基于YOLOv8改进的跌倒检测算法:CASL-YOLO

跌倒对老年人危害极大,是我国65岁以上老年人致残和伤害死亡的首要原因.然而,目前主流的跌倒检测技术受环境的干扰较大,在物体遮挡、光照变化等复杂场景下的检测准确率较低,且模型的参数量和计算量较高,导致成本居高不下,不能很好地部署应用于实际生活场景.针对上述问题,提出了一种在复杂环境下轻量级的基于YOLOv8模型改进的跌倒检测算法:CASL-YOLO.首先,该模型引入空间深度卷积(SPD-Conv)模块替代传统卷积模块,通过对每个特征映射进行卷积操作,保留通道维度中的全部信息,从而提高模型在低分辨率图像和小物体检测方面的性能;其次,引入基于位置信息的注意力机制,以捕获跨通道、方向和位置感知的信息,从而更准确地定位和识别人体目标;最后,在特征提取模块中引入选择性大卷积核(LSKNet)动态调整感受野,以有效处理跌倒检测场景中的复杂环境信息,提高网络的感知能力和检测精度.实验结果表明,在公开的Human Fall数据集上,CASL-YOLO的mAP@0.5达到96.8%,优于基线YOLOv8n,同时模型仅有3.4×MiB的参数量和11.7×10^(9)的计算量.相比其他检测算法,CASL-YOLO在参数量和计算量小幅增加的情况下,实现了更高的精度和性能,同时满足实际场景的部署要求.

基于改进YOLOv8的景区行人检测算法

针对当前景区行人检测具有检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,创建TAPDataset行人检测数据集,弥补现有数据集在小目标检测方面的不足,并基于YOLOv8算法,构建一种检测精度高、硬件要求低的新模型YOLOv8-L。首先引入Depth Sep Conv轻量化卷积模块,降低模型的参数量和计算量。其次采用BiF orm er注意力机制和上采样算子CARAFE,加强模型对图像的语义理解和信息融合能力,提升模型的检测精度。最后增加一层小目标检测层来提取更多的浅层特征,从而有效地改善模型对小目标的检测性能。在TAPDataset、VOC 2007及TAP+VOC数据集上的实验结果表明,与YOLOv8相比,在FPS基本不变的情况下,在TAPDataset数据集上,模型的参数量减少了18.06%,mAP@0.5提高了5.51%,mAP@0.5∶0.95提高了6.03%;在VOC 2007数据集上,模型的参数量减少了13.6%,mAP@0.5提高了3.96%,mAP@0.5∶0.95提高了6.39%;在TAP+VOC数据集上,模型的参数量减少了14.02%,mAP@0.5提高了4.49%,mAP@0.5∶0.95提高了5.68%。改进算法具有更强的泛化性能,能够更好地适用于景区行人检测任务。

基于改进YOLOv8的煤矿输送带异物检测

现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock,在保持模型轻量化的同时提升检测性能;为增强对不同尺寸目标物体信息的获取能力,引入高效通道注意力(ECA)机制,并对ECA的输入层进行自适应平均池化和自适应最大池化操作,得到跨通道交互MECA模块,以增强模块的全局视觉信息,进一步提升异物识别精度;将YOLOv8的3个检测头修改为4个轻量化小目标检测头,以增强对小目标的敏感性,有效降低小目标异物的漏检率和错检率。实验结果表明:改进YOLOv8的精确度达91.69%,mAP@50达92.27%,较YOLOv8分别提升了3.09%和4.07%;改进YOLOv8的检测速度达73.92帧/s,可充分满足煤矿输送带异物实时检测的需求;改进YOLOv8的精确度、mAP@50、参数量、权重大小和每秒浮点运算数均优于SSD,Faster-RCNN,YOLOv5,YOLOv7-tiny等主流目标检测算法。

