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。

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。

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YOLOv7通道冗余改进的飞机蒙皮损伤检测

为提高蒙皮损伤检测的自动化程度,提出一种基于改进YOLOv7通道冗余的机器视觉检测方法。首先针对飞机蒙皮损伤数据集背景单一的特点,提出增强型颈部特征融合改进算法,提高了飞机蒙皮损伤的识别精度和检测速度;其次针对主干特征提取网络的卷积通道冗余的问题,引入部分卷积PConv(Partial convolution),提出主干特征提取网络轻量化,减少模型的参数量,同时提高损伤的识别效率。试验部分首先在飞机蒙皮损伤数据集上探索了不同增强型颈部特征融合改进算法,确定了最优的改进方案;接着在飞机蒙皮损伤数据集上做消融和对比试验,改进算法与原YOLOv7算法比较,mAP(Mean average precision)提升了2.3%,FPS(Frames per second)提升了22.1 f/s,模型参数量降低了34.13%;最后将改进的YOLOv7模型与主流目标检测模型对比,证明了改进算法的先进性。

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。

基于ViT-改进YOLOv7的稻田杂草识别

为解决光线遮蔽、藻萍干扰以及稻叶尖形状相似等复杂环境导致稻田杂草识别效果不理想问题,该研究提出一种基于组合深度学习的杂草识别方法。引入MSRCP(multi-scale retinex with color preservation)对图像进行增强,以提高图像亮度及对比度;加入ViT分类网络去除干扰背景,以提高模型在复杂环境下对小目标杂草的识别性能。在YOLOv7模型中主干特征提取网络替换为GhostNet网络,并引入CA注意力机制,以增强主干特征提取网络对杂草特征提取能力及简化模型参数计算量。消融试验表明:改进后的YOLOv7模型平均精度均值为88.2%,较原YOLOv7模型提高了3.3个百分点,参数量减少10.43 M,计算量减少66.54×109次/s。识别前先经过MSRCP图像增强后,与原模型相比,改进YOLOv7模型的平均精度均值提高了2.6个百分点,光线遮蔽、藻萍干扰以及稻叶尖形状相似的复杂环境下平均精度均值分别提高5.3、3.6、3.1个百分点,加入ViT分类网络后,较原模型平均精度均值整体提升了4.4个百分点,光线遮蔽、藻萍干扰一级稻叶尖形状相似的复杂环境下的平均精度均值较原模型整体提升了6.2、6.1、5.7个百分点。ViT-改进YOLOv7模型的平均精度均值为92.6%,相比于YOLOv5s、YOLOXs、MobilenetV3-YOLOv7、YOLOv8和改进YOLOv7分别提高了11.6、10.1、5.0、4.2、4.4个百分点。研究结果可为稻田复杂环境的杂草精准识别提供支撑。

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。

基于改进YOLOv7的自动驾驶目标检测方法

针对自动驾驶场景下,车辆目标密集、相互遮挡和目标过小导致的误检、漏检问题,提出一种改进YOLOv7的车辆目标检测算法。在主干网络SPPCSPC后加入ACmix混合注意力机制,充分挖掘特征信息,增强网络对车辆信息的关注度,减少其他目标的干扰,提高检测精度;在Neck端中加入Swin Transformer,收集全局信息;添加160×160尺寸目标检测头,以增加锚点的数量和密度,提高网络对小目标的感知能力;最后利用Soft-NMS柔性非极大值抑制剔除冗余候选框,改善漏检能力。通过实验验证了改进的可行性并与五种主流网络进行了对比,平均精度达到91.5%,与基础网络YOLOv7相比,平均精度提高7.1%,运行速度达到105 FPS,证明了改进方法的有效性。

改进YOLOv7的遥感图像小目标检测

针对在遥感图像中进行小目标检测时,由于目标尺寸小、视觉信息不明显以及背景复杂多变等因素,导致传统的检测方法在精度和鲁棒性方面存在局限性,容易造成漏检、误检的问题,文章提出了一种改进YOLOv7的目标检测算法,采用SIoU作为损失函数,改善目标检测框的定位精度,从而提高检测的准确性和鲁棒性。同时,通过将CNeB模块应用于特征融合过程,增强了特征之间的空间交互能力,进一步提升了小目标的检测性能。此外,为了更好地捕捉遥感图像中小目标的细节特征,利用CA注意力机制,设计了MPCA模块,实现了对特征图的自适应调整,以提高表征能力。在实验部分,使用了经典的遥感图像数据集进行了大量的实验评估。实验结果表明,所提出的基于SIoU、CNeB模块和CA注意力机制的改进方法在RSOD数据集上四分类均值平均精度达到了96.8%,比原版YOLOv7提升了2.5%,有效提高了遥感图像小目标检测精度。

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。

基于改进YOLOv7x的车型识别算法

为提高车型识别精度并改善误检问题,本文提出了一种改进YOLOv7x的车型识别算法.首先,对BIT-Vehicle数据集进行提取并人为划分,使数据集符合模型要求;其次,将CBAM(Convolutional block attention module)注意力机制加入backbone网络中,在模型参数增幅较小的情况下,提升主干网络的特征提取能力;最后,引入SIoU损失函数,利用predict box和groundtruth box之间的向量角度,重新定义了损失函数,提高了模型检测的mAP0.5(mean Average Precision,IoU=0.5)与准确率.实验结果表明,改进YOLOv7x算法整体识别结果优于YOLOv7x算法,改进YOLOv7x算法的mAP0.5和准确率分别为98.4%和97.4%,分别提高了0.5%和1.1%,具有更优的精度和更低的误检率,较好地满足了车型识别的需求.

