基于Ghost-YOLOv5s的SAR图像舰船目标检测

基于星载合成孔径雷达(synthetic aperture radar,SAR)图像的舰船目标检测中,为了平衡模型大小与检测精度,提出了一种基于Ghost卷积的SAR图像舰船目标检测方法Ghost-YOLOv5s。在YOLOv5s的颈部引入Ghost卷积,以减少模型参数和压缩模型体积;将高效的通道注意力机制(efficient channel attention,ECA)融入到颈部的C3模块里,以突出重要特征,从而保持较高的检测性能;使用SIoU损失函数替换原来的CIoU损失函数,以减少预测框和真实框之间的偏差,提高检测算法精度。实验结果表明,在SSDD遥感数据集上,改进模型与YOLOv5s相比,模型参数量减少了6.28%,模型体积减小了6.21%,检测精度达到了98.21%,实现了模型大小与检测精度的平衡。

基于Ghost卷积的高级别浆液性卵巢癌复发预测方法

高级别浆液性卵巢癌是一种恶性肿瘤疾病,进行术前复发预测能帮助临床医生为患者提供个性化治疗方案,降低病人的死亡率。因该疾病的医学数据较少且难以获取,导致其深度学习模型难以得到充分的训练,复发预测准确率有待提高。针对此问题,本文设计了一种改进的低参数残差网络TGE-ResNet34,以ResNet34为主干网络,将传统卷积模块用Ghost卷积代替,完成病灶区特征的提取,降低模型的参数量,在2个Ghost卷积之间融入ECA(Efficient Channel Attention)注意力机制,抑制无用特征提取的干扰,最后通过5折交叉验证模型,避免数据随机划分的偶然性。实验结果表明,改进设计的TGE-ResNet34网络准确率为96.01%,相比原基线网络准确率提高4.52个百分点,参数量减少15.98 M。

基于轻量化YOLOv5-GCDNet的航拍绝缘子掉串检测

绝缘子掉串实时检测对保障高压电力输送稳定性与及时处理故障具有重要作用。为此,提出一种基于轻量化YOLOv5-GCDNet的航拍绝缘子掉串检测方法。首先,采用幻象卷积和倒残差结构,设计新型特征提取网络GCDNet,以降低YOLOv5目标检测网络中的计算复杂度,以提高检测速度,同时提取更丰富的目标特征;其次,结合自适应上采样优化特征融合网络,提高模型检测精度;最后,添加激励因子α-IoU加速目标框损失值收敛以提高检测效率。分析实验结果可知,该轻量化YOLOv5-GCDNet模型的平均检测精度为93.6%,检测速度为68FPS,且模型参数量为3.7M,优于其他主流检测算法,该方法可为绝缘子掉串检测提供技术参考。

基于LGC的反残差目标检测算法

基于深度学习的目标检测是计算机视觉领域的研究热点,目前主流的目标检测模型大多通过增加网络深度和宽度以获得更好的检测效果,但容易导致参数量增加、检测速度降低的问题。为兼顾检测精度与速度,借鉴Ghost卷积和分组卷积的轻量化思想,提出了一种高效的轻量级Ghost卷积(LGC)模型,以采用更少的参数获得更多的特征图。在该卷积模型的基础上引入反残差结构重新设计了CSPDarkNet53,生成了一种基于LGC的反残差特征提取网络,以提高网络对全局特征信息的提取能力。使用反残差特征提取网络替换YOLOv4的骨干网络,辅以深度可分离卷积进一步减少参数,提出了一种反残差目标检测算法,以提升目标检测的整体性能。实验结果表明:相比于主流的目标检测算法,所提算法在检测精度相当的前提下,模型参数量和检测速度具有明显的优势。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

改进YOLOv7-tiny的手语识别算法研究

在与听障人士进行交流时,常常会面临交流不便的困难,文中提出一种手语识别的改进模型来解决这个困难。该模型基于YOLOv7-tiny网络模型,并对其进行了多项改进,旨在提高模型的精度和速度。首先,通过对CBAM注意力机制的通道域进行改进,解决了因降维而造成的通道信息缺失问题,并将改进后的CBAM加入到YOLOv7-tiny的Neck层中,从而使模型更加精准地定位和识别到关键的目标;其次,将传统的CIoU边界框损失函数替换为SIoU边界框损失函数,以加速边界框回归的同时提高定位准确度;此外,为了减少计算量并加快检测速度,还将颈部层中的普通卷积模块替换为Ghost卷积模块。经过实验测试,改进后网络模型的平均精度均值(mAP)、精准率和召回率分别提升了5.31%、6.53%、2.73%,有效地提高了手语识别网络的检测精确度。

