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.

基于YOLOv7x的接触网吊弦缺陷检测方法

【目的】针对铁路运行时由于接触网吊弦缺陷造成的安全隐患问题,提出一种基于改进YOLOv7x的接触网吊弦缺陷识别方法。【方法】首先在主干特征提取层的末端引入Swin Transformer网络替换原有的扩展高效层聚合网络模块,提高网络掌握全局信息的能力,再引用SIoU(SCYLLA-IoU)损失函数替换原网络的损失函数,为预测框收敛过程添加方向惩罚机制,最后使用coordinate attention(CA)注意力机制融合颈部层中的扩展高效层聚合网络模块,增强颈部网络模块的全局感受野。【结果】仿真结果表明,此改进算法训练出的模型精度达到95.9%,相较于原YOLOv7x算法检测精度提高了4.7%,检测速度也达到了52帧/s。【结论】改进算法解决了在吊弦缺陷识别领域检测效率低下的问题,在实际作业中能够提高接触网吊弦缺陷排查工作的效率。