基于麻雀搜索算法改进的YOLOv7-ECA-SSA模型的车辆检测

为解决复杂背景下小目标车辆检测存在的误检、漏检等现象,创新性提出一种改进YOLOv7网络的目标检测算法。首先,为解决小目标车辆存在次要信息干扰问题,将高效通道注意力(ECA)机制融于YOLOv7模型的主干网络特征层,通过自适应学习来增强目标区域信息权重占比,抑制无关信息;其次,为解决神经网络检测模型训练的超参数随机经验设定性问题,将麻雀搜索算法(SSA)对检测模型训练超参数进行优化,通过内外双循环迭代方式,快速收敛出全局最优学习率,进而得到最优组的权重信息,最终提高小目标车辆检测精度。实验结果表明,基于结构优化、超参数优化的YOLOv7-ECA-SSA检测模型在BDD100K数据集上的检测精度为79.01%,比原始模型提高了5.38%,具备更好的小目标车辆检测性能。

基于轻量化YOLOv7算法的侧扫声纳图像沉船检测

针对现有的侧扫声纳图像水下沉船检测方法存在检测速度慢,传统的YOLOv5算法存在的漏检的问题,提出基于轻量化YOLOv7算法的水下沉船检测改进方法。首先,通过随机翻转、随机噪声等操作扩充沉船图像的样本数量;然后,引入迁移学习策略,将在COCO数据集上学习到的权重迁移到沉船检测的YOLOv7网络中;其次,改进模型损失函数中惩罚项的计算方式,提升收敛速度;最后在YOLOv7网络中引入FasterNet结构,减少模型的参数量和计算复杂度,降低模型对硬件的需求,达到轻量化模型的目的。实验结果表明,改进方法较原始YOLOv7算法在类平均精度值(mAP值)上提升了4.75%,检测速度也由原来的0.0218秒/帧提升到0.0179秒/帧,证明了改进方法的工程应用价值。

面向配电柜字符识别的YOLOv7-MSBP目标定位算法

通过机器视觉算法精确定位配电柜仪表的位置是实现仪表智能化识别的关键。针对配电柜背景复杂、字符尺度多样和相机像素低而导致的目标定位精度不高问题,提出一种面向配电柜字符识别的YOLOv7-MSBP目标定位算法。首先,设计Micro-branch检测分支,改进初始锚框铺设间隔,从而提高对小目标的检测精度。其次,引入双向特征金字塔网络(BiFPN)跨尺度融合不同层特征值,以改善因下采样造成的细节特征丢失、特征融合不充分的现象;同时,设计同步混合阈卷积注意力模块(Syn-CBAM),加权融合通道和空间注意力特征,以提升算法的特征提取能力;并且,在主干网络引入部分卷积(PConv)模块,以降低算法冗余和延迟,提高检测速度。最后,将YOLOv7-MSBP的定位结果送入Paddle OCR(Optical Character Recognition)模型识别字符。实验结果表明,YOLOv7-MSBP算法的平均精度均值(mAP)达到93.2%,与YOLOv7算法相比提高了4.3个百分点,可见所提算法能够快速准确定位识别配电柜字符,验证了所提算法的有效性。

改进YOLOv7的小目标检测算法研究

随着深度学习在国内目标检测的不断应用,常规的大、中目标检测已经取得惊人的进步,但由于卷积网络本身的局限性,针对小目标检测依然会出现漏检、误检的问题,以数据集Visdrone2019和数据集FloW-Img为例,对YOLOv7模型进行研究,在网络结构上对骨干网的ELAN模块进行改进,将Focal NeXt block加入到ELAN模块的长短梯度路径中融合来强化输出小目标的特征质量和提高输出特征包含的上下文信息含量,在头部网络引入RepLKDeXt模块,该模块不仅可以取代SPPCSPC模块来简化模型整体结构还可以利用多通道、大卷积核和Cat操作来优化ELAN-H结构,最后引入SIOU损失函数取代CIOU函数以此提高该模型的鲁棒性。结果表明改进后的YOLOv7模型参数量减少计算复杂性降低并在小目标密度高的Visdrone 2019数据集上的检测性能近似不变,在小目标稀疏的FloW-Img数据集上涨幅9.05个百分点,进一步简化了模型并增加了模型的适用范围。