轻量级GCN人体运动骨骼数据识别方法

“健康中国”建设上升为国家战略,体育锻炼逐渐融入人们的日常生活中,逐渐被赋予更高的意义与价值.与此同时,伴随着科技的进步与飞速发展,融合AI算法的智能体育运动类软件及相关技术,引起众多研究人员的关注.传统的运动类软件采用视频或记录的方式,缺少与人体的智能互动和对力量练习(无氧运动)的监控与管理.为解决人体运动动作智能识别的问题,设计添加注意力机制的轻量级GCN模型,并成功应用于人体动作识别任务中.所设计的轻量级GCN,一方面简化了网络结构;另一方面,融合图注意力机制和多通道注意力模块.通过设计对比实验所得研究结果表明,该模型能够实现对人体动作的准确提取及识别,在推动体育运动智能化发展方面具有重要意义.

基于改进U-Net的轻量级眼底病变分割算法设计

精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原U-Net网络中加入改进的Ghost卷积模块与多尺度特征融合模块,提出一种改进U-Net眼底病变分割图像的算法。该模型能以少量的参数量、较低的计算复杂度获得良好的分割结果。利用GhostModel替换原始卷积,设计出Ghost卷积与Ghost下采样卷积模块,在保证准确度的同时降低参数量;设计出一种轻量级的Half-UNet多尺度特征融合模块来获取多尺度信息,针对不同尺度病变目标,引入CBAM注意力机制以改善其适应性,从而更好的提取细小的病变信息。改进后的模型在e_optha与IDRiD两个公开数据集上的mIoU分别为61.42%、61.84%,F1-Score分别为70.59%、69.41%。模型参数量、FLOPs分别仅为5.48M、35.46GMac,较U-Net、Att-UNet等模型更加精简,分割精度更高。

基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

WGAN-GP结合CBAM-VGG16轻量化网络滚动轴承故障诊断

针对滚动轴承故障诊断中存在的故障数据不平衡且诊断效率低的问题,提出一种将改进的生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)和轻量化卷积神经网络相结合的滚动轴承故障诊断方法。首先,利用连续小波变换(Continuous Wavelet Transform,CWT)生成二维时频图,并通过WGAN-GP进行数据增强;其次在视觉几何群网络(Visual Geometry Group Network-16,VGG16)的基础上,引入Ghost模块和全局平均池化(Global Average Pooling,GAP)对其进行轻量化改进;再次,利用卷积注意力模块(Convolutional Block Attention Module,CBAM)和带重启的余弦退火衰减法提高VGG16模型的性能,构建CBAM-VGG16轻量化卷积神经网络模型,将增强后的数据进行预处理后输入到模型中进行训练,建立故障诊断模型;最后采用西储大学轴承数据集进行模型验证和分析。实验结果表明:该方法证实了故障数据不足时进行故障诊断的可行性,缩短了模型的训练时间、诊断时间并缩减了模型的大小和参数量,提高了故障诊断的效率和准确率。

基于改进YOLOv8算法的绝缘子缺陷检测模型

目前YOLO目标检测算法在绝缘子缺陷检测领域任然是最主流的方法,然而现有的YOLO模型框架参数量庞大导致户外部署难度加大,同时户外拍摄的绝缘子图像背景复杂,其缺陷更是微小导致难以被检测。针对上述问题,本文提出了一种基于YOLOv8n目标检测框架而改进得到的绝缘子缺陷检测模型YOLOv8-GCS,以降低模型的参数量并提高模型的检测精度。首先将模型中的C2f模块换成更加轻量级的Ghost卷积模块,以降低模型的计算量和参数量。然后在主干网络末尾和第二个检测头处加入CoordAtt注意力模块,抑制复杂背景对绝缘子缺陷部位的影响从而提高模型的检测精度。最后再引入一个SPD-Conv模块,让网络模型在二倍下采样的过程中无重要信息的损失同时增强网络模型对重要特征的学习率,进一步提高模型的检测性能。分析实验结果可知,本文算法与基线模型相比mAP50提高了4%,召回率和查全率分别提高了4.7%和1.3%,参数量降低了26.7%,保存结果的权重文件大小降低了1.5 MB,绝缘子破损和闪络缺陷的AP 50分别提高了4%和8.1%。

