的YOLOv4算法对果园环境下不同生长期柑橘的检测平均准确率达96.04%,平均检测速度为每张图像0.06 s,均优于对比的3种主流目标检测算法。本文提出的方法可为自然条件下果园中柑橘的采摘、产量评估等应用提供技术和方法指导。

基于YOLOv4卷积神经网络的钢材缺陷检测系统

为了提升钢材生产质量,设计了一种基于YOLOv4卷积神经网络的钢材缺陷检测系统。钢材缺陷目标检测系统硬件结构主要包括工控机服务器、电动控制模块、工业相机和网络通信装置,软件结构采用YOLOv4目标检测算法模型实现钢材缺陷识别、定位和筛选,产品缺陷主要包括:斑块、点蚀表面、内含物和划痕等缺陷。通过对钢材缺陷检测系统的测试验证表明,系统能根据缺陷特征准确快速地检测识别和定位缺陷目标,能满足企业生产中对钢材缺陷检测的实际需求,在智能制造领域具有一定的应用前景。

基于改进YOLOv4的自然人群口罩佩戴检测方法

针对自然场景下的人群口罩佩戴检测常常会受到口罩样式、颜色,佩戴者肤色以及天气等多种因素的影响,提出在原YOLOv4的基础上引入协调注意力机制,进而提升主干特征提取网络对于浅层次特征图像位置信息的利用进而更好地捕获小物体——口罩,同时能够丰富浅层次特征图像的语义信息和加强远距离依赖关系,更精准地定位和识别目标区域;对YOLOv4的网络结构进行改进以提升整体网络的容量以及深度,进而扩大感受野并提升算法的鲁棒性;引入DIoU-NMS在于缓解目标存在遮拦而被错误抑制的现象,DIoU-NMS从IoU指标及检测框的中心点距离两个方面进行非极大值抑制,使得对于IoU阈值的选取没有那么苛刻。实验结果表明,改进YOLOv4的平均精度均值达到95.81%,相较于原YOLOv4平均精度均值提升了4.62%。改进后的YOLOv4具有良好的性能,能够在自然场景下准确地完成口罩佩戴检测任务。

基于改进YOLOv4的飞机导管喇叭口缺陷检测

通过人工对飞机导管喇叭口(AFT)缺陷进行检测过程中存在一定误差且检测率低下。为减少人工检测带来的误检、漏检及提高检测工效,提出了一种基于YOLOv4改进模型的检测飞机导管常见缺陷的方法。通过聚类分析调整锚盒的大小,以更好地匹配小目标和复杂结构的特征。在骨干特征提取网络和空间金字塔池结构输出的不同特征层之后添加卷积层,以提高网络复杂度换取网络对缺陷特征的提取能力。实验结果表明,改进模型在对飞机导管喇叭口缺陷检测中的AP值为92.21%,比原始YOLOv4算法提高16.67%,对单个图像的平均检测时间算法运行速度与原始算法相较没有明显变化。

改进YOLOv4在遥感飞机目标检测中的应用研究

针对遥感图像中飞机目标检测精度低、检测速度慢、背景复杂等问题,提出了一种基于深度学习的改进YOLOv4目标检测算法。改进YOLOv4的主干特征提取网络,保留高分辨率的特征层,去除了用于检测大目标的特征层,减少语义丢失。在卷积神经网络中使用DenseNet(密集连接网络)加强对飞机目标的特征提取,减少梯度消失问题。对数据集使用K-means算法得到效果最佳的先验框数量和尺寸。在RSOD(Remote Sensing Object Detection)数据集和DIOR(Detection In Optical Remote sensing images)数据集上的实验表明,该算法满足实时性的需求,且该算法的精确度达到95.4%,较原算法提升了0.3个百分点;召回率达到86.04%,提升了4.68个百分点;mAP值达到85.52%,提升了5.27个百分点。

