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的管道缺陷检测技术研究

针对城镇地下管网规模巨大、传统的人工检测方法已不能满足现在工程需求的问题,提出采用MobileNetv3-YOLOv7网络模型作为地下管道缺陷目标检测的算法来提升检测的精度和速度。首先,管道图像数据集进行预处理,对输入图像灰度化及重采样,均衡样本的数量;其次,将轻量化网络MobileNetv3和YOLOv7网络框架相结合,增加BiFPN特征金字塔结构以提高精确度;然后,在数据处理方面通过Mosaic数据增强方式提高该模型的鲁棒性;最后,设计YOLOv7网络模型的对比实验验证本模型的可行性。在Pytorch实验框架下,对MobileNetv3-YOLOv7网络模型进行了验证。实验结果表明,该模型可减少参数计算量,并且平均准确率有所提高。

基于YOLOv7的交通目标检测算法研究

针对交通场景中,由于光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8%mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。

基于改进YOLOv7的轻量级地铁站台间隙异物检测算法

在客运高峰期,地铁站台屏蔽门与列车门间隙夹人夹物事故常有发生。针对现有的异物入侵检测算法参数量、计算量较大,难以部署在算力和内存资源均有限的边缘设备这一问题,提出了一种基于改进YOLOv7的轻量化算法模型YOLOv7-MobileNetv3。将YOLOv7的主干网络替换为MobileNetv3-Large网络,以在减小模型大小、降低参数量的同时提升检测速度。根据地铁站台环境搭建实验台,模拟异物入侵,并建立地铁站台异物入侵数据集,训练YOLOv7-MobileNetv3算法模型。实验结果表明,与原YOLOv7模型相比,改进模型的平均精度均值提高2.4百分点,检测速度提高13.32帧/s,模型参数量、计算量分别下降32.03%、60.79%。改进后模型在保证实时性、准确性的同时更为轻量化,可部署到硬件资源有限的边缘设备,用于地铁站台间隙异物检测。

改进YOLOv7的轻量化水下目标检测算法

针对水下设备内存和计算能力有限和水下环境复杂造成的目标错检和漏检问题,提出一种轻量级水下目标检测方法 YOLOv7-SDBB。在YOLOv7的骨干网络上引入ShuffleNetv2轻量级网络,降低特征提取网络的参数量和计算量;设计了D-ELAN和D-MPConv模块,在进一步实现网络轻量化的同时提高模型检测速度;由于水下检测过程中容易出现错检、漏检的现象,利用BiFPN(bidirectional feature pyramid network)进行多尺度特征融合,融合深层的特征信息;针对BiFPN特征融合导致的特征信息丢失的问题,采用BiFormer注意力机制保留关键信息,提高目标检测精度。实验结果表明,改进后模型在URPC2020数据集上的精度提高了2.7个百分点,参数量和计算量分别下降了20.3%和41.7%,检测速度提升至100.9 FPS,从而验证了提出的算法在精度和速度之间取得了很好的平衡。

面向轻量化的改进YOLOv7棉杂检测算法

针对棉纺厂原棉吞吐量大、检测时间长而常见卷积神经网络无法实现高实时检测的问题,提出基于轻量化改进的YOLOv7模型对原棉杂质的检测算法,旨在快速高效地对棉杂质进行检测。首先通过删减YOLOv7模型冗余的卷积层从而提高检测速度;其次在主干网络内添加FasterNet卷积降低模型的计算负担,减少特征图的冗余性,实现高实时检测;最后在颈部网络内运用CSP-RepFPN(Cross Stage Partial networks with Replicated Feature Pyramid Network)重构特征金字塔,增加特征信息流通,减少特征损失,提高检测精度。实验结果表明:在自建棉杂数据集上改进的YOLOv7模型在棉杂检测精度上达到了96.0%,检测时间比YOLOv7减少了37.5%;在公开DWC(Drinking Waste Classification)数据集上整体精度达到82.5%,检测时间仅为29.8 ms。改进的YOLOv7模型能够为原棉杂质的实时检测和识别分类提供一种轻量化的检测方法,大幅节约了时间成本。

