针对背景复杂、尺度变化较大、被遮挡情况下机械外破隐患目标检测精度不高,容易出现错检、漏检的问题,文中提出了一种改进YOLOv7(you only look once version 7)的机械外破隐患目标检测算法。文章在检测头网络中添加Swin Transformer注...针对背景复杂、尺度变化较大、被遮挡情况下机械外破隐患目标检测精度不高,容易出现错检、漏检的问题,文中提出了一种改进YOLOv7(you only look once version 7)的机械外破隐患目标检测算法。文章在检测头网络中添加Swin Transformer注意力机制提高对多尺度特征的提取能力,然后在主干网络中将部分卷积模块替换为深度可分离卷积,降低模型运算成本,采用Focal-EIOU(Focal and enhanced intersection over union)损失函数优化预测框,最后引入Mish激活函数增强网络的泛化能力,提高模型在复杂背景、目标部分被遮挡情况下的检测性能。实验结果表明,改进后的算法较原YOLOv7在准确率、召回率和平均精度均值上分别提高了5.2%、10.6%和5.2%,较其他主流算法在检测精度和模型体积上有着明显的优势,验证了改进方法的有效性,为复杂场景下机械外破隐患目标的边缘识别提供算法支持。展开更多
金属表面锈蚀的检测是激光智能清洗系统实现实时质量评估的关键技术,但传统视觉检测方法对小尺度锈蚀颗粒的识别能力不足。基于YOLO(You Only Look Once)算法,提出一种改进模型。该模型在骨干网络中嵌入卷积块注意力模块(Convolutional ...金属表面锈蚀的检测是激光智能清洗系统实现实时质量评估的关键技术,但传统视觉检测方法对小尺度锈蚀颗粒的识别能力不足。基于YOLO(You Only Look Once)算法,提出一种改进模型。该模型在骨干网络中嵌入卷积块注意力模块(Convolutional Block Attention Module,CBAM),增强复杂背景下的特征鉴别能力;设计基于部分卷积的跨阶段部分金字塔连接(Cross Stage Partial with Pyramid Concatenation,CSPPC)模块替代带聚焦机制的第二代跨阶段局部网络(Cross Stage Partial Network 2 with Focus,C2f)模块,减少了3.11%的参数量,计算量浮点数降低了6.64%;采用聚焦高效交并比(Focal and Efficient Intersection over Union,Focal-EIoU)损失函数,优化边界框的回归过程,并有效缓解了正样本和负样本之间的不平衡状况。结果表明,该YOLOv8-CCF(YOLOv8-CBAM-CSPPC-Focal-EIoU)算法改进模型在自制数据集上,在95%交并比阈值下的平均精度均值(mean Average Precision at 95%Intersection over Union,mAP@95%)达到0.96902,较原模型提升了5.003%,参数量减少至21.3万,检测速度达500 f/s,显著改善了小目标漏检问题。该模型为金属表面锈蚀的实时检测与激光自动化除锈提供了有效解决方案。展开更多
现有的学生行为识别方法存在识别准确率低等问题,研究提出了基于改进You Only Look Once version 5模型的学生行为识别方法。该方法引入增强交并比和Varifocal Loss函数,半自动标注优化数据集,构建行为识别预测系统。实验表明,改进模型...现有的学生行为识别方法存在识别准确率低等问题,研究提出了基于改进You Only Look Once version 5模型的学生行为识别方法。该方法引入增强交并比和Varifocal Loss函数,半自动标注优化数据集,构建行为识别预测系统。实验表明,改进模型收敛速度最快,最小损失值比其他模型平均低0.018,看黑板行为识别准确率提升4.7%。看手机行为置信度提升3.3%。由此可得,改进模型能够提升行为识别准确率,为教学工作提供帮助。展开更多