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。

改进YOLOv7-tiny的轻量化大型铸件焊缝缺陷检测

针对目前焊缝缺陷数据集少,检测环境恶劣,人为识别困难等问题,提出了一种改进的YOLOv7-tiny算法。由于检测物体缺陷形状不规则,采用可变形卷积能够学习到更加丰富的特征信息和感知到物体的细节信息,增强了模型的表达能力和泛化能力;为了在提高焊缝缺陷检测速度的同时,不降低准确率,满足工厂实时性的要求,提出了一种融合轻量化卷积和注意力机制的ELAN-PCS网络结构;为了解决中小目标检测困难,很容易出现漏检的情况,引入了通道注意力机制。实验结果表明,与原YOLOv7-tiny相比,改进模型在大型铸件焊缝缺陷数据集上mAP(0.5)提升1.8%、mAP(0.5~0.95)提升6.8%,模型参数量下降1.9 M。

一种基于改进YOLOv7的相机标定特征点检测方法

在基于视觉方法的军事目标检测等技术中,相机的精确标定是进行目标高精度测量的前提,同时也是开展后续图像处理、目标跟踪、三维重建的基础。相机标定的关键在于准确的检测图像中的标定特征点。以当前使用范围较广的棋盘格标定法为对象,针对受干扰(模糊、重噪声、极端姿态和大镜头失真)的标定图像难以进行特征点提取的问题,提出一种融合改进YOLOv7-tiny深度学习网络和Harris角点检测的相机标定特征点检测算法。针对原始网络在相机标定特征区域检测中的各种问题,引入Gather-and-Distribute信息聚合分发机制替换YOLOv7-tiny的加强特征提取网络(FPN)部分,提高不同层之间特征融合的能力;在主干特征提取部分后加入Biformer注意力机制,提高对小尺寸特征点候选区域的捕捉能力;在Head部分使用改进Efficient Decoupled Head解耦头,在提高精度的同时维持了较低的计算开销。测试结果表明,改进后的YOLOv7-tiny网络对特征点候选区域检测的准确率有显著的提高,达到95.3%,证明了改进后网络的有效性和可行性。

基于改进YOLOv7模型的血细胞检测分类

目的探讨改进YOLOv7算法在血细胞图像不同类型细胞自动检测分类中的应用,以提高血细胞识别分类的准确度。方法将滑动窗口变换器模块引入YOLOv7,同时采用加权双向特征金字塔网络结构,使网络能够获取并传递更加丰富的特征信息,使用斯库拉交并比损失代替完全交并比损失,实现更加精准的目标框定位。结果通过不同算法在BCCD血细胞数据集上展开实验可得,改进的YOLOv7模型对红细胞、白细胞和血小板的识别准确度分别达到89.3%、98.5%和91.5%,平均准确度达93.1%,相比于原YOLOv7模型提升了2.6%。通过与已发表的血细胞人工智能检测算法进行对比可知,本文算法具有更高的准确度。结论改进的YOLOv7模型可以有效应用于血细胞识别分类任务,为血细胞的检测提供重要的参考价值。

基于YOLOv7的红外阴燃火探测算法改进研究

目前,基于机器视觉的火灾检测算法中数据集类型不充分、数据集在时间维度覆盖不全面,致使此类算法难以实现火灾的早期预警,文中提出了基于改进YOLOv7的红外阴燃探测方法.该算法利用EfficientFormerV2模型替换原模型的骨干网络CSPDarknet53,从而增强了模型低延迟、低参数量、易部署的能力;同时,在预测网络中,采用CARAFE轻量化上采样模块代替原模型中的上采样模块,扩大了模型对特征的感受野,改善了阴燃特征的表示能力;此外,还引入了新的NWD度量来提升模型边界框预测能力.结果表明,在自建阴燃数据集上,该算法的平均精度达到92.9%,对阴燃检测的平均精度达到99.6%,比YOLOv7的精度提升了14.4%,较基于手工提取特征的卷积神经网络算法提升了4.6%.研究成果将为阴燃火早期预警提供新思路.

基于YOLOv7-DCA的疲劳检测方法研究

针对疲劳检测中小尺度检测效果不佳和实时性差等问题,以矿井提升机司机疲劳检测为目标,对YOLOv7的结构进行精简并且基于AIoU(Area Intersection over Union)损失函数优化预测框与验证框的回归过程.在模型中引入双通道注意力机制实现小尺度特征的信息增强,通过融合眨眼频率、闭眼时长和打哈欠时长来判断司机的状态.实验结果表明,本文方法对疲劳检测精度达到98.85%,检测速度达到70 FPS,与其他算法相比,本文算法具有更好的准确性和实时性.