基于改进YOLOv8-pose的分心驾驶检测与识别

针对现有的分心驾驶检测算法存在检测率低、检测速率慢等问题,本文构建了一种基于改进YOLOv8-pose的分心驾驶检测识别模型YOLOv8-EFM。首先,通过使用EfficientViT更换YOLOv8-pose的主干网络,结合CNN和VIT之间的互补性,提升了检测的准确率;其次,使用FasterBlock模块替换C2f中的Bottleneck模块,增加了检测速率并减小模型参数;最后在SPPF后加入了轻量级的MLCA注意力模块,在模型大小和准确性之间取得了良好的平衡。实验结果表明,本文所构建的YOLOv8-EFM模型,mAP50可以达到98.9%,模型大小只有9.7 M,该方法不仅可以识别出具体分心行为,还可以检测上半身的人体骨架,可以有效应用在驾驶员分心驾驶的检测场景中。

基于改进YOLOv8n-Pose的轨道作业人员跨轨安全动作识别

针对轨道作业人员跨轨安全动作监督方法存在效率低、漏检率高等问题,引入改进的人体姿态估计算法YOLOv8n-Pose对跨轨安全动作进行识别和监督。对YOLOv8n-Pose算法改进方法为在网络中添加注意力机制并轻量化网络结构,并改进网络的bbox损失函数和关键点损失函数,以提高网络的识别精度和速度。使用高斯滤波和ColorJitter算法对自制数据集增强。在训练前使用遗传算法对训练超参数进行自适应调整,在训练时使用迁移学习和知识蒸馏方法,提高网络训练速度、识别精度和泛化能力。将训练好的模型对轨道现场作业人员图像进行检测,可成功识别出作业人员姿态并根据关键点位置信息识别安全动作,人体关键点识别精确度为94.3%,推理速度为238.1 fps,验证模型改进研究取得了有益效果,提高了模型识别精度、识别速度和鲁棒性。

基于改进YOLOv8n-pose和三维点云分析的蒙古马体尺自动测量方法

[目的/意义]准确高效地获取马匹体尺信息是马产业现代化进程中的关键环节。传统的人工测量方法耗时长、工作量大,且会对马匹造成一定应激反应。因此,实现准确且高效的体尺参数自动测量对于制定蒙古马早期育种计划至关重要。[方法]选择Azure Kinect深度相机获取蒙古马双侧RGB-D数据,以YOLOv8n-pose为基础,通过在C2f模块中引入可变形卷积(Deformable Convolution v2, DCNv2),同时添加洗牌注意力机制(Shuffle Attention, SA)模块和优化损失函数(SCYLLA-IoU Loss, SIoU)的方法,利用余弦退火法动态调整学习率,提出一种名为DSS-YOLO (DCNv2-SA-SIoU-YOLO)的模型用于蒙古马体尺关键点的检测。其次,将RGB图中的二维关键点坐标与深度图中对应深度值相结合,得到关键点三维坐标,并实现蒙古马点云信息的转换。利用直通滤波、随机抽样一致性(Random Sample Consensus, RANSAC)、统计离群值滤波、主成分分析法(Principal Component Analysis, PCA)完成点云处理与分析。最终根据关键点坐标自动计算体高、体斜长、臀高、胸围和臀围5项体尺参数。[结果和讨论] DSS-YOLO的平均关键点检测精度为92.5%;d_(DSS)为7.2个像素;参数量和运算量分别仅为3.48 M和9.1 G。体尺参数自动测量结果与人工测量值相比,各项体尺参数的整体平均绝对误差为3.77 cm;平均相对误差为2.29%。[结论]研究结果可为蒙古马运动性能相关遗传参数的确定提供技术支撑。

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。

改进YOLOv8s与DeepSORT的矿工帽带检测及人员跟踪

不系帽带,安全帽等于没戴。然而现有的安全帽检测方法,缺乏对帽带异常佩戴的检测研究。针对此问题,结合煤矿井下特殊的作业环境,以人员安全帽帽带检测及人员跟踪为研究对象,提出了CM-YOLOv8s算法检测安全帽及其帽带,利用DeepSORT算法对未系帽带的作业人员进行跟踪。利用井下监控视频制作数据集,使用CM-YOLOv8s对井下人员安全帽帽带进行检测:在YOLOv8s的基础上引入更高分辨率的特征图并新增了一种级联查询机制,在不提高计算成本的前提下能完成对小物体更精准的检测。利用改进DeepSORT对人员进行编码追踪:采用更深层卷积替换DeepSORT中小型残差网络来强化外观信息提取能力。通过自制井下安全帽帽带检测及跟踪数据集对改进算法进行验证,实验结果表明:CM-YOLOv8s的安全帽帽带识别算法平均精度均值达到92.3%,较YOLOv8s提高4.2个百分点。此外,基于CM-YOLOv8s与DeepSORT的安全帽规范佩戴识别系统的平均准确率为85.37%,检测速度达到59 FPS。提出的安全帽帽带检测算法,通过检测帽带是否在人员下颚附近来鉴别安全帽是否规范佩戴,能较好地平衡检测速度与精度,并能适应复杂的井下环境。通过在陈四楼煤矿数月的应用表明,实现了对安全帽佩戴异常的监测预警,加强了对矿工规范佩戴安全帽的有效监管。