无人机由于其成本低廉、敏捷、灵活并且可以搭载高分辨率摄像头和传感器,正在成为各个行业不可或缺的工具。在检测环境中,无人机可以适应复杂地形以及恶劣气候,收集到大气、土壤等各项珍贵数据。在工业探索领域,无人机可以代替人工对于...无人机由于其成本低廉、敏捷、灵活并且可以搭载高分辨率摄像头和传感器,正在成为各个行业不可或缺的工具。在检测环境中,无人机可以适应复杂地形以及恶劣气候,收集到大气、土壤等各项珍贵数据。在工业探索领域,无人机可以代替人工对于危险地域的探查,降低事故的发生率。在海上救援方面,无人机可以快速定位到遇险的船舶,提升救援人员的救援效率。然而,无人机在此情况下的目标检测任务仍然面临不小挑战,如目标被障碍物遮挡、太阳光照的变化等。为了提高无人机在海上救援中的船舶检测性能,本文提出了一种基于改进YOLOv10(You Only Look Once,YOLO)的目标检测算法,加入了CA注意力机制,并采取EIoU损失函数。实验结果表明,相对于原始的YOLOv10模型,实验数据集在ACE-YOLOv10模型中获得了更好的结果。展开更多
针对当前无人机(UAV)视角下小目标检测性能低以及漏检和误检的问题,提出基于YOLOv8改进的BDSYOLO(BiFPN-Dual-Small target detection-YOLO)模型。首先,使用RepViTBlock(Revisiting mobile CNN from ViT perspective Block)与EMA(Effici...针对当前无人机(UAV)视角下小目标检测性能低以及漏检和误检的问题,提出基于YOLOv8改进的BDSYOLO(BiFPN-Dual-Small target detection-YOLO)模型。首先,使用RepViTBlock(Revisiting mobile CNN from ViT perspective Block)与EMA(Efficient Multi-scale Attention)机制构造C2f-RE(C2f-RepViTBlock Efficient multi-scale attention)从而改进骨干网络中深层的C2f(faster implementation of CSP bottleneck with 2 Convolutions)模块,提升模型对小目标特征的提取能力并降低参数量;其次,使用双向特征金字塔网络(BiFPN)重构颈部网络,从而使不同层级的特征得以相互融合;然后,在改进颈部网络的基础上构造双重小目标检测层,并结合浅层和最浅层特征来提高模型对小目标的检测能力;最后,引入改进损失函数Inner-EIoU(Inner-Efficient-Intersection over Union),该函数使用更合理的宽高比衡量方式并解决交并比(IoU)自身的局限。实验结果表明,改进模型在VisDrone2019数据集上相对原始模型的精确率、召回率、mAP@50、mAP@50:95分别提升了8.5、7.7、9.2和6.3个百分点,而参数量仅为2.23×10~6,模型大小减小了19.1%。可见,所提模型在实现一定轻量化的同时显著提升了性能。展开更多
文摘针对背景复杂、尺度变化较大、被遮挡情况下机械外破隐患目标检测精度不高,容易出现错检、漏检的问题,文中提出了一种改进YOLOv7(you only look once version 7)的机械外破隐患目标检测算法。文章在检测头网络中添加Swin Transformer注意力机制提高对多尺度特征的提取能力,然后在主干网络中将部分卷积模块替换为深度可分离卷积,降低模型运算成本,采用Focal-EIOU(Focal and enhanced intersection over union)损失函数优化预测框,最后引入Mish激活函数增强网络的泛化能力,提高模型在复杂背景、目标部分被遮挡情况下的检测性能。实验结果表明,改进后的算法较原YOLOv7在准确率、召回率和平均精度均值上分别提高了5.2%、10.6%和5.2%,较其他主流算法在检测精度和模型体积上有着明显的优势,验证了改进方法的有效性,为复杂场景下机械外破隐患目标的边缘识别提供算法支持。