基于改进YOLOv7的手套佩戴检测算法

维修培训人员在进行培训时需要佩戴手套对飞机进行维修工作,若未佩戴手套进行操作,可能会出现安全问题。针对机务维修培训中,传统人工对培训人员是否佩戴手套的检测效率低下、容易漏检和误检,无法保障培训人员在培训过程中的安全问题,提出了基于改进YOLOv7的检测方法。在YOLOv7中引入SPDconv模块,提高模型针对小目标和低分辨率图片的检测性能。同时,在模型的Backbone中加入CBAM注意力机制,以提高模型的精度。改进后的YOLOv7手套佩戴检测算法平均精度均值达到86.5%,相较于原本的YOLOv7算法,精度提高了4.3%。实验表明,改进后的算法能有效地检测出维修培训人员的手套佩戴情况。

基于通道剪枝的YOLOv7-tiny输电线路异物检测算法

针对输电线路异物检测精度不佳且模型庞大的问题,提出了基于通道剪枝的改进YOLOv7-tiny算法用于输电线路异物检测。用ReXNet网络替代了YOLOv7-tiny的骨干网络改进原网络的特征瓶颈问题。引入了多样化分支块从而增加网络特征融合能力,通过基于层自适应幅度的修剪(LAMP)剪枝方案损失一定精度换取模型体积、运算量的降低,为下一步部署到嵌入式设备做好准备。实验结果表明,最终的改进模型相对于YOLOv7-tiny模型精度上提升3个百分点,FPS提升原来的119.4%,模型大小压缩到原来的14%。

基于改进YOLOv7的SAR图像舰船目标检测算法

针对SAR舰船数据集小物体在图像中像素占比小、物体识别不清、检测效率低等问题,提出一种改进YOLOv7的SAR舰船目标检测算法STSD-YOLO。首先,根据SAR图像特点,重新设计网络结构,改变多尺度特征融合与特征提取的关系,解决下采样次数过多而丢失细节特征的问题;然后,使用轻量型注意力机制Shuffle Attention,在空间域与通道域注意力机制基础上,融合特征分组与通道置换,提升网络特征提取能力,降低计算复杂度;其次,引入卷积变体DSConv,通过在可变量化内核中仅储存整数来实现减少计算量;最后,加入NWD度量,将边界框建模为2D高斯分布,以衡量小物体的边界框之间的相似性来增强对小物体的检测性能。使用HRSID舰船数据集进行了实验验证,结果表明,相较于基准算法,所提STSD-YOLO算法在舰船检测任务中mAP提升9.9%,模型体积下降62.55%。通过对比实验验证,所提改进算法对比其余主流算法检测效果更优,能有效解决SAR图像检测的问题,可以胜任SAR图像中的舰船检测任务。

基于改进YOLOv7的湖面漂浮物目标检测算法

为提高湖面多种类和小体积的漂浮垃圾检测识别的准确度与推理检测速度,结合湖面垃圾漂浮物的图像特征,采用半结构化剪枝技术创建X-Toss剪枝框架,并基于YOLOv7目标检测模型,提出一种轻量化湖面漂浮物实时检测方法C-X-YOLOv7。X-Toss剪枝框架使用DFS算法生成父子卷积核计算图,利用特定的内核模式剪枝卷积核,降低迭代剪枝的计算成本。融合CA注意力机制对模型进行加权,减少模型过拟合现象,提高模型准确性和泛化能力。结果表明:对湖面垃圾检测识别,C-X-YOLOv7模型识别准确率为91.7%,召回率为91.2%,与YOLOv7模型对比分别提升2.6%、2.5%;推理加速度上,X-Toss剪枝框架在RTX 2080 Ti与NVIDIA Jetson TX2上分别实现YOLOv7的1.98×和2.17×的加速比,相较于PD、NMS、NS等剪枝框架,X-Toss的推理加速比和能耗均有提升。研究表明C-X-YOLOv7湖面漂浮物检测方法为湖面垃圾检测识别提供了一种新思路。