基于三重注意力的轻量级YOLOv8印刷电路板缺陷检测算法

在全球产业中,印刷电路板的生产和应用持续增长,已经成为各种电子设备的核心组成部分。由于缺陷尺度较小的问题以及检测模型轻便嵌入便携式设备的需求,印刷电路板图像的自动缺陷检测是一项具有挑战性的任务。为了满足智能制造和使用中对高质量印刷电路板产品日益增长的需求,提出一种基于YOLOv8的印刷电路板缺陷检测改进方法。首先,采用轻量级网络MobileViT作为主干网络,减小模型体积和计算量。其次,引入Triplet Attention模块,增强张量中不同维度间特征的捕捉能力。最后,将边界框损失函数替换为LMPDIoU,直接最小化预测框与实际标注框之间的左上角和右下角点距离。实验表明:改进后的检测模型能够在拥有极小参数量的同时保证小尺寸缺陷检测精度较高,模型参数量降低率为89.38%,满足轻便嵌入便携式检测设备和计算机资源受限的场景应用,证实了在印刷电路板缺陷检测领域具有良好的应用前景。

基于改进YOLOv8卷积神经网络的稻田苗期杂草检测方法

针对田间自然环境拍摄下稻田背景复杂,苗期杂草图像尺寸过小、识别定位不准确等问题,提出了一种改进YOLOv8卷积神经网络的苗期杂草检测方法。参照PASCAL VOC数据集格式,构建了一套专用的数据集。首先,在网络卷积过程中加入DenseNet(密集连接网络)更好地对杂草特征进行提取,优化梯度消失问题。然后,添加CBAM(Convolutional block attention module)注意力机制改善模型对小尺寸的敏感度。最后,使用WIOU(Weighted intersection over union)损失函数来优化原网络中的损失函数,提升模型对检测目标的定位能力。在试验中,将改进的算法与Faster R-CNN、SSD(Single shot multiBox detector)以及原始YOLOv8等算法进行了性能对比。结果显示,改进算法明显优于其他算法,在测试集上的平均精度均值和检测速度分别达97.0%和100.3帧/s。这种高精度和快速的检测能力满足了精准农业中对快速、精准检测的需求。该算法为机械设备快速识别苗期杂草、精准喷洒农药提供了重要的理论和技术支持。

基于改进YOLOv8卷积神经网络的蟹味菇检测方法

针对蟹味菇生产过程中更好地预估产量,对生长状态做到实时检测的问题,提出了一种基于改进YOLOv8卷积神经网络的蟹味菇识别检测方法。该方法参照PASCAL VOC数据集格式,构建了蟹味菇目标检测数据集,采用添加CBAM注意力机制对原算法进行改进,并且与Faster R-CNN、SSD(single shot multibox detector)、原始YOLOv8等算法进行模型性能的试验对比。试验结果表明,改进的算法明显优于其他算法,其在测试集上的平均精度均值(mean average precision,mAP)和检测速度分别达到95%和91帧/s。此检测精度与检测时间满足蟹味菇的实时识别检测任务,为预估蟹味菇产量,提高生产管理水平提供了理论技术支持。

YOLOv8-VSC:一种轻量级的带钢表面缺陷检测算法

目前在带钢表面缺陷检测领域,通用的目标检测算法复杂度高、计算量庞大,而一些中小型企业负责检测的终端设备通常不具备较强的计算能力,计算资源有限,从而导致检测算法部署困难。为解决该问题,基于YOLOv8n目标检测框架,提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC。该模型使用轻量级的VanillaNet网络作为骨干特征提取网络,通过减少不必要的分支结构降低模型的复杂度。同时,引入SPD模块在减少网络层数的同时加快模型的推理速度。为了进一步提升检测精度,在特征融合网络中,使用轻量级的上采样算子CARAFE,提高融合特征的质量和丰富度。最后,在NEU-DET数据集上进行大量实验,得到模型的参数量与计算量为1.96×106和6.0 GFLOPs,仅为基线的65.1%和74.1%,mAP达到80.8%,较基线提升1.8个百分点。此外,在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性。与先进的目标检测算法相比,所提算法在保证高检测精度的前提下需要的计算资源更少。