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。

改进YOLOv8的轻量级军事飞机检测算法

遥感图像军事飞机检测在侦察预警、情报分析等领域具有重要意义。为使军事飞机检测模型能在算力受限的设备上高效运行,从网络设计与模型压缩两个方面对YOLOv8n进行轻量化改进。在网络设计方面,使用FAS_C2f替换原始主干网络中的C2f模块,减少计算冗余并加快网络特征提取的速度;根据军事飞机目标的尺度特征对网络结构进行优化,缓解因过度下采样导致的小目标信息丢失问题;使用Inner-SIoU作为新的定位回归损失函数,提升对小目标样本的学习能力并加快回归边界框的收敛。在模型压缩方面,使用基于LAMP分数的通道剪枝对重设计后的模型进行压缩,进一步减少参数和模型大小;并利用通道级知识蒸馏(channel-wise knowledge distillation,CWD)将模型精度恢复到接近剪枝前的水平。实验结果表明,在公开军用飞机数据集MAR20上,轻量化后的模型mAP为97.2%,体积仅有0.7 MB,较原始模型缩小了88.3%,FPS提高了14帧/s,满足军事飞机目标检测的实时性要求。

基于改进YOLOv8和GMM图像点集匹配的双目测距方法

针对无人塔吊系统的研究需求,提出一种基于改进YOLOv8和GMM图像点集匹配的双目测距方法,对驾驶室外环境中的塔吊吊钩进行检测识别并测距。通过双目摄像头进行图像采集,引入FasterNet骨干网络和Slim-neck颈部连接层,对YOLOv8目标检测算法进行改进,有效检测画面中的塔吊吊钩并获取检测框的二维坐标信息;采用局部敏感哈希方法,并融合分阶段匹配策略,提升GMM图像点集匹配模型的匹配效率,针对检测框中的塔吊吊钩,进行特征点匹配;最后通过双目相机三角测量原理计算得出塔吊吊钩的深度信息。实验结果表明,改进后的YOLOv8算法与原算法相比,精确率P提高了2.9%,平均精度AP50提高了2.2%,模型复杂度降低了10.01 GFLops,参数量减少了3.37 M,在提升检测精度的同时实现了模型的轻量化。改进后的图像点集匹配算法与原算法相比,各个指标表现出更加良好的鲁棒性。最后在工程现场对塔吊吊钩进行识别与测距,误差可接受范围内有效完成了塔吊吊钩的检测识别与测距任务,验证了本方法的可行性。

基于改进YOLOv8的地铁列车焊缝缺陷轻量化检测方法

针对现有的地铁列车车体焊接质量检测技术存在检测模型较大、检测精度和效率较低的问题,提出一种基于改进YOLOv8的焊缝缺陷轻量化检测方法。首先,利用相控阵超声波检测仪采集对接焊缝内部缺陷图像,通过图像预处理制作成焊缝缺陷数据集。然后,在YOLOv8模型基础上,利用Inner-SIoU优化原有损失函数、采用C2f-PConv替换C2f模块、引入大型可分离核注意力(LSKA)模块和挤压激励(SE)注意力机制,建立了基于改进YOLOv8的地铁列车车体焊缝缺陷质量检测模型,以提高焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOv8模型对焊缝缺陷数据集进行训练和测试。结果表明,改进的YOLOv8模型大小为7.91 M,对于焊缝缺陷的检测精度达到98.30%,检测速度达到138.9帧/s,与YOLOv8原始模型相比,模型更小,检测精度更高。

