改进YOLOv8n的选通图像目标检测算法

激光选通成像技术在复杂环境下表现出色,但选通图像为灰度图像无法提供颜色信息,并且对比度较低,所以在进行小目标和遮挡目标检测时更加困难。为解决以上问题提出了一种改进YOLOv8n的选通图像目标检测算法。在特征提取的主干网络部分,使用大核卷积C2f-DSF更有效地捕获输入数据的全局信息。添加了多头注意力检测头Detect-SEAM模块,增强了特征提取和目标识别的能力。为了获取不同感受野的上下文信息,增强特征提取能力,使用了SPPF-M模块。采用上采样算子Dysample,减少特征信息的损失,从而提高小目标的检测精度。改进的YOLOv8n算法在选通图像数据集上mAP@0.5提高了2.4个百分点,mAP@0.5:0.95提高了1.8个百分点。为了验证改进的YOLOv8n算法的泛化性,选取KITTI数据集实验,相比于YOLOv8n算法改进YOLOv8n的mAP@0.5提高了4.3个百分点,mAP@0.5:0.95提高了3.5个百分点。

基于双目视觉和改进YOLOv8n的火灾检测及测距方法

针对火灾检测出现的漏检误检、模型参数量大及定位困难的问题,基于双目视觉和改进YOLOv8n提出了一种轻量化火灾检测及测距方法.通过双目相机拍摄图片,使用改进的检测算法YOLOv8n-AEM和现有的测距算法SGBM进行检测和测距.首先,在主干网络中引入可变核卷积AKConv和EMA注意力机制,通过构建不规则卷积核有效提取火灾的特征;然后,在颈部网络中构建C2f-SCConv模块,通过特征重组降低模型参数,提高检测速度;其次,基于最小点距离改进损失函数,解决火源与光源重叠导致的漏检与误检问题;最后,增加小目标检测头,提高对小火苗的检测能力.实验结果表明,改进后的检测算法P、R、mAP分别为83.6%、76.4%、83.6%,分别提高了2.5%、3.6%、4.8%;参数量和模型大小分别为2.54 M和5.1 MB,分别降低了15.3%和15%;测距精度误差不超过2.5%,证明改进的方法能准确完成火灾的检测及测距.

基于YOLOv8n的表格线检测改进模型

在表格识别重构任务中,分割和合并的重构方法需要通过检测表格线进而重构出电子表格,因此表格线检测结果的质量直接决定了表格重构的效果。针对已有方法存在误检漏检的问题,提出一种YOLOv8n改进模型,用于表格线检测。在主干网络中,利用Swin Transformer的思想改进BottleneckCSP模块,可以捕捉到更长距离的上下文信息,提升对于大尺度表格线的识别能力;针对表格线细长密集的特点,引入蛇形动态卷积的思想改进C2f(CSPLayer_2Conv)模块,根据特征之间的空间关系自适应地调整卷积核的形状和位置,从而更好地捕获特征之间的相关性和局部细节,进而提高特征建模能力;通过CBAM(convolutional block attention module)注意力机制改造空间金字塔池化层,动态地调整特征图中每个通道和空间位置的重要性,从而增强特征图的区分能力;优化颈部结构,引入混洗卷积来改造颈部结构。实验结果表明,改进后的YOLOv8n模型在ICDAR_2013和PubTabNet数据集上,m AP@0.5:0.95、准确率、召回率分别提升了0.079、0.301、0.088,性能超过YOLO同系列模型。这些改进使得YOLOv8n模型在表格线检测任务中展现出了优异的性能,通过与合并方法结合,可以进一步提升表格重构的效果。

改进YOLOv8n的无人机航拍图像检测算法

针对无人机航拍图像中目标小、尺度变化大和背景干扰等因素导致检测精度低、定位不准确的问题,提出一种改进YOLOv8n的无人机航拍图像目标检测算法。首先改进C2f模块,利用可变形卷积(DCN)替换其Bottleneck中的卷积以适应航拍图像中物体的形变和尺度变化,同时,在主干网络引入LSK注意力机制,实现动态调整空间感受野,从而在特征提取阶段更灵活地适应不同目标对背景信息需求的差异;然后改进颈部网络,增加一个较浅的检测层并移除大目标检测层,使网络能更有效地捕获小目标的特征以提升检测精度;最后引入WIoU损失函数,使模型更加关注低质量样本,得到更高的检测精度。在VisDrone2019数据集上进行对比实验和消融实验,mAP_(50)值较基线算法模型提升了5.2个百分点,参数量减少了20%,检测速度(FPS)达到87帧/s,能够满足实时性的检测需求。与主流算法进行对比实验,所提算法表现优于目前的主流算法。在DOTA数据集上进行泛化实验,mAP_(50)值提升了1.7个百分点,证明所提算法具有通用性。

