基于改进YOLOv7⁃tiny的画钟测验识别

画钟测验是筛查认知障碍人群的一种重要医学手段。针对目前画钟测验中存在目标尺度不同和类别不平衡的问题,提出一种基于改进YOLOv7⁃tiny的画钟测验识别算法。为改善尺度变化和小尺度目标检测带来的错检漏检问题,引入BiFPN双向特征金字塔结构,双向信息传递机制可有效融合不同层级特征,捕捉不同尺度特征中更丰富的上下文和细节信息。为提升类别不平衡指标的识别准确度,采用WDLoss损失函数计算损失提高小目标识别敏感性。此外还创建了一个基于认知障碍群体的画钟测验数据集,在此数据集上实验表明,改进后YOLOv7⁃tiny算法对画钟测验数据集所有类别的mAP为94.28%,相比于原YOLOv7⁃tiny模型提高了1.13%,不均衡类别中指针的AP提高了12.2%。

基于改进YOLOv7⁃tiny的户外行人检测算法研究

在行人检测的高密度交通场景中,检测算法通常会漏掉被遮挡和远处的模糊行人,同时无法兼顾检测的精度和速度。针对这些问题,基于YOLOv7⁃tiny提出一种改进的户外行人检测算法。该算法引入SENet注意力机制,抑制了不相关的信息,以此提高特征图表达信息的能力,同时增强了对行人目标特征的提取。为了更好地识别目标的边缘和重叠情况,提高回归精度,在损失函数中用SIoU代替CIoU,提升了遮挡情况下的检测率。根据在WiderPerson数据集上的实验,在保证检测速度的前提下,对比YOLOv7⁃tiny检测算法,平均检测精度提升了2个百分点。实验结果表明,经过改进的算法可以显著提高检测性能。

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。

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。

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。

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。

轻量化YOLOv7-tiny的水下压印字符识别

自动化水下字符识别技术能通过编号更高效地定位追踪水下设备,是管理和维护水下设备的关键。针对该任务目标区别较小和水下场景中干扰等问题,并考虑其检测速度需求,基于YOLOv7-tiny模型,提出一种轻量化的改进模型。首先采用MobileNetV3作为新的特征提取网络对整体框架进行轻量化处理;然后引入PConv至ELAN模块中,减少Neck层的计算量;最后将置换注意力机制应用至Head层,提升了模型对字符定位的表达能力。实验结果表明,改进后的模型相较于原模型的平均精度均值(mAP)提高了2.4%,参数量和计算量分别减少30.0%和38.5%,检测速度提升30.8%。改进后的模型在水下字符识别任务中具有更高的效率和精度,为推进并实现水下自动化识别编号设备的部署提供了可行性。

基于YOLOv7-Tiny的车牌及放大号检测研究

由于大型车辆的后车牌容易污损和遮挡,目前车牌号的识别对于这种情况有明显缺陷。提出将车牌放大号和车牌共同检测后再识别,提升车牌识别算法的适用性。本文基于YOLOv7-Tiny检测,算法先后采用更换主干网络和卷积模块实现模型轻量化,通过改进损失函数来提升精度。实验表明,在YOLOv7-Tiny更换Mobilenetv3主干网络、GSConv卷积核和Focal-EIoU后,实现模型体积下降35%,参数量下降37%,运算量下降58%,从而实现一种轻量化的模型。

基于改进YOLOv7-tiny的茶叶嫩芽分级识别方法

实现自然生长环境的茶叶嫩芽分级识别是名优茶智能化采摘的基础,针对光照、遮挡、密集等复杂环境造成的茶叶嫩芽识别精度较低、鲁棒性较差等问题,提出了一种基于YOLOv7-tiny的改进模型。首先在YOLOv7-tiny模型的小目标检测层添加卷积注意力模块,提高模型对小目标特征的关注能力,减少复杂环境对茶叶嫩芽识别的干扰;调整空间金字塔池化结构,降低模型运算成本,提高检测速度;使用交并比(Intersection over Union,IoU)和归一化Wasserstein距离(Normalized gaussian wasserstein distance,NWD)结合的损失函数,改善IoU机制对位置偏差敏感的问题,进一步提高模型对小目标检测的鲁棒性。结果表明,该模型的检测准确率为91.15%,召回率为88.54%,均值平均精度为92.66%,模型大小为12.4 MB,与原始模型相比,准确率、召回率、均值平均精度分别提高2.83、2.00、1.47个百分点,模型大小增加0.1 MB。与不同模型的对比试验表明,该模型在多个场景下的嫩芽分级检测中漏检和误检较少,置信度分数较高。改进后的模型可应用于名优茶采摘机器人的嫩芽分级识别。

