基于改进YOLOv7-Tiny的车辆检测研究

为了提高计算机识别检测车辆的准确度与速度,提出了一种基于改进YOLOv7-Tiny的车辆检测算法。在众多目标检测模型中,YOLOv7有着非常快的检测速度和较高的检测精度,非常适用于实时检测任务。在原YOLOv7-Tiny模型的基础上进行改进,将最浅层ELAN-T模块纳入特征金字塔,通过跳跃连接的方式将浅层特征与深层特征跨层融合,使输出的特征信息更加丰富。同时引入SE注意力机制,将计算资源分配给对当前任务更为关键的信息。并且更换了非线性激活函数HardSwish,以提高模型的表达能力。在华为发布的2D自动驾驶数据集SODA10M上进行实验,结果表明,改进后的模型对所有四种目标的检测精度都有所提高,平均精度mAP@0.5达到了66.1%,比原YOLOv7-Tiny模型61.0%提升了5.1%。

基于改进YOLOv7-Tiny的变电设备红外图像识别

针对复杂背景下变电设备红外图像目标识别精度不高、识别速度慢的问题,本文提出一种基于改进YOLOv7-Tiny的变电设备红外图像识别算法。首先,引入轻量级瓶颈结构GhostNetV2 BottleNeck替换部分CBS模块构建轻量级高效聚合网络L-ELAN(Lightweight-EfficientLayerAggregation Network),同时在特征提取阶段嵌入CA(CoordinateAttention)注意力机制,在降低网络参数量的同时加强网络对目标关键特征的提取,提升检测精度;将网络坐标损失函数替换为SIoU Loss,以提升锚框定位精度和网络收敛速度;在变电设备红外数据集上进行测试,结果表明,改进后网络的精确率达到96.28%,检测速率达到26.42 frame/s,模型大小降低至7.82 M。与YOLOv7-Tiny原算法相比较,本文算法在提升识别精度的同时将检测速率提升21.69%,模型大小减少36.89%,可以满足变电站设备的精准实时识别要求,为后续的变电站设备故障诊断奠定基础。

基于改进YOLOv7的变电站设备红外图像识别

高效快速地识别变电站设备是变电站安全状态检测中至关重要的一个环节。针对变电站场景复杂且目标设备尺度不同的特点,在YOLOv7的基础上引入PSA模块,实现局部和全局通道之间的信息交互,提高模型对不同尺度设备的识别精度。再结合PConv和GSConv,建立轻量化网络,在确保模型精度的同时提升检测速度。使用Dyhead将3个感知嵌入一个目标检测头中,提升了目标的检测能力。构建变电站设备红外图像数据集,并进行训练、测试和验证,与原来的YOLOv7算法对比,准确率提升了3%,模型减小了10%,满足高效快速识别变电设备的要求,为后续变电设备故障诊断提供了基础。

基于改进YOLOv7-tiny的带钢表面缺陷检测算法

针对带钢表面缺陷检测任务存在的小目标检测效率低、缺陷定位不准确、检测算法参数量大、难以部署在终端设备上等问题,提出一种改进的YOLOv7-tiny检测算法。首先,使用GSConv替换颈部网络中的标准卷积,基于GSConv设计一种改进的高效聚合网络(ELAN-G),保证带钢表面缺陷特征信息被充分融合同时降低算法的参数量;其次,在预测头和颈部网络之间增加针对低分辨率和小缺陷的SPDConv模块,模块生成一个中间特征图,通过对中间特征图中的小缺陷特征信息进行过滤学习得到最终特征图,以此提高预测头对小缺陷的检测精度;最后,引入MPDIoU损失函数,合理利用边界回归框的几何性质,简化损失函数计算过程并提高缺陷定位精度。实验结果表明,在NEU-DET数据集上,改进算法比其他6种先进目标检测算法效果更好,性能更均衡,其平均精度均值(mAP)可达74.1%,且参数量和计算量低于所有对比算法,可应用于工业环境中的带钢表面缺陷检测系统。

基于改进的YOLOv7小目标检测算法

为提高小目标的检测精度,提出一种基于改进的YOLOv7的目标检测算法(SM-YOLOv7)。使用Swin Transformer(STR)模块替换主干特征提取网络中的E-ELEN模块,将SPPCSPC网络改进为SPPCSPF网络,在预测部分增加小目标检测头,设计MPC3模块避免网络定位空间信息丢失。通过NWD代替YOLOv7网络模型中的CIoU损失函数,输出端采用SE-Net注意力机制。在Okahublot公开的FloW-Img数据集上验证,实验结果表明,SM-YOLOv7平均精度均值mAP为84.8%,相比基线YOLOv7网络模型提升了6.6%,检测性能优于原网络模型与传统经典目标检测网络模型。

