改进YOLOv4-tiny网络的日用商品目标检测算法

针对基于移动平台的商品图像检测算法存在硬件要求高、模型复杂且精度低等问题,提出一种YOLOv4-tiny改进网络,减少网络参数与模型尺寸,提高网络精度,构建更高效的网络。将原有标准卷积替换为点卷积与逐深度卷积,特征提取使用CG模块,降低网络模型计算损耗。特征融合时,在原有特征金字塔(Feature Pyramid Networks,FPN)基础上添加PANity模块,缩短高低间卷积层的跨度。使用CSPConcat结构对此前各层融合特征进行特征优化处理,提高各层间特征融合的能力。利用k-prototypes算法优化日用商品数据集先验框的尺寸与数目。通过在darknet深度学习框架下,对日用商品数据集进行实验,得出改进后的算法平均精度(mAP)为98%,召回率为97%,较原网络提升了2.4百分点和2百分点,网络模型计算量较原网络降低了40.4%,模型存储文件缩小了55.9%。改进后的网络模型更轻量化、准确率更高,更加适用于部署在无人结算环节的低硬件水平嵌入式设备中。

基于改进Yolov4-Tiny网络的安全帽监测系统

本文为提升高速性采用轻量化的Yolov4-Tiny网络进行安全帽的识别,为提高识别精度引入注意力机制对Yolov4-Tiny网络进行改进。通过网络改进前后安全帽识别性能测试对比,可得改进后的网络在保持轻量化和速度的基础上,识别精度得到明显提升。在安全帽识别基础上结合视频采集和警告提示构建完整的安全帽监测系统,功能测试结果表明系统功能的完整性和有效性。

改进YOLOv4-tiny网络的狭小空间目标检测方法

针对狭小空间中目标相互遮挡导致轻型检测网络存在大量漏检、分类错误等问题,基于YOLOv4-tiny提出一种自适应非极大抑制(adaptive non-maximum suppression,A-NMS)的多尺度检测方法。在骨干网络引入大尺度特征图优化策略和金字塔池化模型,增强遮挡目标显著区域特征;设计内嵌空间注意力的双路金字塔特征融合网络,提升浅层细节特征与高级语义信息的融合能力;提出区域目标密度与边界框中心距离因子相关联的动态NMS阈值设定方法,并在后处理阶段代替传统IoU-NMS算法,进一步减少漏检。实验结果表明,与YOLOv4-tiny算法相比,改进算法在公开数据集PASCAL VOC07+12和自制数据集上mAP值分别提高2.84个百分点和3.06个百分点,FPS保持在87.9,对遮挡目标的检测能力显著提升,满足移动端对狭小复杂场景实时检测的需求。

YOLOv4-tiny网络夜间行人检测算法研究

无人驾驶系统中行人检测对于交通安全起着至关重要的作用,由于夜间红绿蓝三原色(red,green,blue,RGB)图像色彩信息少、对比度差异大,对行人检测带来挑战性,为提高夜间场景下无人驾驶行人检测的准确性,提出了SCP-YOLOv4-tiny夜间行人检测算法。引入注意力机制,增强网络对夜间行人特征提取能力;添加空间金字塔池化模块,以丰富深度特征信息;采用SiLU激活函数替换YOLOv4-tiny算法原有激活函数,提高算法检测精度。在NightOwls与BDD100K公开数据集上对改进的算法进行训练与测试,结果表明,改进后的算法平均准确率达到了94.11%,较改进之前提高了16.84%,F F1-score值达到了0.92。使用无人驾驶实验平台采集夜间道路行人图像,并在车载硬件平台Jetson AGX Xavier使用SCP-YOLOv4-tiny算法对采集数据进行检测,验证了算法改进的有效性,能够满足无人驾驶系统应用需求。