基于改进YOLOv8n模型的草莓识别方法

针对复杂背景下小目标草莓检测识别率低的问题,本文提出一种改进的YOLOv8n模型,来提升草莓目标识别的精度。首先在模型结构中引入SPD-Conv模块,用以增强模型对小物体和低分辨率图像的处理能力,提高在复杂场景下的鲁棒性,随后整合YOLOv10提出的PSA注意力机制,以低计算成本提升模型的全局表示学习能力,进一步增强模型性能,最后使用WIoU损失函数以替代CIoU损失函数,解决原损失函数的局限性。改进后的YOLOv8n模型相比原始模型,精度提升0.9个百分点,召回率增加4.3个百分点。此外,mAP0.5和mAP0.5:0.95分别提高了3个百分点和3.5个百分点。改进的YOLOv8n模型显著提升了草莓目标检测的精度,在复杂背景下对小目标的草莓具有更优异的检测表现。

基于改进YOLOv8n的设施高垄草莓识别方法

针对草莓生长环境中果实堆叠、叶片枝干遮挡和光线不均等问题导致的低识别率,实现设施高垄草莓的识别检测,改变草莓采摘依赖人工的现状。本文提出基于改进YOLOv8n的草莓识别模型,构建MBCA模块作为YOLOv8n的主干网络特征提取模块;构建AVCStem模块替换颈部网络的3个C2f模块,并将GSConv替换颈部网络的普通卷积,保持轻量化并进一步提升精度。改进后YOLOv8n模型mAP为96.8%,R为93.8%,P为92.4%。该研究可实现成熟草莓的识别,有助于进一步推动智能化草莓采摘机器人的研发与应用。

基于改进YOLOv8n的钢材缺陷检测算法

钢材缺陷检测作为关键任务,对于预防潜在的安全隐患具有重要意义。传统的钢材缺陷检测方法往往依赖于人工检测,效率低下且容易受到人为因素的影响。随着计算机视觉技术的不断发展,目标检测在许多领域都得到了广泛的应用。研究提出了一种基于改进YOLOv8n的钢材缺陷检测算法,并在东北大学钢材缺陷公开数据集上进行验证,实验结果显示,相较于原始YOLOv8n模型,准确性提升3.0%,相较于YOLOv5n模型,准确性提升4.7%,很好地验证了改进的有效性,可以为钢材缺陷检测提供更好的技术支持。

基于改进YOLOv8n的轻量化茶叶嫩芽检测方法

为解决自然环境下茶叶嫩芽检测场景复杂,模型参数量大无法在嵌入式设备部署等问题,提出一种基于改进YOLOv8n的轻量化茶叶嫩芽检测方法。构建一种MFBNet轻量化骨干网络,引入MBConv模块后大大减少了模型计算量。同时在骨干网中加入CBAM注意力模块,抑制无效信息,提高了模型检测精度;其次引入AKConv模块对VoVGSCSPC结构进行改进,提出全新的AVCStem模块,并将其替换颈部网络的C2f模块,进一步减少模型参数,提升嵌入式设备部署效率;最后采用GSConv模块替换颈部网络结构中的全部Conv模块,帮助模型进行快速计算,提高茶叶嫩芽的检测速率。结果表明,本文提出的模型比YOLOv8n原模型的mAP50和FPS分别提升了3.5%、55.6%,参数量减少了14.3%,且模型鲁棒性强,满足复杂场景下茶叶嫩芽的轻量化快速检测。

基于改进YOLOv8n的无人机目标检测算法研究

针对低空无人机目标的误检漏检等问题,提出改进YOLOv8n的算法模型ASSM-YOLO。首先,添加小目标检测头并使用AFPN替换原有Neck结构,渐近融合低层与高层特征;其次,引入SA注意力机制增强对无人机目标的感知能力;再次,将主干网络卷积层替换为SPD-Conv,改善卷积过程中特征丢失问题;最后,替换损失函数MPDIoU Loss,优化回归损失计算。在DUT-UAV数据集上的实验表明:ASSM-YOLO算法的平均精度值R_(mAP@0.5)、R_(mAP@0.75)和R_(mAP@0.5∶0.95)结果为92.5%、72.2%和62.9%,较原YOLOv8n网络分别提升了5.9%、8.3%和6.5%,显著提升了无人机目标的检测精度。