基于改进YOLOv7-tiny的PCB表面缺陷检测

实现实时印刷电路板(Printed Circuit Board, PCB)表面缺陷检测是提高PCB制作工艺流程智能化的基础,针对原始PCB检测方法耗时长、精度低、不易移动的问题,提出了一种基于YOLOv7-tiny的改进模型。将YOLOv7-tiny中的SiLU激活函数替换为ELU函数,引入集中综合卷积模块(C3模块),将深度可分离卷积与C3相结合,构成集中综合深度可分离模块,并添加卷积块注意模块。经实验,改进后的模型在检测准确性、召回率以及均值平均精度上都表现出色,相较于原模型大小下降了2.8 MB。与其他主流的目标检测方案对比,也表现出较好的检测效果。改进后的YOLOv7-tiny能够保持更高的准确性,同时还减少了模型的内存需求,这为PCB缺陷的实时检测以及边缘部署提供了新的可能性。

基于改进YOLOv7的磁瓦表面缺陷识别

针对传统视觉检测磁瓦表面缺陷精度低的问题,提出一种改进的YOLOv7磁瓦表面缺陷识别方法。首先,结合图像处理技术对有限的缺陷图像数据进行数据增强处理,制作了磁瓦表面缺陷数据集;其次,采用WIoU替换原YOLOv7模型中的CIoU,提升对普通质量锚框的关注度,同时在模型主干部分添加全局注意力模块GAM,使得模型在多个维度上对图像重要特征进行捕捉,提高检测精度;然后,通过使用部分卷积PConv减少改进后的模型参数量和计算量;最后,通过实验对比分析,表明改进后的模型相较于原模型的平均精度提升了4%、召回率提升了10.4%,单张图像处理时间为52.6 ms;同时与目前几种主流的算法进行比较,发现改进后的YOLOv7模型效果更佳,对磁瓦表面缺陷检测具有较大的应用价值。

基于改进YOLOv7的微生物细胞识别算法

针对传统及人工方法识别多种类、大量微生物细胞存在耗时长、准确率低等问题,文中提出一种改进YOLOv7的微生物细胞识别算法YOLOv7-PN。通过引入改进的路径聚合网络(PANet)提取和融合不同尺度的特征,以捕捉细胞图像中的多尺度信息,从而提高细胞的检测精度和鲁棒性;在骨干网络添加注意力模块(NAM),能够自适应地学习每个通道的权重,提高细胞的特征表示能力;将传统的IoU边界框损失函数替换为DIoU_Loss,以考虑边界框之间的距离和重叠程度,能够更准确地衡量检测框的精度,从而提高细胞的定位准确性。实验结果表明,使用BCCD数据集进行评估时,文中算法在微生物细胞识别任务中取得了显著的提升,与基准算法YOLOv7相比,YOLOv7-PN的Precision值提高了1.46%、F_(1)值提高了2.61%、Accuracy值提高了0.86%。实验结果验证了该算法的有效性和性能优势,为微生物学研究和医学诊断等领域的微生物细胞分析提供了有力支持。

基于CBAM改进YOLOv7的电力设备红外图像分类检测

针对复杂环境下电力设备红外图像的深度学习目标检测数据繁杂、检测精度较低等问题,本文提出一种基于卷积块注意模块(Convolutional Block Attention Module,CBAM)改进YOLOv7的电力设备红外图像分类算法。首先将已有数据集进行标注,并按一定比例划分成训练集、验证集以及测试集,然后在YOLOv7的主干网络中引入CBAM,使模型能对感兴趣的区域进行强调并抑制无用信息,其次将划分好的数据集放入改进后的YOLOv7进行模型训练,同时对比了6种改进的YOLOv5s模型。实验结果表明,在相同实验条件下改进YOLOv7模型优于YOLOv7模型、YOLOv5s模型和基于YOLOv5s的6种注意力模型。改进YOLOv7性能有明显提升,可实现快速、精准的红外图像分类。

基于改进YOLOv7的棉田虫害检测

棉田虫害的快速检测与准确识别是预防棉田虫害、提高棉花品质的重要前提。针对真实棉田环境下昆虫相似度高、背景干扰严重的问题,该研究提出一种ECSF-YOLOv7棉田虫害检测模型。首先,采用EfficientFormerV2作为特征提取网络,以加强网络的特征提取能力并减少模型参数量;同时,将卷积注意力模块(convolution block attention module,CBAM)嵌入到模型的主干输出端,以增强模型对小目标的特征提取能力并削弱背景干扰;其次,使用GSConv卷积搭建Slim-Neck颈部网络结构,在减少模型参数量的同时保持模型的识别精度;最后,采用Focal-EIOU(focal and efficient IOU loss,Focal-EIOU)作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进的ECSF-YOLOv7模型在棉田虫害测试集上的平均精度均值(mean average precision,mAP)为95.71%,检测速度为69.47帧/s。与主流的目标检测模型YOLOv7、SSD、YOLOv5l和YOLOX-m相比,ECSF-YOLOv7模型的mAP分别高出1.43、9.08、1.94、1.52个百分点,并且改进模型具有参数量更小、检测速度更快的优势,可为棉田虫害快速准确检测提供技术支持。