基于改进YOLOv8-Pose的码垛快速识别与抓取点检测

针对码垛场景中在仓库内对米袋和面袋的识别与抓取点检测的任务,提出了一种基于改进的YOLOv8-Pose的轻量化快速检测算法模型。其基于YOLOv8-Pose,使用若干个ShuffleNetv2模块取代原Darknet主干网络,降低模型大小;添加SimAM注意力机制,提升目标特征提取能力。通过对比实验表明,该模型在不牺牲准确性的前提下可提升模型的识别速度。模型在自制数据集中的平均精度达到了93.7%,检测速度达到了62 fps,优于常见模型。证明该模型能够实现复杂场景下的抓取点识别,且该轻量化模型能够适用于嵌入式硬件,降低设备成本。

基于YOLOv8改进的服装疵点检测算法

针对服装疵点检测方法,提出了基于YOLOv8改进的算法YOLOv8-MBRGA,用于完成服装疵点的检测任务。引入BiFPN金字塔替换head层中的concat连接,将语义信息传递到不同的特征尺度上,从而增强特征融合。为加速模型的收敛速度和推理速度,在检测头上增加RepVGG网络,有助于更好地训练深层次的网络模型。采用分离卷积替换Conv卷积降低网络的复杂度并融入注意力机制EffectiveSE增强模型的特征提取和多尺度信息融合的能力。试验结果表明,YOLOv8-MBRGA算法在服装疵点检测上获得了显著的效果,平均精度均值提高了5.50%,精确度提高11.06%,在推理速度基本保持不变的情况下,模型的计算量下降30.48%。

基于YOLOv8-ER的带式输送机煤矸目标检测

在煤炭开采过程中,对煤矸进行有效识别不仅可以提高煤炭的燃烧质量,还可以降低污染物排放,现有传统的带式输送机煤矸识别技术操作复杂、效率低、成本高。针对上述问题,提出一种基于YOLOv8-ER的带式输送机煤矸目标检测模型。该模型在YOLOv8基础模型上,引入高效通道注意力网络,对YOLOv8的主干网络进行优化,以增强图像中的重要信息、抑制次要信息,加强主干网络的特征提取能力,降低模型计算复杂度,提升模型学习效率和检测精度。该模型还引入结构重参化技术,以简化推理过程中的网络架构,进一步降低网络体积,增强模型在深层网络中的训练稳定性,提升模型推理速度。实验结果表明,YOLOv8-ER在处理速度和检测精度上均有显著提升,实现了240.8帧/s的高速检测,m AP@0.5达到了92.3%的高准确率;与传统YOLOv8模型相比,准确率提高了3.2%,m AP@0.5提高了4.4%,PR平衡率提高了2.6%,浮点运算次数和GPU使用量分别降低了23.2%和18.6%。根据煤矸可视化结果可以得出,YOLOv8-ER模型能更精准地识别煤矸,避免误检漏检现象,且置信度更高。

轻量化YOLOv8的小样本钢板缺陷检测算法

钢板的表面积较大,表面缺陷非常常见,且呈现多类少量的特点。深度学习很难有效应用于此类小样本缺陷的检测中。为了解决此问题,提出一种基于轻量化YOLOv8的小样本钢板缺陷检测算法,提出一种基于模糊搜索的交互式数据增强算法,可有效解决训练样本缺失导致网络模型无法得到有效训练的问题,使深度学习应用于该领域成为可能。设计LMSRNet(lightweight multi-scale residual networks)网络替换YOLOv8的主干,以实现网络模型的轻量化,并提高其可移植性。提出CBFPN(context bidirectional feature pyramid network)和ECSA(efficient channel spatial attention)模块,使网络能更有效地提取并融合伤痕特征,同时采用Wise-IoU损失函数以提高检测性能。对比实验结果表明,与原YOLOv8算法相比,改进后的网络参数量只有原网络的30%,计算量是原网络的49%,FPS提高了9帧/s,精确率、召回率、mAP分别提高了2.9、6.5、5.5个百分点,实验结果充分验证了该算法的优势。