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。

改进YOLOv8n的花生品质检测方法

花生品质筛选在农业生产和食品安全中具有重要意义。针对传统花生品质筛选方法效率低的问题,提出改进YOLOv8n算法的轻量化花生品质检测模型LE-YOLO(lightweight and efficient)。提出一种分组重序颈部模块(grouped shuffling bottleneck,GSBottleneck),增加了模型非线性拟合能力,减少了模型推理时间;设计了残差分组重序模块(residual group shuffling block,ResGSBlock),并结合GSConv(grouped shuffle convolution)构建轻量颈部网络(lightweight neck,LW-Neck),减少了模型计算成本,提升了模型推理速度;提出自适应特征优化模块(adaptive feature optimization block,AFOB),增强了通道间信息交互和模型表征能力。在DW花生数据集上进行实验验证,相较于YOLOv8n算法,LE-YOLO的计算量减少了1 GFlops,FPS提升了25%,平均精度均值mAP@0.5达到了98%,验证了该算法在检测精度和速度上的良好性能,为花生品质筛选提供了一种有效的方法。

面向施工现场安全帽检测改进的YOLOv8n-DM算法研究

进入施工场地未正确佩戴安全帽是导致人员伤亡的主要原因,但现有检测算法存在精确率低、复杂度高等问题。为此,提出了基于混合局部通道注意力和动态卷积改进YOLOv8n的安全帽佩戴检测算法YOLOv8n-DM,设计使用SIoU(Soft Intersection over Union)优化边界框回归损失函数提升预测框准确度和加快收敛速度。试验结果表明,相比原始YOLOv8n算法,该算法复杂度下降了15%,检测精确率提高了5百分点。相比YOLOv5s、YOLOv7-tiny等算法,所提算法的参数量、复杂度和模型尺寸均有显著下降。该算法在自建数据集上的精确率达到了92.4%,处理每张图片用时2.2 ms,兼顾了高检测性能和实时性要求,更适用于实际施工现场的部署与应用。

基于改进YOLOv8n模型的多品种葡萄簇检测方法

葡萄簇目标的精准检测是实现估产、采摘等作业的前提,现有方法难以实现多品种葡萄簇的轻量化精准检测。为提高复杂自然场景下多品种葡萄簇检测准确性、鲁棒性与泛化性,提出一种基于改进YOLOv8n模型的多品种葡萄簇检测模型ESIC-YOLOv8n,该模型在YOLOv8n的Backbone和Neck网络中分别添加EMA和SA注意力模块,以加强网络的特征提取和多尺度特征融合能力,降低因遮挡或重叠对葡萄簇检测的干扰,提高检测精度和召回率;在Head把CIoU替换成Inner-CIoU,利用辅助框提高重叠目标检测的准确性,从而提升模型整体的检测准确性和泛化性。ESIC-YOLOv8n模型的检测精度为87.00%,召回率为81.60%,mAP为88.90%,F1值为84.21%,较原YOLOv8n模型分别提高1.05%、2.90%、1.48%和2.00%。结果表明,ESIC-YOLOv8n模型具有准确率高、泛化性好、轻量化等优点,可为葡萄产量估计、采摘等研究提供技术支持。

基于改进YOLOv8n的变电设备红外图像实例分割算法

变电设备是电网输变电过程的重要组成部分,为保证电网的正常运行,需对变电设备进行故障诊断,红外图像中变电设备的精确分割是故障诊断的关键步骤。针对红外图像复杂场景中变电设备分割时存在的分割精度低和漏分割的问题,提出一种基于改进YOLOv8n的变电设备红外图像实例分割算法。首先设计一种上下文引导的特征增强下采样块替换YOLOv8n中的下采样卷积层,充分利用上下文信息和全局信息,增强模型对复杂场景的理解能力;然后引入可变形卷积重构Backbone中的C2f模块,增强对不规则设备特征的提取能力;最后用Wise-IOUv2对损失函数进行优化,提高模型的泛化性和分类能力。使用变电设备红外图像数据集对该模型进行实验验证,实验结果表明,相较于YOLOv8n基准模型,本文所提方法的mAP50和mAP50:95分别提高了4.2%和3.5%,所提方法能够较好地解决复杂场景下设备漏分割的问题,有效提高变电设备实例分割的准确率。