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。

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FG-YOLOv7-tiny算法的耐张线夹X光图像压接缺陷检测

为保证输电线路的安全可靠运行,电力巡检的重要任务是耐张线夹压接缺陷检测。为此,提出了快速幽灵YOLOv7-tiny(faster neural networks ghost convolution-you only look once version 7-tiny,FG-YOLOv7-tiny)算法进行耐张线夹压接缺陷检测。首先,构建包含5类常见压接缺陷的耐张线夹X光图像数据集;其次,使用快速神经网络(faster neural networks,FasterNet)替代YOLOv7-tiny的高效聚合网络(efficient layer aggregation networks,ELAN)以减小模型大小;最后,使用幽灵空间金字塔池化交叉阶段部分连接网络(ghost spatial pyramid pooling cross stage partial connection networks,GhostSPPCSPC)替换YOLOv7-tiny使用的空间金字塔池化交叉阶段部分连接网络以提升检测精度。实验结果表明,FG-YOLOv7-tiny算法的精度、平均精度均值分别达到91.30%、94.28%,相比于原始YOLOv7-tiny算法分别提升了3.99%、1.59%;模型大小为22.25 MB;检测速度达到172.41帧/s,能满足实时检测的要求。因此,FG-YOLOv7-tiny算法提升了检测精度,可实现耐张线夹压接缺陷的有效检测,并满足边缘设备部署的要求。

基于改进YOLOv7⁃Tiny的高速公路入口两轮车辆闯入检测

近年来,浙江、福建等省区相继出台相关地方性法规,禁止两轮车辆(摩托车、电动车等)通行高速公路。针对高速公路入口工作人员难以实时检测到两轮车辆闯入的问题,提出一种改进YOLOv7⁃Tiny的两轮车辆闯入检测算法。首先,从VOC2005中提取摩托车图片并增补了带有入口背景的图片后形成新数据集;其次基于YOLOv7⁃tiny,引入ECA注意力机制,使模型更加聚焦训练摩托车相关目标特征。使用ssFPN网络,对小目标特征信息进行增强;采用基于动态非单调机制的WIoU损失函数,提高对于小物体检测的准确性;使用Adam优化器,提升回归过程的收敛速度和准确性。改进后的算法,mAP、Precision、Recall分别提高了2.63、4.01、13.92个百分点,F1提高0.10,表明该方法具有显著的有效性。

改进YOLOv7的复杂道路场景目标检测算法

虽然基于深度学习的目标检测算法在道路场景中的目标检测方面已经取得了很好的效果,但是对于复杂道路场景中的密集目标,远处的小尺度目标检测精度低,容易出现漏检误检的问题,提出一种改进YOLOv7的复杂道路场景目标检测算法。增加小目标检测层,增加对小目标的特征学习能力;采用K-means++重聚类先验框,使得先验框更贴合目标,增加网络对目标的定位精度;采用WIoU(Wise-IoU)损失函数,增加网络对普通质量锚框的关注度,提高网络对目标的定位能力;在颈部和检测头引入协调坐标卷积(CoordConv),使网络能够更好地感受特征图中的位置信息;提出P-ELAN结构对骨干网络进行轻量化处理,降低算法参数量和运算量。实验结果表明,该改进算法在华为SODA10M数据集下的mAP达到64.8%,比原算法提高2.6个百分点,模型参数量和运算量分别降低12%和7%,达到检测精度和检测速度的平衡。

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。

基于改进YOLOv7的苹果表面缺陷轻量化检测算法

针对如何提高苹果表面缺陷的检测速度和精度,解决模型内存占比大的问题,提出一种基于改进YOLOv7的苹果表面缺陷轻量化检测算法。首先引入GhostNetV2作为YOLOv7网络的backbone,有效降低了模型复杂度,提高了检测速度。并引入SimAM无参注意力机制,以强化不同深度的特征信息。使用双向加权特征金字塔结构BiFPN进行加权特征融合,进一步提升苹果表面缺陷的检测精度。最后采用ECIOU损失函数来计算边界框损失,进一步提高模型收敛速度和整体性能。结果表明,改进YOLOv7模型在苹果表面缺陷检测上mAP@0.5较原YOLOv7网络提高2.0百分点,准确率和召回率也分别提升了1.7、3.9百分点,模型减小20.8 MB,速度提升36.43帧/s。其综合性能也优于SSD、CenterNet等主流算法,可实现对苹果表面缺陷的快速准确诊断。