一种基于YOLOv8的轻量化盲区检测网络

近年来,全国的交通安全形势日益严峻,交通事故频繁发生,人员伤亡和财产损失惨重。其中,因视觉盲区受限引起的人车碰撞事故最为常见,由于传感器的高昂造价和在盲区检测方面的研究应用较少,预防此类事故主要依靠司机驾驶经验。针对盲区检测和研究的不足,提出一种简洁高效的轻量化盲区检测网络BsDet和BsDet+。轻量化网络以最先进的YOLOv8为基础,结合其他YOLO网络的优点,在头部和颈部进行了轻量化重构,在特征提取部分使用改进的深度可分离卷积降低网络的参数量与计算量。在特定层使用更大的卷积核来扩大感受野,进一步提高网络的检测精度。在构建的盲区数据集进行实验,实验结果表明,BsDet拥有97.72%的mAP和300.76 f/s的FPS,BsDet+的mAP和FPS分别为99.35%和181.31 f/s,相比于SOTA方法,提高了36.8%的检测速度和1.44%的mAP。两种网络分别在树莓派、安卓手机和便携式计算机上进行部署与测试,结果显示在任何平台上,BSDet均拥有最高的检测速度。BsDet和BsDet+可适用于不同性能的硬件与检测需求,具有设备要求低、准确率高、速度快等特点,不仅为轻量化设计提供了借鉴,也能够有效改善基于视觉的辅助驾驶技术。

改进YOLOv8的轻量化轴承缺陷检测算法

针对轴承表面缺陷检测存在小目标检测精度低、模型复杂的问题,提出一种改进YOLOv8的轻量级轴承缺陷检测算法YOLO-SSW。在主干网络中添加3-D注意力机制SimAM,在不增加参数的前提下,使模型更加关注轴承表面缺陷特征的提取和表达;在颈部网络中嵌入C2f_SCConv模块,以减少空间维度和通道维度上的特征冗余,降低模型的计算负载;添加新的小目标检测层用于检测轴承表面的小尺寸缺陷,提高模型对小目标的检测能力;使用基于动态非单调聚焦机制的Wise-IoU作为边界框回归损失函数,加快网络的收敛速度。实验结果表明,改进算法的mAP达到了91.5%,比原算法提升了2.9个百分点,模型参数量仅为2.7×106,计算量为11.8 GFLOPs,在提高检测精度的同时节约了计算资源。

基于改进YOLOv8的输送带异物检测研究

针对基于深度学习的输送带异物检测模型参数量大、检测速度慢等问题,提出一种基于改进YOLOv8的输送带异物检测方法。利用Ghost模块设计主干网络CSPGhostNet,减少模型参数量和计算量;采用Alpha-IoU损失函数作为目标框回归损失函数,提高网络模型的收敛速度和检测精度;利用网络剪枝对检测模型剔除冗余参数。在嵌入式平台NVIDIA Jetson Xavier NX上进行实验,结果表明,相较于原YOLOv8l模型,改进模型mAP为90.5%,帧率提高375%,运算速度达到30帧/s,实现了有限计算资源下输送带异物的实时检测。

基于轻量化YOLOv8网络的贴片芯片引脚缺陷检测

在贴片芯片贴装工艺中,芯片引脚的质量对于贴装工艺的成功率起着决定性的作用,因此在贴装之前对芯片引脚缺陷的精确检测至关重要。为了提高检测的效率和精度,提出了一种基于轻量化YOLOv8神经网络的检测方法。首先,该方法使用点云数据投影生成的深度图作为输入数据。这使得该网络能够从点云数据中提取出芯片引脚的高度信息,进而得到引脚的空间尺寸特征。为了提升检测速度,网络结构中的部分卷积模块和C2f模块被优化为GSConv卷积和VoVGSCSP模块,原网络中参数占比较高的特征融合部分和检测头部分被优化为参数更少的轻量化特征融合网络与单尺度检测头。最后,在网络中相应的环节加入注意力机制(CBAM),提升检测精度。实验结果表明,与原网络相比,轻量化的网络在保持检测精度的同时,减小了网络体积,模型参数减少了51.5%,单张图片检测速度提升了36.4%。