融合GhostNet的YOLOv4轻量化网络设计与实现

由于存储资源和功耗等限制,在嵌入式设备上部署基于深度学习的目标检测算法存在困难,且效果不佳.基于YOLOv4算法,提出了一种改进的YOLOv4-Light轻量化网络模型,采用GhostNet网络结构替换CSPDarknet53作为主干提取网络,引入CBAM注意力机制关注通道和空间两个维度的特征信息,并利用感知量化方法对权重进行INT8量化处理,在保证精度的情况下降低网络模型规模和参数量.在PC端和NVIDIA Jetson Xavier NX上选用VisDrone无人机数据集分别对网络模型进行测试,结果表明YOLOv4-GhostNet-CBAM模型的尺寸是160M,比YOLOv4降低了34.43%;检测速率最高可达到34.6FPS,比YOLOv4提高了56.6%.YOLO-Light模型的尺寸是40.2M,比YOLOv4降低了83.5%;检测速率最高可达到78.6FPS,为YOLOv4的3.6倍,且交并比为0.5时的平均精度均值(mAP50)与YOLOv4相比仅下降了3%.YOLO-Light模型相较于原模型优势明显,能够在低功耗的嵌入式设备上完成实时目标检测.

基于改进YOLOv4-tiny的果园复杂环境下桃果实实时识别

为实现果园复杂环境下的桃果实实时识别,提出一种基于YOLOv4-tiny的桃果实实时识别方法 YOLOv4-tinyPeach。通过在主干网络中引入卷积注意力模块CBAM,优化其通道维度和空间维度的特征信息;在颈部网络中添加大尺度浅层特征层,提高对小目标识别精度;采用双向特征金字塔网络BiFPN对不同尺度特征信息进行融合。通过训练和比较,YOLOv4-tiny-Peach模型在测试集下的平均精度AP为87.88%,准确率P为91.81%,召回率R为73.84%,F1值为81.85%,相比于改进前,AP提升5.46%,P提升2.29%,R提升4.09%,F1提升3.44%。为检验改进模型在果园复杂环境下的适应性,在不同数目、不同成熟期和遮挡的情况下对果实图像进行识别,并与原模型识别效果进行对比,结果表明改进模型在三种情况下的识别精度均高于原模型,尤其在大视场和未熟期场景下模型改进效果显著。YOLOv4-tiny-Peach模型占用内存为27.4 MB,识别速度为49.76 fps,适用于农业嵌入式设备。为果园复杂环境下的桃果实自动采摘提供实时精准的目标识别指导。

YOLOv4-tiny模型在边缘计算平台的加速设计

近年来,随着目标检测算法的快速发展,其模型规模也越来越大,在嵌入式移动端中部署时往往存在着功耗和时延等限制。针对此问题,采用输入输出通道的并行组合策略、数据定点量化、多通道数据传输等硬件加速方法,设计了一种基于FPGA平台的目标检测加速器架构。以YOLOv4-tiny模型算法为例进行硬件加速设计实现,使用输入输出通道并行组合策略对加速器的输入输出模块进行优化,提高了带宽的利用率;采用双缓存结构对加速器的访存机制进行优化,提高了系统的传输效率,并对加速器的性能以及资源消耗情况进行评估、分析和验证。实验结果表明,在PYNQ-Z2平台上该架构的性能为10.96 GOPS,功耗为2.98 W。与已有研究中在FPGA平台部署目标检测算法的实验进行比较发现,本文所提出的加速器的加速效果更好。

YOLOv4-Tiny的改进轻量级目标检测算法

目标检测是深度学习的重要分支领域,大量的边缘设备需要轻量级的目标检测算法,但现有的轻量级的通用目标检测算法存在检测精度低、检测速度慢的问题。针对这一问题,提出了一种基于注意力机制的YOLOv4-Tiny的改进算法。调整了原有的YOLOv4-Tiny算法的主干网络的结构,引入了ECA注意力机制,使用空洞卷积改进了传统的SPP结构为DC-SPP结构,并提出了CSATT注意力机制,与特征融合网络PAN形成CSATT-PAN的颈部网络,提高了网络的特征融合能力。提出的YOLOv4-CSATT算法和原始YOLOv4-Tiny算法相比,在检测速度基本持平的情况下,对于信息的敏感程度以及分类的准确程度有了明显的提高,在VOC数据集上精度提高了12.3个百分点,在COCO数据集上高出了6.4个百分点。在VOC数据集上,相比Faster RCNN、SSD、Efficientdet-d1、YOLOv3-Tiny、YOLOv4-MobileNetv1、YOLOv4-MobileNetv2、PP-YOLO算法在精度上分别高出3.3、5.5、6.3、17.4、10.3、0.9和0.6个百分点,在召回率上分别高出2.8、7.1、4.2、18.0、12.2、2.1和4.0个百分点,FPS达到94。通过提出CSATT注意力机制提高了模型对于空间的通道信息的捕捉能力,并结合ECA注意力机制和特征融合金字塔算法,提高了模型的特征融合的能力以及目标检测精度。