基于改进YOLOv8n的机器人视觉系统目标识别算法研究

针对机器人视觉系统在开阔环境中检测精度低的问题,该文提出了基于改进YOLOv8n的目标检测算法。实验结果显示,在引入多尺度检测头和压缩-激励注意力模块后,YOLOv8n的准确率上升到82.3%,而在引入Ghost卷积后,算法的浮点运算数降低至11.6。同时基于改进YOLOv8n的目标检测算法在水面环境中的检测准确率可达83.6%,高于其他算法。上述结果表明,基于改进YOLOv8n的目标检测算法不仅检测精度高,且计算复杂度低。

基于改进的YOLOv5模型和射线法的车辆违停检测

车辆违法停车将会降低道路通行效率,引发交通拥堵和交通事故.传统的车辆违停检测方法参数量大且准确度低.为此,本文提出了一种使用改进的YOLOv5模型和射线法的车辆违停检测方法.首先设计了轻量化的特征提取模块,减少模型参数量;其次在模型中加入注意力机制,从通道维度和空间维度增强模型的特征提取能力,保证模型精度;接着使用混合数据增强丰富数据集样本,提升复杂背景下的检测效果;然后选用EIoU作为损失函数提高模型定位能力.实验结果表明,改进后的模型均值平均精度达到91.35%,比原始YOLOv5s提升1.01个百分点,并且参数量减少35.79%.最后将改进后模型与射线法结合,在Jetson Xavier NX嵌入式平台的检测速度可以达到约28帧/s,能够实现实时检测.

基于特征增强与Transformer的煤矿输送带异物检测

输送带是煤矿井下最重要的运输设备之一,在输送工作中会因锚杆、槽钢、大块矸石等异物混入造成输送带撕裂、落煤口阻塞等重大安全事故,严重影响运输效率,甚至威胁工人生命安全。为了解决现有输送带异物检测算法存在的对细长物体表征能力弱、弱语义特征提取能力差等问题,设计了一种基于低层级特征增强与Transformer机制的异物检测算法(Feature Enhancement and Transformer YOLO,FET–YOLO)。首先,针对现有检测网络难以提取细长物体特征的问题,引入可变形卷积以提升网络对细长异物的形状特性的适应性,并使用MobileViT模块增加图像中异物与背景的区分度,以提取出更符合细长异物的多样性特征,削弱背景噪声的干扰;其次,构建低层级特征增强模块(Low-Level Feature Enhancement Module,LFEM),提升异物弱语义特征在检测网络中的表达能力,以降低漏检、错检的概率;最后,引入鬼影混洗卷积(GSConv)减少因特征图尺寸变化造成的信息丢失,保证网络高效提取特征的同时,减少模型参数量。利用煤矿井下输送带工作视频制作训练集和验证集,并将提出的算法与现有的3种输送带检测算法对比,实验结果表明:所提出的算法可以更好的解决输送带异物目标检测中细长物体检测效果差、弱语义特征提取困难的问题,具有更高的检测精度、同时符合输送带检测场景对检测实时性的要求,对于分辨率大小为640×640的图像mAP@0.5可达0.875,mAP@0.5:0.95可达0.543,检测速度为75 fps。

基于改进YOLOv8s的多尺度检测算法

针对绝缘子小目标特征信息不足导致的检测精度低、模型体积大不利于硬件移植等问题,提出一种多尺度检测算法MPH-YOLO。MPH-YOLO首先通过扩充小目标检测尺度,提高小目标感知能力;其次使用SIoU损失函数代替YOLOv8s中的CIoU损失函数作为边框损失函数,增强对目标的定位精度;最后引入更低成本的Ghost卷积代替网络结构中的传统卷积,轻量化模型的体积。改进后的算法在绝缘子数据集上的检测精度和模型轻量化均有提升,检测精度mAP50-95为86.2%,模型体积仅有4.7 MB。实验结果表明,MPH-YOLO不仅能够有效改善小目标检测,而且更加轻量化有利于硬件移植,具有较高的实用价值。

基于Ghost卷积和YOLOv5s网络的服装检测

为了降低服装目标检测模型的参数量和浮点型计算量,提出一种改进的轻量级服装目标检测模型——GYOLOv5s.首先使用Ghost卷积重构YOLOv5s的主干网络;然后使用DeepFashion2数据集中的部分数据进行模型训练和验证;最后将训练好的模型用于服装图像的目标检测.实验结果表明,G-YOLOv5s的mAP达到71.7%,模型体积为9.09 MB,浮点型计算量为9.8 G FLOPs,与改进前的YOLOv5s网络相比,模型体积压缩了34.8%,计算量减少了41.3%,精度仅下降1.3%,方便部署在资源有限的设备中使用.