基于改进YOLOv4模型的自然环境下梨果实识别

针对自然环境下梨果实识别场景中存在梨果实颜色与背景颜色相近、遮挡、重叠等因素导致的识别困难的问题,本试验提出1种基于改进的YOLOv4网络模型梨果实识别的方法,使用的神经网络模型以CSPDarknet53作为主干特征提取网络,将空间金字塔池化(SPP)中的最大池化法改为平均池化法,以适应目标与背景颜色相近的场景,更多地保留目标信息;将SPP模块前后的卷积、PANet中的部分卷积以及输出部分的卷积替换为深度可分离卷积,在保证卷积效果不变的效果下减少网络模型所占空间。使用训练后的改进YOLOv4模型对未参与训练的图像样本进行测试,改进后的模型所占空间比原模型下降44%,召回率达到85.56%,比原模型提高了1.29%,mAP达到90.18%,比原模型提高了0.1%。实验结果表明,本文算法对自然环境下近色背景的梨果实的识别具有良好的查全率与精确率,能够较好地对梨果实进行识别,可为实现梨果园的自动采摘和产量预测提供技术支持。

基于改进YOLOv4的电力高空作业安全带检测

为了让电力工作人员在电力作业中采取规范的防护措施,提出了一种基于改进YOLOv4的电力高空作业识别及安全带佩戴检测算法。首先,该算法采用MobileNetv2作为主干提取网络,在保证较好的特征提取效果同时降低了网络的参数量,提高模型的识别速度;然后使用K-means聚类算法对数据集中的目标边框重新聚类,并调整空间金字塔池化结构,提高模型的检测精度;最后使用Soft-NMS算法替换原NMS算法降低目标的漏检率。实验结果表明,改进YOLOv4网络模型比原YOLOv4模型mAP提高3.2%,检测速度提高30fps,模型的训练权重大小压缩4.16倍,算法在高空作业安全带检测上具有很强的实用性和高效性。

基于改进YOLOv4的安全帽佩戴检测方法

针对建筑施工场地场景下远距离小目标安全帽佩戴检测问题,提出的一种改进YOLOv4的安全帽检测方法。将BN层和卷积层合并减少修改后的网络前向推理计算量,利用K-means聚类算法改进先验框维度,采用柔性NMS算法进行置信度权重修改解决标签重写问题,应用多尺度特征融合提升模型识别准确率。实验结果表明,该方法在安全帽数据集的检测任务中mAP提升2.91%;对低于32*32尺寸目标AP值相较于原算法提升6.02%,能够有效提升安全帽佩戴检测范围和准确率。

基于YOLOv4目标检测算法的轻量化网络设计

目标检测是计算机视觉领域的一个重要研究方向,在交通监控、人机交互等方面都有着广泛的应用。目前,基于深度学习的YOLOv4检测网络与传统目标检测相比,其检测精度虽然有所提高,但存在网络参数量大、对计算机硬件要求较高等问题。针对于此,本文对YOLOv4网络进行了改进,即采用MobileNetv2与YOLOv4的主干特征提取网络相结合,并利用深度可分离卷积模块,对YOLOv4的PANet和SPP模块中的传统卷积进行了优化,在公开数据集VOC07+12上进行训练,并将训练后的模型在VOC07test数据集上进行分析、检测。实验结果表明,改进后的YOLOv4卷积神经网络相比于YOLOv4神经网络参数量降低了83.6%,FPS提升了5.8,mAP@0.5下降了8.5%,降低了网络对计算机硬件的要求,实现了网络模型的轻量化。

基于特征增强YOLOv4的无人机检测算法研究

现有基于深度学习的目标检测方法在面对空中消费级无人机时,存在鲁棒性差、准确率不足等问题。对此,提出一种基于特征增强的YOLOv4目标检测方法—FEM-YOLOv4。首先,针对无人机低、小、慢等特点,改进骨干网络,降低下采样倍数,充分利用包含细粒度信息的浅层特征;其次,加入特征增强模块(feature enhancement module),通过使用不同空洞率的多分支卷积层结构,综合不同深度的语义信息和空间信息,增强小尺度无人机的细节语义特征;另外,利用多尺度融合的特征金字塔结构,突出特征图包含的细节信息和语义信息,提升模型对无人机目标的预测能力;最后,采用K-means++算法对无人机目标候选框的尺寸进行聚类分析。与6种目标检算法进行对比,实验结果表明,FEM-YOLOv4算法的mAP和Recall分别达到89.48%、97.4%,优于其他算法,且平均检测速度为0.042 s。