改进YOLOv7-tiny的目标检测轻量化模型

当前目标检测算法参数量大、计算复杂度高,难以部署在计算资源有限的边缘终端设备上,为此,提出一种改进的YOLOv7-tiny模型。引入ShuffleNet v1网络,改进后作为新的特征提取网络,增强对图像特征的提取,降低计算复杂度,获取更多丰富的语义信息,进一步提升检测精度;引入GSConv(鬼影混洗卷积)模块改进网络的Neck层,在降低参数量和计算量前提下,提升检测效果;采用Mish激活函数,增加非线性表达,提高模型的泛化能力。实验结果表明,改进后的模型与原模型相比,精度提高了3.3%,参数量和计算量分别下降了4.8%和13.7%,模型规模降低了8.7%。改进后的YOLOv7-tiny在保持较高的精度下,降低了模型的参数量和计算量,进一步提升了检测效果,为在边缘终端设备部署提供了可行性。

基于改进YOLOv7的遥感图像小目标检测方法

针对遥感图像中小目标数量众多且背景复杂所导致的识别精度低的问题,提出了一种改进的遥感图像小目标检测方法。该方法基于改进的YOLOv7网络模型,将双级路由注意力机制加入至下采样阶段以构建针对小目标的特征提取模块MP-ATT(max pooling-attention),使得模型更加关注小目标的特征,提高小目标检测精度。为了加强对小目标的细节感知能力,使用DCNv3(deformable convolution network v3)替换骨干网络中的二维卷积,以此构建新的层聚合模块ELAN-D。为网络设计新的小目标检测层以获取更精细的特征信息,从而提升模型的鲁棒性。同时使用MPDIoU(minimum point distance based IoU)替换原模型中的CIoU来优化损失函数,以适应遥感图像的尺度变化。实验表明,所提出的方法在DOTA-v1.0数据集上取得了良好效果,准确率、召回率和平均准确率(mean average precision,mAP)相比原模型分别提升了0.4、4.0、2.3个百分点,证明了该方法能够有效提升遥感图像中小目标的检测效果。

基于改进YOLOv7的矿井人员检测算法

矿井人员的实时检测是建设智慧矿山必不可少的内容,通过视频监测井下人员,从而实现危险区域预警及联动控制,对于矿井安全生产具有重要意义。现阶段可见光图像识别技术针对井下昏暗环境中人员的辨识还有待完善。针对井下光照不均、煤尘干扰严重导致监控视频存在噪声多、图像模糊等问题,提出一种改进YOLOv7的矿井人员检测算法。首先,针对ELAN模块直接拼接形成通道隔离的问题,提出基于通道重组与特征关注的复杂场景检测方式;其次,针对特征融合结果未侧重预期目标且模型缺乏针对性策略提升小目标检测性能,在颈部多尺度融合网络添加ACmix模块,兼顾全局特征和局部特征,提升了算法对小目标的检测能力;最后,引入Efficient IOU Loss提升算法收敛速度的同时减小目标框及先验框高度和宽度的差值,实现更加精准的定位。通过公开行人数据集及自建矿井人员检测数据集验证表明:该算法较YOLOv7模型相比,检测精度提升了3.1%,达到89.4%;召回率提升了3.8%,达到86.4%;速度提升了15.8%,达到68.8FPS;满足矿井人员实时检测的工作要求。

改进YOLOv7的城市小型无人机目标检测方法

针对“低小动”无人机的反制技术已成为低空空域安全防御的重要手段,然而实时检测与准确识别是实施有效反制的前提条件与关键基础。针对城市低空环境下,目标检测算法对不同背景下小尺度无人机目标检测精度低,容易出现漏检误检且易受外界因素干扰等问题,提出了一种基于改进YOLOv7的“低小动”无人机目标检测方法。首先采集大量不同环境、不同背景下的无人机样本构建数据集,并采用ViBe(visual background extractor)算法进行预处理;其次引入坐标注意力机制与SPDConv(space-to-depth convolution)模块改进和优化YOLOv7的网络结构;最后提出融合ViBe和改进YOLOv7的二级检测架构,将改进后的YOLOv7作为网络模型检测经ViBe处理后的图像。依据原图与处理图像的位置大小关系,将检测出的目标坐标映射回归至原图片,从而完成目标检测提取。实验结果表明,所提目标检测方法检测精度达96.5%,较原YOLOv7方法提高了15.8个百分点,显著提升了“低小动”目标的检测精度,能够满足低空无人机的实时精准检测的需求。