基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别

应用人工智能技术对矿井提升机司机等煤矿关键岗位人员的行为进行实时识别,防止发生设备误操作等危险情况,对保障煤矿安全生产具有重要意义。针对基于图像特征的人员行为识别方法存在的抗背景干扰能力差与实时性不足问题,提出了一种基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别方法。首先,基于MobileOne和C3对YOLOv7目标检测模型骨干与头部网络进行轻量化改进,提高模型推理速度;其次,融合ByteTrack跟踪算法,实现工作人员跟踪锁定,提高抗背景干扰能力;然后,采用MobileNetV2优化OpenPose的网络结构,提高对骨架特征的提取效率;最后,通过时空图卷积网络(ST−GCN)分析人体骨架关键点在时间序列上的空间结构和动态变化,实现对不安全行为的分析识别。实验结果表明:MobileOneC3−YOLO模型的精确率达93.7%,推理速度较YOLOv7模型提高了52%;融合ByteTrack的人员锁定模型锁定成功率达97.1%;改进OpenPose模型内存需求减少了170.3 MiB,在CPU与GPU上的推理速度分别提升了74.7%和54.9%;不安全行为识别模型对疲劳睡岗、离岗、侧身交谈和玩手机4种不安全行为的识别精确率达93.5%,推理速度达18.6帧/s。

面向带钢表面小目标缺陷检测的改进YOLOv7算法

带钢表面小目标缺陷检测是工业质检领域的研究热点。针对热轧带钢表面缺陷检测任务中小目标缺陷易产生漏检的问题,文章提出一种改进的YOLOv7算法。在骨干网络中融入通道空间注意力模块(convolutional block attention module,CBAM)和可重参数化卷积模块,以提升小目标特征的提取效率;采用改进的双向特征金字塔网络(bi-directional feature pyramid network,BiFPN)颈部网络替换原有的路径聚合网络(path aggregation network,PANet)颈部网络,实现对小目标缺陷特征的高效提纯;采用解耦检测头进行检测结果输出,使网络在训练时进一步收敛至更高精度。实验结果表明,改进后的YOLOv7算法在小目标带钢缺陷检测场景下检测精度领先YOLOv7算法4.3 AP50精度,领先YOLOv6算法5.0 AP50精度,领先YOLOX算法4.8 AP50精度,说明该算法可以较好地应用于小目标带钢缺陷检测。

改进YOLOv7的晶圆字符检测算法

针对晶圆加工中的字符检测问题,提出一种基于YOLOv7改进的目标检测模型。在原版YOLOv7的SPP层之前插入Swin Transformer模块,增强网络对于全局信息的获取能力,提升对于全局和局部特征的整合能力;在预测部分插入A2-Net注意力机制,将特征信息全局融合后重新分配,提升网络的鲁棒性;在定位损失函数上用SIOU损失函数代替CIOU,角度损失的引入,增加了对于字符检测位置的准确性。在自制的字符数据集上,实验验证改进后的模型相比于传统模型,mAP提升了5.02%,并且每秒识别图片数高于传统算法,在实际使用中也取得了良好的效果。

基于改进YOLOv7的吸烟行为识别算法研究

目的:提出了一种基于改进YOLOv7的吸烟行为识别方法,以提高人工智能对吸烟行为识别X效率和准确率。方法:在YOLOv7算法的基础上,采用GhostNet网络结构替换其主干网络,减少了网络模型参数量和计算量。引入CBAM注意力机制来改善特征提取的效果。加入多尺度特征融合模块和改进损失函数以提高模型在复杂环境中的检测效果。结果:以吸烟数据集进行测试,结果表明,改进后的模型参数量和计算量分别下降了16.6%和37.4%,检测速度提升至103.4帧/s,精度提高了2.8%。结论:提出的轻量化网络模型可满足视频监控实时监测的要求,并可在低功耗的嵌入式设备上完成实时检测。