改进YOLOv7算法的排水管道缺陷检测与几何表征

定期检查排水管道可以及时发现严重缺陷,对保证排水系统健康运行和城市环境安全具有重要意义。针对排水管道低照度和低分辨率检测困难现状,提出一种改进YOLOv7算法的排水管道缺陷检测与几何表征方法。首先,利用对比度受限自适应直方图均衡化图像增强技术,改善图像的对比度和细节,以提高检测网络对排水管道缺陷的捕获能力;其次,基于设计的Drop-CA和MC模块改进YOLOv7算法,使网络获得浅层缺陷的语义信息并降低误检率,提高模型的分类和定位能力;最后,针对裂缝和断裂2种严重缺陷,设计了一种定量描述该缺陷的几何特征方法来评估缺陷的大小。实验结果表明,改进的网络模型最终平均精度达到93.3%,检测速度达到42.9 f/s。该方法有效提升排水管道缺陷检测和分类精度,且可以有效表征缺陷的几何特征。

基于YOLOv7-tiny改进的交通标志小目标实时检测算法

在自然环境下精确实时地检测交通标志小目标对自动驾驶和智慧交通有着重要意义,然而现有算法难以平衡速度与精度的问题。基于YOLOv7-tiny算法,提出了一种改进YOLOv7-tiny的交通标志小目标实时检测算法,即YOLO-T算法。采用条件参数化卷积(CondConv)结构,提升了骨干网络的特征提取能力。为增强对小目标的定位准确度并保证检测速度,设计了TinyFPN特征融合网络结构和ELAN-P网络聚合层。为了验证YOLO-T算法的有效性,在TT100K数据集上做了消融实验和对比实验。实验结果表明,在训练样本及训练设备参数相同的情况下,YOLO-T比YOLOv7-tiny算法的均值平均精度(mAP)提升了16.8%,并且单张图片的检测时间仅10.2 ms。可见,所提的YOLO-T算法能够平衡交通标志小目标的检测速度与精度。

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。

基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测

为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized Self-Attention),将提取到的特征进行复杂双向多尺度特征融合,建立了适合多种类不均衡样本的水稻害虫检测模型。结果表明,在加入迁移学习和多尺度训练的条件下,改进后的YOLOv7-tiny检测算法在自建水稻害虫数据集的平均检测精度达到96.4%,单张图片的检测时间为8.8 ms,模型大小为9 055 kb,可实现对田间水稻害虫的快速准确识别,为水稻害虫的智能化检测和防治提供了技术支持。

基于YOLOv7-Tiny算法的无人机实时跟踪野生动物方法

借助无人机边缘计算技术监测野生动物的运动状态和种群发展变化已成为科研工作者广泛使用的技术手段。传统跟踪算法算力高,机载边缘设备硬件资源算力不足,在户外复杂的自然环境下难以实现实时跟踪。为解决野外环境中无人机跟踪野生动物时遇到树木遮挡和背景干扰导致无法准确实时跟踪的问题,选取东北地区东北虎(Panthera tigris altaica)、狍(Capreolus pygargus mantschuricus)和驯鹿(Rangifer tarandus phylarchus)为研究对象,以YOLOv7-Tiny+Bot-SORT作为检测跟踪的基础框架,提出了一种轻量化的无人机跟踪算法。首先,采用FasterNet网络减少模型冗余计算,增强特征图中目标区域关注度;其次,采用高效通道注意力机制实现局部跨通道交流,降低复杂环境对检测网络的影响,提升网络检测能力;最后,为降低计算成本,替换重识别网络,提高无人机跟踪速度。结果显示:提出的实时跟踪方法准确度(MOTA)和精确度(MOTP)分别达到79.93%和73.48%,跟踪速度从3.4帧/s提升到43.4帧/s。研究表明,提出的算法不仅在提升跟踪精度和速度方面表现出色,而且更适用于算力有限的边缘设备,为保护野生动物的多样性和群体行为研究提供了强大的技术支持。