改进YOLOv4-Tiny的面向售货柜损害行为人体检测

无人货柜的安全检测一直是零售领域的热点话题。针对现有人工监控无法及时且有效地捕捉到部分消费者对自助售货柜及其内部商品的损坏行为这一问题,提出了一种改进YOLOv4-Tiny的面向售货柜损害行为人体检测方法。将真实场景采集到的监控视频进行预处理,完成对数据集DMGE-Act的制作,解决场景图像数据源不足的问题。提出了基于YOLOv4-Tiny的改进模型——YOLOv4-TinyX,通过修改神经网络的激活函数进行平滑逼近,分别在主干特征提取网络的最大特征提取层后引入CBAM,在加强特征提取网络中的上采样操作层后引入CA两种不同的注意力机制模块,并且进行了数据不平衡的修正,有效提升了算法的特征提取与检测能力。通过对比实验分析,改进后的模型参数量仅增加2×10^(4)的同时,平均精度均值mAP提升了10.29个百分点,结果表明该算法保持轻量化且对损害行为的检测精度有显著提升。

基于改进YOLOv4-tiny的节肢动物目标检测模型

针对自然环境下节肢动物背景复杂、形态万千、遮挡目标和目标尺度多样等因素,导致模型检测效率不高、边界框定位不准确的情况,提出一种基于改进YOLOv4-tiny的节肢动物目标检测模型。首先,结合空间、通道卷积注意力机制(CBAM),抑制背景噪声;其次,引入可变形卷积(DCN)以及改进的加权双向特征金字塔,重塑卷积和特征融合方式进行多尺度预测;最后,在FPN网络中引出一层Feat@3,嵌入空间金字塔池化结构,有效提取节肢动物的各种显著特征,使模型泛化能力更强,将改进后的模型命名为YOLOv4-tiny-ATO。实验结果表明,该模型在大小仅为54.6 Mb的前提下,很好地平衡了检测速度和检测精度,检测精度为0.725,检测速度达到89.6帧·s-1,召回率为0.585,较改进前相比YOLOv4-tiny模型,检测精度提高0.426,模型在模型大小、检测速度上更适用于移动端部署,模型检测精度也能达到应用标准,满足对节肢动物的检测需求。

基于改进YOLOv4-Tiny算法的机械零件识别

为实现机械零件的精准快速识别,文中提出了一种基于改进的YOLOv4-Tiny算法的机械零件识别方法。该方法融合了注意力机制和K-means++聚类算法,采用CSPDarknet53-Tiny网络作为主干网络,并将卷积注意力机制模块(Convolution Block Attention Module, CBAM;Global Attention Mechanism, GAM)加在YOLOv4-Tiny主干网络与特征金字塔的连接处及其上采样处,在不影响主干网络的条件下,对每个通道的特征信息重新压缩并提取,过滤掉冗余特征信息,保留重要特征信息,并重新分配权重;再用K-means++聚类算法得到一组与机械零件图像数据集相匹配的先验框参数。试验结果表明,与传统的YOLOv4-Tiny算法相比,改进后的YOLOv4-Tiny算法在保证实时性的前提下,平均召回率和平均准确率分别达到99.43%和99.41%,可以准确检测并定位机械零件图像的位置。