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的钢 材表面缺陷检测

钢材表面缺陷对于钢材行业来说是一个巨大的挑战。针对传统的钢材缺陷检测方法存在着效率低、检测精度不高等问题,基于YOLOv7设计了一种AFSD-YOLOv7模型进行实时的钢材表面缺陷检测。首先,在YOLOv7模型中使用一种轻量化卷积结构替换标准卷积结构,,以加速模型的推理过程;然后采用快速空间金字塔池化结构替换原始空间金字塔池化结构,以加速网络的特征提取过程;最后添加改进的ECA-Net注意力机制,以提升模型检测精度。实验结果表明,AFSD-YOLOv7能够对钢材缺陷进行有效识别,相比YOLOv7模型,计算量减少了54.8%,mAP提高了3.2%,对于钢材表面缺陷检测具有实际应用价值。

改进GBS-YOLOv7t的钢材表面缺陷检测

针对钢材表面缺陷区域小目标居多,现有大部分方法无法均衡检测精度和速度的问题,提出一种基于YOLOv7-tiny的钢材表面缺陷检测算法(GBS-YOLOv7t)。该方法一是设计GAC-FPN网络,采用渐进和跨层的方式充分融合目标语义信息,以改善传统特征金字塔中存在限制信息流问题;二是嵌入双层路由注意力模块,使模型具备动态查询和感知稀疏性能力,以提高对小目标的检测精度;三是引入SIoU损失函数,提升模型训练和推理能力,增强网络鲁棒性。最后在公共数据集NEU-DET进行实验验证,mAP和精确度分别为72.9%和69.9%,相较于YOLOv7-tiny原模型分别提升4.2%和8.5%;FPS达到104.1帧,具有较强实时性;与其他检测算法相比,GBS-YOLOv7t算法对钢材表面区域小目标的检测更有效,实验表明改进后的算法能够更好地均衡检测精度和速度。

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 YOLOV7 的改进汽车零件缺陷检测算法

汽车零部件缺陷检测通常采用基于YOLOV7的深度学习模型,针对生产环境中计算资源受限的问题,提出了改进YOLOV7的汽车零部件表面缺陷检测算法,首先使用MobileNetV3模块替换YOLOV7骨干网络,其次将颈部网络替换为重复加权双向特征金字塔网络BiFPN和多路径高效设计BepC3模块,最后采用一种基于高斯Wasserstein距离的回归损失函数代替原有的损失函数。实验结果表明,该算法相较传统YOLOV7的AP50精度提高0.155,比YOLOx算法AP50精度提高0.139,在检测精度和效率方面综合表现优异。

基于改进YOLOv7的水工混凝土结构表观病害检测

针对水工混凝土结构表观病害尺度不均、分辨率低、背景干扰大,现有目标检测算法精度和效率较低的问题,提出了一种改进的YOLOv7检测模型,首先,在主干网络的三个特征输出层后加入CBAM注意力机制,从空间和通道两个维度强化网络对目标特征的关注度;其次,在颈部替换路径聚合网络(PANet)为加权双向特征金字塔网络(BiFPN),进一步融合了浅层的位置信息和深层的语义信息,有效改善了表观病害的检测效果,并替换CIoU为SIoU作为定位损失函数,提高了回归的精度;最后,采用生成对抗网络(GAN)等方式对数据集进行加强,并对检测效果进行可视化处理。试验结果表明,改进后的YOLOv7模型收敛更快,分类精度更高,mmAP值达到89.4%,较YOLOv7提高了3.2%,效果优于其他目标检测算法,实现了病害的实时检测。