文摘金属表面锈蚀的检测是激光智能清洗系统实现实时质量评估的关键技术,但传统视觉检测方法对小尺度锈蚀颗粒的识别能力不足。基于YOLO(You Only Look Once)算法,提出一种改进模型。该模型在骨干网络中嵌入卷积块注意力模块(Convolutional Block Attention Module,CBAM),增强复杂背景下的特征鉴别能力;设计基于部分卷积的跨阶段部分金字塔连接(Cross Stage Partial with Pyramid Concatenation,CSPPC)模块替代带聚焦机制的第二代跨阶段局部网络(Cross Stage Partial Network 2 with Focus,C2f)模块,减少了3.11%的参数量,计算量浮点数降低了6.64%;采用聚焦高效交并比(Focal and Efficient Intersection over Union,Focal-EIoU)损失函数,优化边界框的回归过程,并有效缓解了正样本和负样本之间的不平衡状况。结果表明,该YOLOv8-CCF(YOLOv8-CBAM-CSPPC-Focal-EIoU)算法改进模型在自制数据集上,在95%交并比阈值下的平均精度均值(mean Average Precision at 95%Intersection over Union,mAP@95%)达到0.96902,较原模型提升了5.003%,参数量减少至21.3万,检测速度达500 f/s,显著改善了小目标漏检问题。该模型为金属表面锈蚀的实时检测与激光自动化除锈提供了有效解决方案。
文摘现有的学生行为识别方法存在识别准确率低等问题,研究提出了基于改进You Only Look Once version 5模型的学生行为识别方法。该方法引入增强交并比和Varifocal Loss函数,半自动标注优化数据集,构建行为识别预测系统。实验表明,改进模型收敛速度最快,最小损失值比其他模型平均低0.018,看黑板行为识别准确率提升4.7%。看手机行为置信度提升3.3%。由此可得,改进模型能够提升行为识别准确率,为教学工作提供帮助。
文摘无人机由于其成本低廉、敏捷、灵活并且可以搭载高分辨率摄像头和传感器,正在成为各个行业不可或缺的工具。在检测环境中,无人机可以适应复杂地形以及恶劣气候,收集到大气、土壤等各项珍贵数据。在工业探索领域,无人机可以代替人工对于危险地域的探查,降低事故的发生率。在海上救援方面,无人机可以快速定位到遇险的船舶,提升救援人员的救援效率。然而,无人机在此情况下的目标检测任务仍然面临不小挑战,如目标被障碍物遮挡、太阳光照的变化等。为了提高无人机在海上救援中的船舶检测性能,本文提出了一种基于改进YOLOv10(You Only Look Once,YOLO)的目标检测算法,加入了CA注意力机制,并采取EIoU损失函数。实验结果表明,相对于原始的YOLOv10模型,实验数据集在ACE-YOLOv10模型中获得了更好的结果。
文摘针对当前无人机(UAV)视角下小目标检测性能低以及漏检和误检的问题,提出基于YOLOv8改进的BDSYOLO(BiFPN-Dual-Small target detection-YOLO)模型。首先,使用RepViTBlock(Revisiting mobile CNN from ViT perspective Block)与EMA(Efficient Multi-scale Attention)机制构造C2f-RE(C2f-RepViTBlock Efficient multi-scale attention)从而改进骨干网络中深层的C2f(faster implementation of CSP bottleneck with 2 Convolutions)模块,提升模型对小目标特征的提取能力并降低参数量;其次,使用双向特征金字塔网络(BiFPN)重构颈部网络,从而使不同层级的特征得以相互融合;然后,在改进颈部网络的基础上构造双重小目标检测层,并结合浅层和最浅层特征来提高模型对小目标的检测能力;最后,引入改进损失函数Inner-EIoU(Inner-Efficient-Intersection over Union),该函数使用更合理的宽高比衡量方式并解决交并比(IoU)自身的局限。实验结果表明,改进模型在VisDrone2019数据集上相对原始模型的精确率、召回率、mAP@50、mAP@50:95分别提升了8.5、7.7、9.2和6.3个百分点,而参数量仅为2.23×10~6,模型大小减小了19.1%。可见,所提模型在实现一定轻量化的同时显著提升了性能。