基于改进的YOLOv4-tiny模型剪枝与量化

针对YOLOv4-tiny存在计算量较大,检测精度低,无法满足嵌入式设备实时性需求的问题,论文基于MobileNetv3改进的轻量级网络YOLOv4-E,使用BN层的γ尺度因子对冗余的特征通道进行剪枝,在25%剪枝率下模型大小降低到了6.7MB,mAP仅降低了0.59%,FPS提升了8.8%。同时使用NCNN前向推理框架对剪枝后的模型进行Int8量化,在树莓派4B上检测单张图片仅需173 ms,满足了实时性需求。

基于改进YOLOV4-tiny的电力设备红外识别研究

红外检测技术因其具有无需直接接触、带电状态进行检测、检测快速等优点,广泛应用于电力设备过热故障诊断领域。但是,红外图像质量不佳和电力设备的复杂分布等问题,对电力设备故障红外检测过程中的电力设备种类检测精度带来不利影响。为了实现电力设备种类识别的快速准确检测,在YOLOV4-tiny目标检测算法的基础上,提出了适用于电力设备过热故障诊断过程设备种类识别的YOLOV4-tiny目标检测模型。通过旋转矩形框机制替换水平矩形框机制、改进激活函数和采用PAN+FPN加强特征提取网络的方式,来改进原检测模型,使其在检测时更精准更快速。通过多次实验验证,优化后的模型相较于YOLOV4、YOLOV4-tiny两种模型来说,检测速度没有明显提升,但其检测精度提升了1.89%,这为电力设备过热故障红外诊断过程中的设备种类识别研究带来了新的思路。

基于网络瘦身算法的YOLOv4-tiny的甘蔗茎节识别

为提高智能甘蔗收获的准确性,降低算法对部署的高算力要求,利用轻量级目标检测算法YOLOv4-tiny相对YOLOv4算法更简化的网络结构、更高的推理速度等优点,提出基于MobileNet和网络瘦身的两种YOLOv4-ting识别算法方案,并比较二者的精度和模型复杂度。其中,基于网络瘦身算法的YOLOv4-tiny在精度较瘦身前(94.7%)下降0.6%的情况下,模型复杂度下降为原来的1/3,即瘦身后的FLOPs和Params分别为1.1 G和1 789 658。而以MobileNet为Backbone的YOLOv4-tiny在精度下降1.92%的情况下,它的FLOPs和Params为1.29 G、2 600 068,其在精度和模型复杂度上的表现都不如瘦身后的YOLOv4-tiny模型。结果表明:基于网络瘦身算法的YOLOv4-tiny甘蔗茎节识别模型可有效降低模型复杂度,其计算量对嵌入式设备和移动式设备友好。该研究可为智能甘蔗收割机构的开发提供技术参考。

基于YOLOv4-Tiny结构的小目标实时检测优化算法

文章针对小目标实时检测的实际应用需求,以YOLOv4-Tiny结构为基本框架,使用ECANet重新设计MobileNetV3的Bneck结构并替换主特征提取网络CSPDarkNet53-Tiny,以提高模型的深度和检测速度;通过在其主干网络输出接口后增加SPPCSPC模块和使用路径聚合网络(PAN)替换特征金字塔(FPN),增强模型的感受野,汇聚多区域上下文信息,使每个特征层得到更加充分的语义信息和位置信息;在Head后融入CBAM注意力机制,增强有用信息并抑制无用信息,提高模型的检测精度。以口罩佩戴状态实时监测来验证提出的算法,实验结果表明,与YOLOv4-Tiny结构相比,该算法平均精度提升4.13%,达到91.84%,FPS提升4.4 frame/s,达到89.5 frame/s,满足口罩佩戴状态检测的实时性要求。

基于改进YOLOv4网络的光伏组件故障诊断方法

为提高红外光伏组件故障的检测精度,提出一种基于改进YOLOv4网络的图像检测方法。针对无人机采集的红外光伏组件图像数据较少的问题,通过离线数据增强方式扩充数据集;用DenseNet121网络替换YOLOv4网络中原有的DarkNet53主干网络,实现YOLOv4网络的轻量化,提升了网络检测速度;设计新的路径聚合网络,提升YOLOv4网络对红外光伏组件图像浅层特征的融合程度,并在新增路径上添加YOLO检测头,提高网络对红外光伏组件图像中小目标的检测精度;在主干网络后添加注意力机制模块,提升网络的专注度。试验结果表明,改进YOLOv4网络对红外光伏组件故障的检测具有较高的精度。