基于优选YOLOv7模型的采摘机器人多姿态火龙果检测系统

为了检测复杂自然环境下多种生长姿态的火龙果,该研究基于优选YOLOv7模型提出一种多姿态火龙果检测方法,构建了能区分不同姿态火龙果的视觉系统。首先比较了不同模型的检测效果,并给出不同设备的建议模型。经测试,YOLOv7系列模型优于YOLOv4、YOLOv5和YOLOX的同量级模型。适用于移动设备的YOLOv7-tiny模型的检测准确率为83.6%,召回率为79.9%,平均精度均值(mean average precision,mAP)为88.3%,正视角和侧视角火龙果的分类准确率为80.4%,推理一张图像仅需1.8 ms,与YOLOv3-tiny、YOLOv4-tiny和YOLOX-tiny相比准确率分别提高了16.8、4.3和4.8个百分点,mAP分别提高了7.3、21和3.9个百分点,与EfficientDet、SSD、Faster-RCNN和CenterNet相比mAP分别提高了8.2、5.8、4.0和42.4个百分点。然后,该研究对不同光照条件下的火龙果进行检测,结果表明在强光、弱光、人工补光条件下均保持着较高的精度。最后将基于YOLOv7-tiny的火龙果检测模型部署到Jetson Xavier NX上并针对正视角火龙果进行了验证性采摘试验,结果表明检测系统的推理分类时间占完整采摘动作总时间的比例约为22.6%,正视角火龙果采摘成功率为90%,验证了基于优选YOLOv7的火龙果多姿态检测系统的性能。

一种改进Yolov7算法在验证码识别中的应用

针对Yolov7算法在验证码字符检测进行特征提取时,原始主干网络的某些局部信息在逐层提取时中经常会出现信息丢失等问题,提出了RDN-Yolov7算法。该算法借鉴了残差密集网络中提取多层特征的方式,实现了在深层网络中对各个层的不同特征进行提取和融合。为了验证算法的有效性,通过Python自动生成,以及从58同城、搜狐网站上爬取数据,生成3类各具特点的验证码数据集,同时与目前目标检测领域先进的RCN、VGG-16、SVM、ResNet、Yolov7算法进行对比。从实验结果来看,RDN-Yolov7算法的字符检测成功率达到98%以上,优于对比的几种算法,具有一定的实际应用价值。

复杂环境下黄花菜识别的YOLOv7-MOCA模型

黄花菜是极具营养价值和经济效益的一种农作物,深受人们喜爱。目前黄花菜采摘大都是人工采摘,采摘效率低、人工成本较高,在设计黄花菜自动采摘机器人的过程中,复杂环境下黄花菜的目标识别是实现智能化采摘的核心问题。该研究建立了包含12000幅黄花菜样本的数据库,比较了You Only Look Once(YOLOv7)、Faster Region Convolutional Neural Networks(Faster R-CNN)和Single Shot MultiBox Detector(SSD)三种模型的检测效果,提出一种基于改进YOLOv7目标检测算法的复杂环境下黄花菜识别的YOLOv7-MOCA模型,使用MobileOne网络作为主干特征提取网络,构建了一种轻量化网络模型,并在颈部网络中融合Coordinate Attention注意力机制改善对样本的检测效果。试验结果表明,YOLOv7-MOCA模型检测准确率为96.1%,召回率为96.6%,F1值为0.96,权重为10 MB,帧速率为58帧/s。较YOLOv7检测速度提高了26.1%,权重减少了86.7%,该研究所提出的YOLOv7-MOCA模型检测准确率等参数均大幅提升。该模型可以实现黄花菜的快速识别,模型权重小,识别速度快,为黄花菜智能化采摘设备研究提供技术支撑。

基于改进YOLOv7的织物疵点检测算法

为解决因织物疵点尺寸小、形状不规则而导致检测准确率较低等问题,提出一种基于YOLOv7的改进算法。首先设计一个新的聚合网络DR-SPD,该结构将DRes的动态感知能力和SPD的细节提取能力结合在一起,在保持动态区域视野的同时减少细粒度信息的丢失;针对织物背景对检测效果造成的影响,引入GAM注意力机制,提升模型的抗干扰能力,使其能聚焦于更为关键的语义信息;最后,在特征融合网络中加入3条横向跳跃路径以缩短深浅层之间信息传递的距离,减少细节特征的遗漏率。试验表明:改进后模型的mAP值达到95.63%,检测速度为51帧/s,综合性能优于其他主流模型。为验证在工业场景中的有效性,将改进模型部署到车间设备上进行测试,其mAP值达到94.85%,检测速度为43帧/s,可满足实际生产需求。