基于改进YOLOv8的嵌入式道路裂缝检测算法

在边缘端设备部署YOLOv8L模型进行道路裂缝检测可以实现较高的精度,但难以保证实时检测。针对此问题,提出一种可部署到边缘计算设备Jetson AGX Xavier上的基于改进YOLOv8模型的目标检测算法。首先,利用部分卷积设计Faster Block结构以替换YOLOv8 C2f模块中的Bottleneck结构,并将改进后的C2f模块记为C2f-Faster;其次,在YOLOv8主干网络中的每个C2f-Faster模块之后接一个SE(Squeeze-and-Excitation)通道注意力层,进一步提高检测的精度。在开源道路损害数据集RDD20(Road Damage Detection 20)上的实验结果表明:所提方法的平均F1得分为0.573,每秒检测帧数(FPS)为47,模型大小为55.5MB,相较于GRDDC2020(GlobalRoadDamageDetection Challenge 2020)的SOTA(State-Of-The-Art)模型,F1得分提高了0.8个百分点,FPS提高了291.7%,模型大小减小了41.8%,实现了在边缘设备上对道路裂缝实时且准确的检测。

基于YOLOv8-OCR的井下人员检测算法

为提高井下昏暗环境的目标检测性能,将行人属性应用到井下,将反光号码牌贴在安全帽和工作服上作为属性进行识别。针对井下小目标检测率低的缺点,提出了一种将YOLOv8检测算法与光学字符识别(Optical Character Recognation, OCR)技术相结合的方法。通过添加卷积块注意力模块(Convolutional Block Attention Module, CBAM),提高了网络对不同尺度的特征提取能力;将YOLOv8中的CBS模块改进为CBF模块,提高了目标的识别准确率;对检测到的反光号码牌区域用OCR技术对区域内数字进行识别,进一步提高了模型的检测精度。实验结果表明,提出的方法在自建数据集上获得了93.2%的识别准确率和每张24.4 ms的检测速度,相比YOLOv8模型有着更高的准确率,能够有效地应对井下环境中的光照变化和干扰因素并且满足实时检测的要求。

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。

改进YOLOv8的轻量化无人机目标检测算法

针对无人机目标检测算法计算复杂难以部署,且长尾分布的无人机数据导致检测精度较低的问题,提出了基于改进YOLOv8的轻量化无人机目标检测算法(PC-YOLOv8-n),可均衡网络检测精度与计算量,并对长尾分布数据有一定泛化能力。使用部分卷积层(PConv)替换YOLOv8中的3×3卷积层,对网络进行轻量化处理,解决网络冗余和计算量复杂的问题;融合双通道特征金字塔,增加自上而下的路径,将深层信息与浅层信息进行融合,同层引入轻量化注意力机制,提升网络的特征提取能力;采用均衡焦点损失(EFL)作为类别损失函数,通过均衡尾部类别在网络训练时的梯度权重,增加网络的类别检测能力。实验结果表明,PC-YOLOv8-n在VisDrone2019数据集中具有良好的表现,在mAP50精度上比原始YOLOv8-n算法提高了1.6个百分点,同时模型的参数和计算量分别降低为2.6×10^(6)和7.6 GFLOPs,检测速度达到77.2 FPS。

基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PANet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率(precision,P)、召回率(recall,R)、平均精确率均值(mean average precision,m AP)、F1得分(F1 score,F1)分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。

基于嵌入式和YOLOv8存储柜控制系统实验设计

为实现存储柜高效和安全的管理,提出基于人脸检测的存储柜控制系统,系统包括终端、后端和前端。终端采用先训练后移植的方式将YOLOv8人脸检测算法部署在嵌入式Android设备,将人脸图片转化为人脸特征文本数据,Retrofit携带人脸特征和存储柜相关数据向后端发送网络请求。后端采用若依框架、Jwt认证权限、Spring Security管理动态权限菜单和Spring Boot实现API接口,MyBatis管理MySQL数据库和Redis缓存数据。前端也采用若依框架,采用Vue2和Element UI通过Axios访问后端获取数据进行可视化。测试结果表明,系统识别效果好,执行器工作正常,数据可视化展示准确,系统运行稳定。

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。

基于双重YOLOv8-pose模型的探地雷达双曲线关键点检测与目标定位

探地雷达(GPR)是一种可用于地下目标识别的无损检测方法。针对现有方法存在不同尺度目标兼容性差、复杂图像识别难度大、无法精确定位等问题,该文提出一种基于双重YOLO姿态模型(YOLOv8-pose)的GPR双曲线关键点检测与目标定位,命名为双重YOLO关键点定位方法(DYKL),用于地下目标的检测与精确定位。所提模型架构包含两个阶段:首先,第1阶段是基于YOLOv8-pose模型的GPR目标检测,以确定候选目标的位置;接着,第1阶段的部分训练权重被共享并传递到第2阶段,后者以此为基础继续训练YOLOv8-pose网络,用于候选目标特征的关键点检测及获取,从而实现地下目标的自动化定位。通过与级联区域卷积网络(Cascade R-CNN)、更快的区域卷积网络(Faster R-CNN)、实时对象检测模型(RTMDet)以及“你只看一次”人脸模型(YOLOv7-face)4种先进的深度模型进行比较,所提模型平均识别准确率达到98.8%,性能优于其他模型。结果表明所提DYKL模型具有较高的识别准确性与较强的鲁棒性,可以为地下目标的精确定位提供参考。