基于YOLOv7和图像分块的车道线破损检测算法

提出了一种结合YOLOv7和图像分块的车道线破损检测方法。首先,利用YOLOv7模型检测并提取车道线区域。其次,运用Otsu法计算每个子块的阈值及子块背景区域和目标区域的灰度均值差值,以此实现二值化。然后,采用双线性插值法平滑图像,实现车道线分割,并利用拓扑结构分析法提取车道线轮廓。最后,设计了像素统计、直线拟合、割断检测3种方法判断车道线是否破损。实验结果表明:在不同场景下,该算法在破损车道线检测中的精确率为91.79%,具有较好的检测效果和一定的应用价值。

YOLOv7的实时遥感图像舰船目标旋转检测算法分析

阐述一种用于检测遥感图像中带有旋转角度舰船的YOLOv7算法,在YOLOv7的基础上加入角度分量信息检测舰船旋转角度,在特征提取部分加入NAM注意力模块以保证不损失速度的前提下提高对大尺度遥感图像中检测目标的准确度。探讨在异构AI计算环境中,通过自建遥感舰船图像数据集,完成训练和推理验证。

面向智慧养老的改进YOLOv7人脸识别算法

针对目前社会老龄化趋势,为适应养老领域发展需求,提出面向智慧养老的改进YOLOv7人脸识别算法。首先,提出多尺度信息输入模块,提取图像的全局信息,提高信息利用率;其次,总结归纳老年人脸特征,提出全局自适应特征提取模块,结合注意力机制改进主干网络和检测头;最后,通过迁移学习方法训练网络,并加入多项式损失策略分配特征权重,同时不断调试参数来提高网络识别能力。实验结果表明,所提网络在老年人脸数据上的精度和召回率分别为95.26%和91.57%,并且相比于原YOLOv7的网络参数量下降了5.4%。

基于改进YOLOv7的安全头盔检测算法

针对原YOLOv7模型在工地作业场所检测安全头盔是否佩戴容易出现漏检误检的问题,提出了一种改进的YOLOv7安全头盔目标检测算法。在原模型的主干中加入GAM注意力模块,提高目标有效特征的利用率,减少无用响应特征,达到增强网络提取目标有效特征的能力。实验数据表明,使用了改进后的模型在自制数据集中,检测安全头盔的mAP提升了0.9%,召回率提升了1.3%。该研究对于安全头盔检测的应用提供了一定的参考价值。

基于改进YOLOv7的结构光条纹图像一致性交互目标定位算法

受结构光条纹图像自身特点的影响,在设计图像一致性交互目标定位算法时,很容易出现定位失败或者定位精度过低等情况,导致算法的定位效果不佳。为了解决这一问题,提出了一种基于改进YOLOv7的结构光条纹图像一致性交互目标定位算法。利用相关设备获取大量的结构光条纹图像,并计算图像中不同类型信息的参数,剔除图像中的噪声,再提取图像中的相位信息。通过引入注意力机制,对YOLOv7算法进行改进,设定相应的损失函数得到最终的定位结果,完成对结构光条纹图像一致性交互目标定位算法的设计。在实验测试中,新算法在实际应用中交并比较高,定位效果较好。

基于改进YOLOv7算法的井场作业安全检测方法研究

针对油井场作业中因监管效率低下导致的安全事故问题,提出了一种改进的YOLOv7算法来检测井场作业人员不安全行为。首先,将YOLOv7模型颈部中的原金字塔池化模块替换为空洞空间金字塔池化(ASPP)模块,ASPP采用多个并行的空洞卷积分支,每个分支具有不同的采样率,从而获得不同尺度的感受野,提高了模型对多尺度特征信息的捕获能力;其次将YOLOv7模型检测头中的普通卷积替换为全维度动态卷积,从4个维度来学习卷积核内部的注意力值,从而获得全维度的卷积核权重,增强了模型对关键特征的关注度。最后,与原YOLOv7模型进行实验对比。结果表明,改进后的模型平均精度均值提高了5.58%。与其他目标检测模型相比,检测性能有显著提升。

基于YOLOV7蒸馏模型的道路缺陷检测算法研究

介绍一种基于YOLOV7蒸馏模型的自动化道路缺陷检测算法,该算法兼具目标检测精度高及速度快的优势。首先,利用YOLOV7模型对大量道路缺陷图片进行训练构造任务损失;其次,利用知识蒸馏机制构造蒸馏损失;最后,将上述损失整合指导模型进行训练。