基于改进YOLOv8n的复杂环境下柑橘识别

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,YOLOv8-MEIN模型交并比阈值为0.5的平均精度均值mAP_(0.5)值为96.9%,召回率为91.7%,交并比阈值为_(0.5~0.95)的平均精度均值mAP_(0.5~0.95)值为85.8%,模型大小为5.8 MB,参数量为2.87 M。与原模型YOLOv8n相比,mAP_(0.5)值、召回率、mAP_(0.5~0.95)值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。

基于改进YOLOv8算法的钢材表面缺陷检测

针对钢材表面缺陷检测任务中目标尺寸较小且形态多变,传统检测方法效率较低,通用算法也难以准确捕捉其特征信息等问题,提出基于YOLOv8的改进模型。利用可变形卷积替换部分标准卷积,使模型能更好地学习采样位置的偏移,适应表面缺陷的几何变换,从而提高检测精度;引入基于辅助边框的Inner-IoU损失函数,其能根据不同的检测任务自我调整比例因子,以控制辅助边界框的生成,适合处理形状多变的表面缺陷,提高模型泛化性。在基准数据集NEU-DET上的实验结果表明,与具有相同参数量的基线模型相比,改进后的模型的检测精度提高了2.3%,且优于其他对比算法。此外,在GC10-DET数据集上,与基线模型相比,其检测精度提高了4.0%,表明该模型具有良好的泛化性。

基于改进YOLOv8的带钢表面缺陷检测算法

针对带钢表面缺陷检测用于尺度多变、背景复杂的缺陷容易产生漏检和误检,以及检测精度不佳等问题,提出了一种基于YOLOv8n的带钢表面缺陷检测算法。首先,为了提高主干网络的特征学习能力,将可变形卷积DCNv2引入到主干网络中,并同时融入动态卷积(dynamic convolution)模块,通过扩大感受野有效提高网络的特征提取能力。其次,在特征融合中,采用更加高效的Dysample上采样方法。引入通道注意力机制SE(squeeze and excitation)模块,提高网络对深层特征信息的提取能力。最后,使用DIoU结合inner-IoU作为损失函数,进一步提高算法的检测精度。并在NEU-DET数据上进行大量实验,结果表明,改进后的算法平均检测精度提高了2.2%,达到了79.5%。此外,在GC-10数据集上的实验结果表明该方法具有良好的鲁棒性。

基于ASF-YOLOv8的交通场景多目标检测算法

针对复杂交通环境下的多目标检测问题,本文提出了一种改进YOLOv8的目标检测算法ASF-YOLOv8。首先,在YOLOv8的基础架构上,加入一种注意尺度序列融合机制(Attentional Scale Sequence Fusion, ASF),该机制能够对不同尺度的特征图进行融合,从而获得更好的图像特征,提取出更丰富、更准确的特征信息。然后,对损失函数进行改进,引入Inner-IoU,通过辅助边框计算IoU损失,进一步提高算法的检测精度。实验结果表明,在VisDrone数据集上,本文所提算法比YOLOv8算法的平均精度mAP50提升了1.4%,该算法在复杂交通环境下具有更高的检测精度。