基于YOLOv7的通用目标检测模型

针对通用目标检测领域在自动提取特征的过程中会提取错误的目标检测区域信息,本文以YOLOv7模型作为基线模型进行改进,有效地提高检测精度。首先,在YOLOv7模型的主干网络中引入改进的注意力机制,在上采样模块中采用双三次插值,以增强浅层和深层的特征融合效果,减少区域信息丢失;其次,通过设计动态IOU阈值实现动态非极大值抑制,解决固定阈值导致检测边界框冗余的问题,提升准确性;最后,采用剪枝算法对网络模型进行轻量化处理,并使用深度可分离卷积替换原始卷积。实验结果显示,本文模型在数据集上的准确率、F1值和召回率均高于其他模型,说明本文建立的基于YOLOv7模型改进的通用目标检测算法的有效性。

基于Canny-YOLO的目标检测方法改进研究

针对当前军工工业产品缺陷检测能力不足的问题,以生产中普遍存在的小目标缺陷检测为切入点,提出了一种基于Canny-YOLOv7算法的融合增强模型。该模型主要通过Canny边缘检测算法识别图像中的潜在缺陷区域并对缺陷区域特征进行增强,在此基础上对YOLOv7模型进行针对性改进以提升泛化能力。首先,为增强模型对于细微缺陷特征的提取能力,使用Swin Transformer (STR)模块替换原始主干网络中的ELAN模块。其次,采用SIOU损失函数使得改进模型能快速学习到准确的目标定位。最后,采用LeakyReLU激活函数减少函数计算开销,进一步提升模型检测速度。实验结果表明,在相同数据集下,提出的增强模型平均检测精度达到97.5%,相较于原始YOLOv7模型提升了4.6%,检测速度(FPS)为52.45,满足实时检测需求。

内河航运密集小目标船舶的图像检测方法

针对小目标船舶在密集性场景中检测的漏检率和误检率较高的问题,基于深度卷积神经网络,提出一种船舶检测方法。该方法选用YOLOv7模型作为算法参考框架进行改进,设计自适应锚框匹配算法,利用CIoU距离度量方式重构K-means聚类算法,以更好地适应船舶数据集中物体的尺寸和比例分布;增加一个针对小尺度目标的细粒度检测头,并使用分散注意力机制对网络模型结构进行重新设计;采用负片图像增强技术来扩充数据样本以获得更多训练样本。实验结果表明:与YOLOv7原模型相比,本文算法在内河航运船舶检测任务中的查准率和查全率分别达到92.8%和88.9%,分别提高10.9%和23.6%;mAP50达到92.6%,提高23.4%;FPS指标下降11.4;模型大小为47.1 MB,在PC端上单张图片耗时需要32.26 ms,实现了小目标船舶的高效检测。

基于融合多维非对称策略的螺纹缺陷检测方法

目前机械零件螺纹的缺陷检测主要依赖人工目视检测,存在速度慢、误差大等问题,为此,基于融合多维非对称策略提出一种计算机视觉螺纹缺陷检测方法。首先,在YOLOv7目标检测算法的网络结构部分新增一层160×160的特征提取层,增加模型的目标检测尺度;设计LAM+DBAM注意力模块,引入标准差权重影响因子,从而构建新的权值计算公式,将发挥重要程度不同的特征提取层进行非对称融合,提升网络对小目标的特征提取能力。其次,采用TIoU损失函数,将预测框和标签框进行区分,非对称地处理输入的2个边界框,提升前景信息在网络特征提取过程中发挥的作用。最后,对模型的BN层进行稀疏化训练,通过缩放因子γ判断卷积核的重要程度,对非重要卷积核进行剪枝,消除模型的冗余参数,提升检测速度。试验结果表明,提出的基于融合多维非对称策略的螺纹缺陷检测方法的精度均值达到93.72%,检测速度达到53 f/s。