基于改进YOLOv8的轻量化荷叶病虫害检测模型

腐败病、叶斑病、病毒病、斜纹夜蛾等荷叶病虫害严重影响莲子的产量与品质。开展疫病叶片检测是防治荷叶病虫害的重要措施。该研究以提高对荷叶病虫害的检测精度、减少模型的计算规模、提升可部署性为目标,提出了一种基于改进YOLOv8的轻量化荷叶病虫害检测模型,同时,建立了一种考虑不同环境条件的荷叶病虫害数据集。首先,将YOLOv8颈部网络中的卷积模块(Conv)替换为GSConv,将C2f模块替换为VoV-GSCSP,形成了Slim-neck架构,使模型在保持较高识别准确性的基础上降低计算复杂度。同时,使用融合了EMA高效多尺度注意力机制的C2f_EMA模块替换主干网络中的C2f模块,提升模型对复杂环境中荷叶病虫害的特征提取能力。试验结果表明,建立的改进YOLOv8荷叶病虫害检测模型能够对荷叶病虫害进行有效检测,实现的平均精度均值(mean average precision,mAP)为89.3%,较基线模型提高了1.6个百分点;模型的参数量较基线模型降低了0.2 M,模型大小仅为5.6 MB。与其他主流检测模型相比,改进YOLOv8模型在检测精度、参数量和模型大小等方面表现出显著优势。将模型部署至Jetson Xavier NX和树莓派4B边缘计算设备上,模型实现的检测帧率分别为27和0.7帧/s,展现了良好的移动端部署前景。所提模型实现了对荷叶病虫害的精准识别,可为荷叶病虫害自动防治提供支撑。

基于改进YOLOv8-Seg的苹果单枝条花序疏除方法

针对苹果疏花作业中无法自动识别枝干以及缺乏花序疏除方法,该研究提出了一种适用于现代果园的苹果树单枝条花序疏除方法。首先,对YOLOv8-Seg模型进行改进:在Backbone部分添加GCT(Gaussian context transformer)模块,通过引入全局上下文信息和调整通道的重要性,提高模型对遮挡目标的分割性能;在对应3个检测头的Neck部分的C2f模块内部增加EMA(efficient multi-scale attention)机制,通过并行子网结构和跨空间信息聚合更好地关注多尺度特征。其次,使用改进YOLOv8-Seg模型对单枝条中的花苞、花序、开放花朵和花枝四类目标进行实例分割。最后,基于分割结果应用多项式拟合曲线表征花枝,并计算花序间距离实现花序疏除。结果表明,改进的YOLOv8s-Seg模型在自建数据集mask水平的精确率、召回率和mAP分别达到了89.9%、89.5%和91%,比原模型分别提升了6.5、4.1和5.8个百分点。与主流分割模型Mask R-CNN,YOLACT,SOLOv2进行对比,mask水平的mAP分别高出10.8、12.3和9.1个百分点。花序疏除决策结果与人工决策结果对比误差不超过10%。该方法可应用于单枝条水平上的花序疏除任务,为苹果智能疏花提供技术支持。

基于改进YOLOv8的田间复杂环境下蓝莓成熟度检测

为了快速精确识别田间复杂环境下的蓝莓果实的成熟度,该研究基于YOLOv8提出了一种蓝莓成熟度轻量化检测模型(MSC-YOLOv8)。首先,为了有效减少参数量,提高模型的运行速度,采用MobileNetV3为主干特征提取网络进行特征信息的提取,有利于田间复杂环境下的检测。其次,在主干特征提取网络中插入卷积注意力机制模块(convolutional block attention module,CBAM),以提高深度学习网络对蓝莓特征提取的能力。最后,引入SCYLLAIoU(SIoU)作为YOLOv8的边界框回归损失函数,以解决真实框与预测框角度不匹配的问题,进一步提高蓝莓成熟度识别的准确率。通过试验得出改进的MSC-YOLOv8模型相较于YOLOv8平均精度均值(mean average precision,mAP)提升了3.9个百分点,单张图片平均检测时间比原YOLOv8减少了3.97 ms。改进的MSC-YOLOv8模型在蓝莓数据集上取得了较优的结果,与SSD和CenterNet模型对比,mAP分别提升了4.6和1.1个百分点,在检测速度和准确率方面均有优势。该研究可为田间复杂环境下蓝莓机器人采摘提供技术支持。