基于改进YOLOv4-Tiny的河湖船舶目标检测算法

为有效提升复杂河湖环境下河湖过往船舶的精准快速识别效果,提出了基于改进YOLOv4-Tiny的河湖船舶目标检测算法。该算法首先通过引入Sigmoid加权线性单元(SiLU)激活函数,构建卷积+批标准化+SiLU激活函数的卷积模块,并替换主干网络中原有模块,然后在主干网络之后增加改进的空间金字塔池化(SPP)网络,最后在特征金字塔网络(FPN)中引入卷积块注意力模块(CBAM),同时采用自上而下的连接,构建改进的路径聚合网络(PANet)。实验结果表明:在昏暗、模糊、强光、遮挡重叠等复杂环境下,提出的改进YOLOv4-Tiny目标检测算法的平均精度比原始算法提升了1.27%,检测(推理)速度达到81.55帧/s,且仅占用内存37.34 MB。研究成果可为河湖过往船舶智能管理提供参考。

优化YOLOv4算法的安检X光图像检测网络

针对目前安检场景中违禁品种类复杂、人工检查效率低易出错等问题,文章提出一种名为Res152-YOLO的网络架构,该架构基于YOLOv4(You Only Look Once)优化目标检测网络.为提高对X光图像中危险品的检测精度,Res152-YOLO采用ResNet-152网络代替原YOLOv4中的CSPDarknet-53网络,将改进后的ResNet残差网络与YOLOv4网络连接.实验中利用YOLOv4、Res152-YOLO等一系列网络在同一数据集上进行对比实验,分别比较上述网络的损失曲线、对各类危险品的检测性能以及各网络的总体性能.结果表明,Res152-YOLO网络在以上实验中性能优于原YOLOv4网络,并且满足安检设备的帧率要求.改进后的网络有效提高了安检的准确率,能够消除一定的安全隐患.

基于MVT-CTRFBs-YOLOv4的遥感飞机检测研究

针对目前遥感图像检测算法存在实时性差、精度低、召回率低的问题,提出了一种基于移动视觉Transformer(Mobile Vision Transformer,MVT)和语境Transformer感受野模块(Contextual Transformer Receptive Field Blocks,CTRFBs)的改进YOLOv4(You Only Look Once version4)遥感飞机检测算法。首先,为了降低模型参数量,采用轻量级主干网络MVT替换原始CSPDarknet53(Cross Stage Partial Darknet53)主干网络进行特征提取,从而提高检测速度。其次,为了减少小目标丢失问题,引入CTRFBs代替原YOLOv4的空间金字塔池化(Spatial Pyramid Pooling,SPP)结构增大浅层特征层感受野以提升召回率。最后,在原始YOLOv4的路径聚合网络(Path Aggregation Network,PANet)中引入多个SE(Squeeze-and-Excitation)注意力模块,加强小目标特征提取从而提高检测精度。在RSOD和UCAS_AOD数据集上的实验表明,相比其他改进YOLOv4算法,改进模型的检测精度达到94.65%,召回率达到91.55%,模型大小仅为25.95 MB。该算法不仅实现了网络结构的轻量化,而且明显提高了遥感飞机的检测效果。

基于YOLOv4-Tiny模型剪枝算法

针对YOLO系列算法参数量大、算法复杂度高提出一种基于BN(batch normalization)层剪枝方法。该方法先通过对BN层的缩放系数γ以及平移系数β添加正则化约束训练,根据BN层参数以及卷积层各通道对网络贡献度等指标设定合适阈值进行剪枝。该方法在基本没有精度损失的前提下对YOLOv4-Tiny模型压缩11倍,计算量减少72%,在CPU和GPU处理器下推理速度分别增快44%和29%。实验结果表明,该剪枝方法能保持模型良好性能的前提下压缩模型,减少参数,降低算法复杂度。

一种改进YOLOv4-tiny的带钢表面缺陷实时检测方法

带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS(Frames per second)达到163,满足实际工业落地的实时性要求。