基于改进YOLOv8的堆叠零件实例分割研究

为了实现复杂工业环境下机器人对堆叠零件的快速识别拣选,构建一种改进的YOLOv8s实例分割模型,并应用于堆叠零件实时识别分割中。针对堆叠工业零件不易分割的问题,将原始模型的主干网络替换为提取特征能力更强的PoolFormer主干网络,提升堆叠零件边缘分割效果;为了更好地过滤掉多余背景信息,保留关键信息,引入了效果更好的CARAFE上采样模块。试验结果表明,改进后模型的分割平均精度和预测框平均精度分别为93.57%和97.47%,相比原模型提升了1.89%和1.23%,且远高于同类型的YOLACT++和SOLOv2模型,验证了改进模型的有效性。

FSG⁃YOLO:基于YOLOv8改进的轻量化月面障碍物检测算法

为了提高月面障碍物检测的效率和准确性,提出了一种基于YOLOv8改进的轻量化陨石坑和月面岩石检测算法FSG⁃YOLO。首先,采用FasterNet作为主干网络,提升模型对于陨石坑和月面岩石的特征提取能力,同时减少模型参数量和计算量,提升检测速度;然后,引入Si⁃mAM注意力机制模块,在不增加原始网络参数的同时提高模型的特征融合能力;最后,采用GIoU作为模型的损失函数,提高模型的识别准确率。实验结果表明:相较于原模型,FSG⁃YO⁃LO在自建月面障碍物数据集上的平均精度均值提升了4.0%,模型参数量减少了41.86%,计算量减少了38.27%,检测速度提高了19.99%。算法能够平衡精度和轻量化的需求,能有效适用于复杂空间环境下月面障碍物的检测。

面向复杂环境的YOLOv8安全装备检测

为解决现有安全帽和反光衣检测模型对小目标和复杂天气中目标检测精度低、环境干扰因素大、难以在性能一般移动设备部署等问题,设计实现一种改进YOLOv8安全装备检测模型YOLOv8-DSI。首先,设计基于残差思想和并行空洞卷积的DR-SPPF模块,进一步扩大感受野且不损失图像分辨率,显著提升复杂天气检测精度;其次,在特征融合阶段设计结构轻量特征金字塔网络ST-BiFPN,进一步减小模型参数量,实现高效多尺度特征融合;最后,引入Inner-ShapeIoU损失函数,使得边界框回归更加准确,增强检测效果。在自建数据集上,相较于基线模型mAP50和mAP50:95分别提升了2.1%和4.7%,而模型参数量仅为2.4 M,计算量仅为7.3 G,分别降低了10.9%和20.0%。最终将改进模型部署到Jetson Orin Nano边缘设备,通过在开发板实际运行证明,改进后模型在复杂场景下有效性和可应用性。

基于改进YOLOv8的电力作业人员安全带检测

正确穿戴安全带是预防电力作业人员高空坠落的重要措施;针对在电力现场中作业人员是否穿戴安全带检测效率低以及实效性差的问题,提出了一种基于YOLOv8n的电力作业人员安全带检测方法;该算法在特征提取网络中添加通道注意力模块,提升了模型的识别能力;引入了加权双向特征金字塔网络结构进行特征融合,提高特征学习能力,并降低模型复杂度;将原先的CIoU损失函数替换为WIoU损失函数,进一步提高了模型的检测效率以及对于小目标的辨识能力;实验结果表明,该算法的mAP平均精度均值达到96.5%,识别效果明显提升,并且优于其他经典目标检测模型,验证了新算法的有效性。

基于Real-ESRGAN和改进YOLOv8n的输电线路绝缘子故障检测

为解决无人机在输电线路巡检时遇到的绝缘子故障难以检测的问题,提出一种绝缘子故障检测新方法。该方法结合了真实世界增强超分辨率生成对抗网络(Real-ESRGAN)和改进的YOLOv8n。首先,利用Real-ESRGAN对数据集进行超分辨率重构,优化数据集质量,有效减少复杂背景的干扰;然后利用高效视觉变压器框架替换YOLOv8的主干,加强模型的特征提取能力,同时使模型在推理阶段有更快的处理速度;再对YOLOv8的检测头进行轻量化处理,进一步加速模型推理。试验结果显示,该方法的均值平均精度达86.7%,证明了其在复杂背景下的卓越目标检测性能。通过分析热力图,展示了该算法与传统YOLOv8在关注区域上的差异,从而揭示了模型的内部工作机理。