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的油茶果实成熟度检测

为确保油茶果实处于最佳成熟度进行采摘,提高油茶果实的出油率及茶油品质,该研究针对自然环境下油茶果实多被遮挡的问题,以原始YOLOv7模型为基础进行改进,提出一种油茶果实成熟度检测方法。首先,在主干网络中引入十字交叉注意力机制(criss-cross attention,CCA)加强对被枝叶遮挡果实成熟度特征的提取能力;其次,使用基于距离和交并比的非极大值抑制(distance-iou non-maximum suppression,DIoU-NMS)算法代替传统非极大值抑制(nonmaximum suppression,NMS)算法,从而加强模型对相互遮挡果实的检测能力;最后,以训练集中3 098张油茶果实图像训练改进的YOLOv7模型,验证集中442张图像用于在训练过程中评估模型,并对测试集中885张图像进行测试。改进后的YOLOv7模型在测试集下的精确率P为93.52%,召回率R为90.25%,F1分数为91.86%,平均精度均值mAP为94.60%,平均检测时间为0.77 s,模型权重大小为82.6 M。与Faster R-CNN、EfficientDet、YOLOv3、YOLOv5l和原始YOLOv7模型相比,平均精度均值mAP分别提升7.51、5.89、4.21、4.21和2.91个百分点。试验证明,改进的YOLOv7模型为实现油茶果实的智能化采摘提供理论依据。

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。

IDD-YOLOv7:一种用于输电线路绝缘子多缺陷的轻量化检测方法

YOLO目标检测算法是当前基于图像的输电线路绝缘子缺陷检测的主流方法,然而现有模型复杂度较大,亟需合理有效的参数压缩方法作为前提条件,来为解决无人机边缘设备部署的困境问题奠定基础;同时,无人机航拍的绝缘子缺陷图像背景复杂、缺陷尺寸较小,容易出现误检、漏检等问题。为此,提出了一种用于输电线路绝缘子多缺陷检测的Insulator Defect Detection-YOLOv7(IDD-YOLOv7)模型,以降低模型复杂度,提高模型鲁棒性。首先,在多尺度特征融合的过程中加入坐标注意力(Coordinate Attention)机制,抑制复杂背景的干扰,提升模型对小目标的全局感知能力;之后,设计C3GhostNetV2模块,用于捕获不同空间像素之间的远程依赖性,在增强模型表达能力的同时降低模型的参数量和浮点运算量;最后,提出Focal-CIoU损失函数,提高模型高质量anchor的贡献,加快模型的收敛速度。实验结果表明,本文方法与基线模型相比mAP^(50)提升了3.8%,查准率和召回率分别提升了1.7%和7.6%,参数量和浮点运算量分别下降了18.3%和14.0%,绝缘子自爆、破损、闪络缺陷的AP^(50)分别提升了0.8%、4.5%、6.3%。

基于改进YOLOv7-tiny的高空作业人员安防装备检测算法

针对现有高空作业人员安防装备检测算法参数量较大且检测目标相对单一,难以适应复杂的高空作业场景等问题,提出一种基于改进YOLOv7-tiny的高空作业人员安防装备检测算法。首先,将主干网络重新设计为更轻量的YOLOv7-FasterNet,并调整空间金字塔池化结构,实现模型参数量的压缩;其次,在ELAN-L模块中扩展梯度传输路径的分支,解决了模型压缩造成的通道信息缺失问题,提升了特征信息的提取能力;最后,将网络中下采样部分替换为Involution模块,降低参数冗余,增强网络对全局的捕获能力。实验结果表明,改进的YOLOv7-tiny算法能够更好地适应复杂高空作业场景,在开源数据集上具备良好的性能。该算法的平均检测精度达到94.7%,较原模型提升1.5%,参数量较原模型下降11.6%,实验结果验证了算法改进措施的有效性。

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。

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。

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的矿工吸烟识别方法研究

井下矿工的吸烟行为严重影响煤矿生产安全,对井下矿工吸烟行为的有效识别迫在眉睫。针对煤矿井下的特殊环境和传统识别方法准确率低的问题,提出一种基于YOLOv7的矿工吸烟行为识别算法YOLO-SFN。将SimAM嵌入到YOLOv7的网络结构中,用Focus模块替换MPConv下分支中的3×3卷积核,提高模型在复杂背景下的特征提取能力。在后处理阶段采用Soft-NMS作为网络模型的后处理算法,解决了传统NMS算法在复杂密集环境中的漏检问题。实验结果表明,该方法的准确率为96.45%,召回率为92%,精确率为97.05%。研究成果已经在陈四楼煤矿得以推广应用,实现了对煤矿井下矿工吸烟行为的有效监管。