基于改进YOLOv4-tiny的行人检测算法研究

在汽车智能化进程中,对于道路行人的检测研究是必不可少的,文章基于YOLOv4-tiny提出一种改进的行人检测算法,应用于车载小型摄像头。将空间金字塔池化结构(SPP)引入网络结构,通过SPP模块实现局部特征和全局特征的融合,丰富最终特征图的表达能力;在特征层和上采样引入了坐标注意力(CA)机制,从通道和空间两方面对图像特征进行有效关注;实验采用PASCALVOC-2007数据集进行训练和验证。实验结果表明,改进后的算法在VOC数据集中,平均精度提高了3.84%,F1值为0.80,查准率提高了0.77%,查全率为73.95%,平均准确率均值(mAP)提高了8.79%,在保证算法速率的同时提高了检测精度。该研究为汽车智能化行驶过程中的行人检测提供了建议。

基于YOLOv4-Tiny的硬件加速系统的设计与实现

随着神经网络算法的迅猛发展,将其部署在边缘设备上面临着功耗和计算时间的制约。针对YOLOv4-Tiny算法在资源受限的边缘端部署困难等问题,文章提出了一项软硬件协同优化策略。为了提升硬件资源使用率和推理效能,文章采用了输入输出通道与权重通道的双重缓冲机制,并在此基础上,结合双缓冲结构与强化的高度并行流水线设计,开发了一种基于ZynqFPGA硬件平台的目标检测加速系统。实验结果显示,该系统在ZynqKV260平台上的运行功耗仅为3.712W,单帧推理时间缩短至0.43s,与现有的FPGA硬件加速器平台相比,实现了更优的性能表现。

快速精准识别棚内草莓的改进YOLOv4-Tiny模型

为了实现棚内草莓果实的快速精准识别,该研究提出一种基于改进YOLOv4-Tiny的草莓检测模型。首先,为了大幅度减少模型计算量,采用轻量型网络GhostNet作为特征提取网络,并在GhostBottleneck结构中嵌入卷积注意力模块以加强网络的特征提取能力;其次,在颈部网络中添加空间金字塔池化模块和特征金字塔网络结构,融合多尺度特征提升小目标草莓的检测效果;最后,采用高效交并比损失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YOLOv4-Tiny模型权重大小仅为4.68 MB,平均每幅图片的检测时间为5.63 ms,在测试集上的平均精度均值达到92.62%,相较于原YOLOv4-Tiny模型提升了5.77个百分点。与主流的目标检测模型SSD、CenterNet、YOLOv3、YOLOv4和YOLOv5s相比,改进YOLOv4-Tiny模型平均精度均值分别高出9.11、4.80、2.26、1.22、1.91个百分点,并且模型权重大小和检测速度方面均具有绝对优势,该研究可为后续果实智能化采摘提供技术支撑。

基于YOLOv4-tiny的溜筒卸料煤尘检测方法

煤炭港在使用装船机的溜筒卸载煤的过程中会产生扬尘,港口为了除尘,需要先对粉尘进行检测。为解决粉尘检测问题,本文提出一种基于深度学习(YOLOv4-tiny)的溜筒卸料煤粉尘的检测方法。利用改进的YOLOv4-tiny算法对溜筒卸料粉尘数据集进行训练和测试,由于检测算法无法获知粉尘浓度,本文将粉尘分为四类分别进行检测,最后统计四类粉尘的检测框总面积,通过对这些数据做加权和计算近似判断粉尘浓度大小。实验结果表明,四类粉尘的检测精度(AP)分别为93.98%、93.57%、80.03%和57.43%,平均检测精度(mAP)为81.27%,接近YOLOv4的83.38%,而检测速度(FPS)为25.1,高于YOLOv4的13.4。该算法较好地平衡了粉尘检测的速率和精度,可用于实时的粉尘检测以提高抑制溜筒卸料产生的煤粉尘的效率。