基于改进YOLOv8s的鼓形滚子表面缺陷检测算法

为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级间的跨尺度连接和同尺度下的跨层连接,有助于小目标特征信息在卷积网络的传递.在头部增加小目标检测层,提高模型对小缺陷的检测能力.在损失函数方面,利用动态非单调聚焦的Wise-IOU的边界框损失函数替换CIOU,在加快网络收敛的同时,提高网络检测的精度.在自制的鼓形滚子缺陷数据集上进行测试,结果表明,改进的YOLOv8s在倒角数据集、侧面数据集、端面数据集的mAP@0.5分别达到0.911、0.983、0.935,相比于YOLOv8s,m AP@0.5分别提高了6.4%、3.3%、4%,精确度和召回率也有一定的提升,平均每张图片的检测时间为23 ms.与原模型相比,改进的YOLOv8s对小目标缺陷有更好的定位能力和检测精度,检测速度能够满足工业大批量检测的要求.

FA-SORT:轻量化的多车辆跟踪算法

近年来,无人机因体积小、灵活性好等优势被广泛应用在车辆跟踪领域。当无人机在高空飞行时,其捕捉的图像中车辆目标存在像素点少、拥挤以及被遮挡的情况。现有的多目标跟踪研究方法在车辆被遮挡过程中发生非线性运动时,使用卡尔曼滤波预测,会出现车辆位置预测不准确的问题。为了解决这些问题,采用先检测后跟踪(tracking by detection,TBD)范式,对YOLOv8检测算法进行改进,在网络结构中引入了BiFormer稀疏动态注意力模块,用于提取小目标特征信息。同时使用轻量级上采样算子CARAFE替换原最近邻插值上采样,减少上采样过程中小目标特征丢失的问题。提出一种轻量化跟踪模型FA-SORT,针对SORT算法提出三点改进:改进KF、添加速度方向一致性匹配和检测值匹配。在自制地组合了多个车辆数据集上验证改进的YOLOv8算法。实验结果表明,与YOLOv8相比,精确率(precision)提高了0.97%,召回率(recall)提高了0.898%。对所提出的FA-SORT算法使用UAVDT数据集进行验证,结果表明,与现有的多目标跟踪算法相比,HOTA指标首个达到70.05%,IDF1达到87.45%,跟踪速度达到29.93 FPS。验证了FA-SORT跟踪算法在多车辆跟踪任务中的优越性。

基于深度学习的烟包识别与分类

目的 提取烟包图像数据训练深度学习目标检测模型,提升烟包流水线拣包效率和准确性。方法 基于深度学习建立一种烟包识别分类模型,对原始YOLOv3模型进行改进,在原网络中加入设计的多空间金字塔池化结构(M–SPP),将64×64尺度的特征图下采样与32×32尺度的特征图进行拼接,并去除16×16尺度的预测特征层,提高模型的检测准确率和速度,并采用K–means++算法对先验框参数进行优化。结果 实验表明该目标检测模型平均准确率达到99.68%,检测速度达到70.82帧/s。结论 基于深度学习建立的图像识别分类模型准确率高且检测速度快,有效满足烟包流水线自动化实时检测。