Dim-YOLOv5n昏暗场景目标检测算法

相比于正常光照场景,照明不良昏暗场景干扰因素较多,图像处理较为复杂,且现有的昏暗目标检测,存在参数量大,识别准确率低等不足。针对昏暗场景下目标检测算法中存在误检与漏检等问题,提出以YOLOv5n算法为基础进行改进的昏暗场景目标检测算法Dim-YOLOv5n。利用嵌入全维动态卷积(omni-dimensional dynamic convolution,ODConv)的轻量化主干ODConv-MobileNetV2替换主干网络,在减少计算量的同时提高检测精度。基于RepGFPN(reparameterized generalized-FPN)方法设计更加轻量高效的LigGFPN(lightweight generalized-FPN)加强特征融合网络,以提高网络特征提取能力,并在此基础上,使用GhostConv(ghost convolution)替换传统卷积,以减少模型的参数量。实验结果表明,改进后算法与原算法相比,检测精度P和召回率R分别提高了5.3个百分点和5个百分点,平均精度均值mAP0.5:0.95和mAP0.5分别提升了8.2个百分点和4.6个百分点,改进的算法在保证模型较小的同时有效提高了检测准确率。

基于SR-YOLOv8n-BCG的模糊花卉图像检测

为满足复杂环境下对模糊花卉图像快速、精确的检测需求,提出了一种组合模型SR-YOLOv8n-BCG,该模型有效地综合了SRGAN(Super-resolution generative adversarial network)的图像重建能力和YOLOv8的目标检测能力,并针对网络结构进一步改进,以提高准确率并实现轻量化。首先,SR-YOLOv8n-BCG利用SRGAN对模糊花卉图像进行超分辨处理,提高输入模型的图像质量。其次,在YOLOv8n特征提取网络中使用加权双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)替换PAN-FPN模块,以有效融合多尺度的花卉特征,并降低模型的体积。同时,引入坐标注意力机制(Coordinate attention,CA)以增强模型的特征提取能力。最后,利用Ghost卷积替换普通卷积,进一步提升检测精度并轻量化模型。结果表明,经过在自制的5类花卉数据集上的试验评估,相较于SR-YOLOv8n,SR-YOLOv8n-BCG模型在模型尺寸减小35.5%的情况下,平均精度均值提高1.2百分点,达到95.4%。表明提出的改进模型有效地提高了对模糊花卉图像检测的准确率,并实现了轻量化以适应低配的设备。

采用卷积神经网络提高鬼成像的边缘质量

散斑移位鬼成像边缘提取方法需要对物体进行多次的采样,才能得到高质量的边缘图。为了解决散斑移位鬼成像提取物体边缘时采样次数多和时间长的问题,在鬼成像的边缘提取实验中采用了卷积神经网络。首先用Walsh散斑对未知图像进行照射,将桶探测器收集的采样信号作为图像特征信息输入到鬼成像边缘提取网络,最后通过训练好的网络直接输出探测物体的边缘信息图,并且使用非极大值抑制算法来优化卷积神经网络的输出结果。实验结果表明,对于128×128像素的重建物体,在采样次数为1600时,鬼成像边缘提取网络输出边缘图案的信噪比和结构相似指数分别比散斑移位鬼成像的输出结果提高了5倍和2倍,成功提高了低采样率下鬼成像边缘提取的质量,降低了采样的时间。采用卷积神经网络的鬼成像边缘提取方案,有利于鬼成像在物体识别、安全检查的实际应用中进行快速高质量的边缘检测。

改进YOLOv5s的人员跌倒检测算法

针对跌倒检测任务中复杂信息干扰和数据集缺乏导致模型精度不高的问题,设计一种高精度跌倒检测算法,降低模型参数的同时保持各种场景下的鲁棒性。该算法基于YOLOv5s改进,在骨干网络中使用Ghost module和解耦全连接注意力,以较低计算开销提升模型在光线变化、遮挡等干扰环境下的性能。在颈部层使用自适应感受野和空间通道混合注意力,提升神经元对不同尺度特征的适应性,应对人体形变、视角变化等干扰。引入EIoU损失函数,加速收敛提升训练精度。在公开数据集Le2i Fall Detection Dataset和UR Fall Detection上,精确率、召回率、mAP0.5和mAP(0.5:0.95)相比YOLOv5s分别提高4.0%,4.2%,2.9%和4.3%,参数量降低38.6%。该算法在多种应用场景下都保持较高检测精度,参数量较低,满足实际应用场景部署要求。