基于改进YOLOv7算法的接触网吊弦线夹螺母状态识别方法

针对传统的深度学习算法在处理铁路接触网吊弦线夹螺母时效果不佳,而人工巡检吊弦线夹螺母速度慢、难度大问题,提出一种改进的YOLOv7算法对接触网吊弦线夹螺母状态进行识别。首先,该算法在YOLOv7原有模型特征提取网络的末端融合卷积和自我注意力机制,使算法既拥有注意力和卷积的优势,又与单一的卷积或注意力相比具有较小的计算量,以提升缺陷检测的速度;然后,在特征提取网络的输出端引入空间到深度卷积模块,以空间层到深度层取代池化层,以非跨行卷积层取代跨行卷积层,强化算法对螺母缺陷状态的识别能力;最后,在输出层加入新的移动网络轻量级坐标注意力机制,以得到方向感知和位置敏感的注意图,互补地应用于输出特征图,以更有利于接触网吊弦线夹螺母的识别。仿真实验结果表明:在未经裁剪的接触网吊弦数据集上,该算法对吊弦线夹螺母状态识别的正确率达到90%以上,平均检测准确率为98.5%,证明改进后YOLOv7算法在兼具检测速度的同时能更加准确地识别接触网吊弦线夹螺母状态。

基于YOLOv7-tiny的轻量化海珍品检测算法

针对当前海珍品捕捞机器人使用的水下目标检测算法参数量大,不适合部署在移动设备上等问题,提出一种基于YOLOv7-tiny(You Only Look Once version 7-tiny)的轻量化海珍品检测算法ES YOLOv7-tiny(EfficientNet-S YOLOv7-tiny)。在YOLOv7-tiny基础上,首先,将骨干网络替换为改进的EfficientNet(EfficientNet-S),并将颈部网络中卷积核大小为3×3卷积替换为轻量化卷积,达到降低参数量的目的;其次,使用k-means++算法聚类锚框尺寸,提高推理速度;最后,使用知识蒸馏算法进一步提高精度。在RUIE(Real-world Underwater Image Enhancement)数据集上,所提算法平均精度均值(mAP)达到73.7%,检测速度达到123 frame/s,参数量为4.45×10^(6),与原YOLOv7-tiny算法相比,在mAP上提升了1.2个百分点,检测速度提升25 frame/s,参数量降低了1.56×10^(6)。实验结果表明,所提算法在提升精度的同时降低了参数量,并且加快了检测速度,证明了该算法的有效性。

基于改进YOLOv7的高效行人检测方法

针对目前的行人检测方法无法在复杂环境下同时满足高准确率和高检测速度的问题,提出了基于改进YOLOv7(You Only Look Once version 7)的高效行人检测方法。首先,通过鬼影混洗卷积(GSConv)与VoVGSCSP(VoVNetGS Conv Cross StagePartial)构建Slim-Neck,前者使用混洗操作将普通卷积生成的信息渗透到可分离卷积的输出中,来实现通道间信息的交互,后者采用一次聚合方法设计了跨阶段部分网络,VoVGSCSP模块降低了计算量和网络结构的复杂性,并保持了足够的精度;其次,在YOLOv7输出部分引入卷积注意力模块(CBAM),利用通道注意力和空间注意力来捕获特征之间的相关性,从而优化YOLOv7的特征表示能力,提高方法的准确性和鲁棒性。实验结果表明:在多个行人数据集上,与YOLOv5和YOLOv7相比,改进的YOLOv7方法平均精度(AP)提升了1.63~3.51个百分点,对数平均缺失率(LAMR)降低了0.54~3.97个百分点;相较于YOLOv7平均检测速度提升10FPS;同时通过弗里德曼检验结果证实改进的YOLOv7方法可用于实际数据,有效地实现了复杂环境下高精度、快速的行人检测。