基于改进YOLOv8n的渔光互补池塘作业船导航中线提取方法

在复杂渔光互补池塘环境中,传统机器视觉算法易受光影变化、池中水草分布和水面障碍物遮挡等因素干扰,导致视觉导航线检测效果不佳。针对上述问题,该研究提出了一种基于改进YOLOv8n的渔光互补池塘作业船导航中线提取方法。首先从提高检测实时性角度出发,将HGNetV2网络作为主干网络,采用组归一化方式(group normalization,GN)与共享卷积结构,设计轻量化检测头网络,减小模型体积;然后使用SPPF_LSKA模块作为特征融合层,提高模型多尺度特征融合能力;最后采用Wise-IoU(weighted interpolation of sequential evidence for intersection over union)损失函数,提升边界框回归性能和对中远处小目标的检测精度。利用改进YOLOv8n检测框坐标提取两侧水泥立柱定位参照点,通过最小二乘法拟合两侧水泥立柱行线,进而使用角平分线提取导航中线。消融试验结果表明,相对于原始YOLOv8n模型,改进YOLOv8n模型的计算量、参数量和模型体积分别下降36.0%、36.8%和32.8%,平均精度均值(mean average precision,mAP)为97.9%,查准率为93.1%,单张图像检测时间为6.8 ms,检测速度提升42.9%。不同模型对比试验表明,改进YOLOv8n模型在较低计算成本的基础上,体现出了良好的实时性与精准度检测性能,具有明显优势。在导航中线定位分析试验中,提取水泥立柱定位参照点与人工观测标记点平均直线误差在0~5和5~10 m距离范围内分别为3.69 cm和4.57 cm,提取导航中线与实际导航中线平均直线误差为3.26 cm,准确率为92%。在导航中线实时性试验中,导航中线平均提取速度为22.34帧/s,满足渔光互补池塘无人作业船导航要求,为后续作业船视觉导航系统研究提供参考。

基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法

目前蟹塘内水草清理以人工作业为主,劳动强度大,作业效率低,自动水草清理船能大幅降低劳动强度,提高作业效率,而确定蟹塘水草分布是规划水草清理船高效作业路径的关键基础。针对无人机采集的蟹塘水草图像中水草与岸边植被相似性高、难以准确区分等问题,该研究提出一种基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法。改进模型从降低模型大小和提高召回率的角度出发,首先基于RT-DETR(real-timedetectiontransformer)的HGNetv2(hierarchical graph network)轻量化网络结构重设主干特征提取网络,缩减模型体积;其次以Efficient Rep轻量化结构为基准重构颈部网络,在降低参数量的同时增强模型的多尺度特征融合能力;接着在特征提取层引入SegNext注意力机制,加强模型对蟹塘水草区域的敏感度。为了消除模型在识别过程中产生的冗余区域,进一步提高分割精度,采用二值化处理对分割结果进行优化,并结合图像处理算法对水草区域进行面积筛选;经过坐标转换后得到精确水草轮廓经纬度坐标。试验结果表明:改进模型对蟹塘水草具有良好的区分度和分割效果,其参数量和计算量分别为1.49 M和8.4 GFLOPs,召回率和平均精度均值分别为91.5%和95.6%,与原YOLOv8n-seg模型相比,模型体积减小了49.7%,分割速度提升了32.3%。在坐标转换试验中,水草定位精度平均误差为0.22 m,验证了改进模型能够满足蟹塘水草区域分割与定位要求。研究结果为后续水草清理船自动作业路径规划研究提供参考。

基于改进YOLOv8n的煤矿井下钻杆计数方法

为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(BiFPN)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用Dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%,与对比模型GCI−YOLOv4,ECO−HC,P−MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了4.3%,7.5%,2.1%,6.3%,5.8%,检测速度较原始YOLOv8n模型提升了17.8%。②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。

基于YOLOv8n的航拍图像小目标检测算法

针对航拍图像小目标检测中存在目标密集和相互遮挡问题,提出一种基于YOLOv8n的航拍图像小目标检测算法。在主干网络末段,置换C2f中Bottleneck为改进后的FasterNet,保持通道数并提升收敛速度;替换SPPF中CBS激活函数SiLU为ReLU使输入负值置零,在CBS后引入SE注意力机制扩张感受野,保留更多小目标特征。输出端检测头前嵌入高效多尺度注意力机制EMA获取更多细节信息,进一步提高小目标关注度。将基线网络损失函数CIoU替换成Wise IoU,提供增益分配策略,专注普通质量锚框,提高网络泛化能力。在数据集VisDrone2021和RSOD上做消融实验和对比实验,相较于基线算法,mAP@0.5分别提升5.1和7.2个百分点,mAP@0.5:0.95分别提升4.4和2.1个百分点,表明检测精度指标显著提升;在公开数据集VOC2007+2012上做泛化实验,mAP@0.5提升3.8个百分点,表明具有良好的鲁棒性。

基于改进YOLOv8n的轻量化分心驾驶检测算法

针对驾驶员分心驾驶检测领域中深度学习模型参数量大,在嵌入式设备上难以部署的问题,提出一种基于YOLOv8n的轻量化分心驾驶检测算法YOLOv8n-SGC。首先,构建ShuffleNetV2轻量化骨干网络,引入幻影卷积(GhostConv),减少模型参数量和计算量,实现模型轻量化;其次,在骨干网络后加入卷积和注意力融合模块(CAFM),融合全局和局部特征,提升算法检测精度。验证结果表明,相较于基准模型,改进模型的参数量和计算量都有所降低,且体积减小了28.67%,推理时间缩短了41.79%,mAP提高了1.1百分点。

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。