针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络...针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络来增强长距离特征依赖关系,同时使用幻影卷积(GhostConv)替换网络中的卷积(Conv)模块。然后,为了提升特征提取能力并进一步降低模型规模,结合FasterBlock模块与高效多尺度注意力(EMA)机制提出C2f-E(C2f Based on EMA)模块。接着,为了提高小目标检测性能,基于双向特征金字塔网络(BiFPN)进行设计,并增加小目标检测头与多尺度特征融合支路,提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后,为了解决难易样本的平衡问题并提高针对小目标缺陷的检测性能,使用WIoUv3(Wise-Intersection over Union version 3)作为训练网络的损失函数。在自建的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明,相较于YOLOv8n,改进模型的均值平均精度(mAP@0.5)提高了5.5百分点、规模减小了1.4×106。展开更多
交通标志检测是自动驾驶系统、辅助驾驶系统(DAS)的重要组成部分,对行车安全具有重要意义。针对小目标交通标志检测时受光照、恶劣天气等因素影响而导致的检测精度低、漏检率高等问题,提出一种基于改进YOLOv5的小目标交通标志检测算法...交通标志检测是自动驾驶系统、辅助驾驶系统(DAS)的重要组成部分,对行车安全具有重要意义。针对小目标交通标志检测时受光照、恶劣天气等因素影响而导致的检测精度低、漏检率高等问题,提出一种基于改进YOLOv5的小目标交通标志检测算法。首先,引入空间到深度卷积(SPD-Conv)对特征图进行下采样,有效避免小目标信息丢失,提高小目标敏感度。其次,基于加权双向特征金字塔网络(BiFPN)改进颈部网络,添加跨层连接以融合多尺度特征。之后,增加小目标检测层,增强小目标检测能力。最后,采用SIoU(Shape-aware Intersection over Union)损失函数,关注真实框与预测框的角度信息。实验结果表明,改进后的算法在中国交通标志检测数据集(CCTSDB2021)上的平均精度均值(mAP)达到83.5%,相较于原YOLOv5提升了7.2个百分点,检测速度满足实时性要求。展开更多
针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提...针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提升对聚集目标的关注,解决因遮挡导致的检测效果差的问题;将颈部网络中的FPN(Feature Pyramid Network)+PAN(Path Aggregation Network)结构改为结合了跨尺度特征融合方法思想的特征融合结构,增强模型不同方向上的多尺度融合能力,使目标多尺度特征有效融合,提升对小目标的识别能力;使用SIoU(Structured Intersectionover Union)定位损失函数代替CIoU(Complete Intersection over Union)损失函数,以提高边框回归精度。实验结果表明,改进后的YOLOv5s模型准确率P和召回率R分别为94.7%和91.2%,平均精度值mAP为95.6%,相较于原始YOLOv5s模型分别提升6%、7%和6.5%。该方法使电动自行车头盔佩戴检测准确率得到了明显提升。展开更多
文摘针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络来增强长距离特征依赖关系,同时使用幻影卷积(GhostConv)替换网络中的卷积(Conv)模块。然后,为了提升特征提取能力并进一步降低模型规模,结合FasterBlock模块与高效多尺度注意力(EMA)机制提出C2f-E(C2f Based on EMA)模块。接着,为了提高小目标检测性能,基于双向特征金字塔网络(BiFPN)进行设计,并增加小目标检测头与多尺度特征融合支路,提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后,为了解决难易样本的平衡问题并提高针对小目标缺陷的检测性能,使用WIoUv3(Wise-Intersection over Union version 3)作为训练网络的损失函数。在自建的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明,相较于YOLOv8n,改进模型的均值平均精度(mAP@0.5)提高了5.5百分点、规模减小了1.4×106。
文摘交通标志检测是自动驾驶系统、辅助驾驶系统(DAS)的重要组成部分,对行车安全具有重要意义。针对小目标交通标志检测时受光照、恶劣天气等因素影响而导致的检测精度低、漏检率高等问题,提出一种基于改进YOLOv5的小目标交通标志检测算法。首先,引入空间到深度卷积(SPD-Conv)对特征图进行下采样,有效避免小目标信息丢失,提高小目标敏感度。其次,基于加权双向特征金字塔网络(BiFPN)改进颈部网络,添加跨层连接以融合多尺度特征。之后,增加小目标检测层,增强小目标检测能力。最后,采用SIoU(Shape-aware Intersection over Union)损失函数,关注真实框与预测框的角度信息。实验结果表明,改进后的算法在中国交通标志检测数据集(CCTSDB2021)上的平均精度均值(mAP)达到83.5%,相较于原YOLOv5提升了7.2个百分点,检测速度满足实时性要求。
文摘针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提升对聚集目标的关注,解决因遮挡导致的检测效果差的问题;将颈部网络中的FPN(Feature Pyramid Network)+PAN(Path Aggregation Network)结构改为结合了跨尺度特征融合方法思想的特征融合结构,增强模型不同方向上的多尺度融合能力,使目标多尺度特征有效融合,提升对小目标的识别能力;使用SIoU(Structured Intersectionover Union)定位损失函数代替CIoU(Complete Intersection over Union)损失函数,以提高边框回归精度。实验结果表明,改进后的YOLOv5s模型准确率P和召回率R分别为94.7%和91.2%,平均精度值mAP为95.6%,相较于原始YOLOv5s模型分别提升6%、7%和6.5%。该方法使电动自行车头盔佩戴检测准确率得到了明显提升。
