针对现有目标检测模型对火焰检测有效性不足的情况,通过优化改进YOLOv7算法的网络结构,提出了一种全新的火灾检测模型。首先,在YOLOv7上增加一个小目标检测层,并引入SE(squeeze and excitation)注意力模块、坐标注意力模块和Biformer模...针对现有目标检测模型对火焰检测有效性不足的情况,通过优化改进YOLOv7算法的网络结构,提出了一种全新的火灾检测模型。首先,在YOLOv7上增加一个小目标检测层,并引入SE(squeeze and excitation)注意力模块、坐标注意力模块和Biformer模块,增强对小目标特征提取的能力。其次,用CoordConv(coordinate convolution)模块和PConv(partial convolution)模块替换网络中的标准卷积块,减少训练和部署的计算量,提高网络检测速度。最后,针对实验数据集标注框质量参差不齐的问题,将CIoU损失函数替换为Wise-IoU损失函数。在以KMU Fire and Smoke database为主的数据集上进行实验,结果表明,所提出改进模型的平均精度提升了2.5个百分点、召回率提升了1.7个百分点,帧率达到了79.4帧/s,实现了检测效果和检测速度的双重提升,比传统目标检测算法拥有更好的火焰检测能力。展开更多
针对现有的柑橘检测算法准确率低、模型参数量大、检测实时性差、不适用移动采摘设备等问题,提出一种基于改进轻量模型YOLO-DoC的柑橘检测方法。引入Bottleneck结构的ShuffleNetV2网络作为YOLOv5骨干网络模型,构造轻量化网络。同时加入...针对现有的柑橘检测算法准确率低、模型参数量大、检测实时性差、不适用移动采摘设备等问题,提出一种基于改进轻量模型YOLO-DoC的柑橘检测方法。引入Bottleneck结构的ShuffleNetV2网络作为YOLOv5骨干网络模型,构造轻量化网络。同时加入无参型SimAM注意力机制提高复杂环境下对目标的识别精度。为了提高检测网络对于目标果实的边界框定位精度,通过引入Alpha-IoU边界框回归损失函数的方法来获取目标的边界框。实验显示,YOLO-DoC模型的P(precision)值和mAP(mean average precision)值分别为98.8%和99.1%,参数量缩减为YOLOv5网络的1/7,模型的大小为2.8 MB。改进后的模型相比于原网络模型具有识别速度快、定位准度高以及占用内存少的优势,在满足精准采摘工作要求的前提下可以提高采摘效率。展开更多
文摘针对现有目标检测模型对火焰检测有效性不足的情况,通过优化改进YOLOv7算法的网络结构,提出了一种全新的火灾检测模型。首先,在YOLOv7上增加一个小目标检测层,并引入SE(squeeze and excitation)注意力模块、坐标注意力模块和Biformer模块,增强对小目标特征提取的能力。其次,用CoordConv(coordinate convolution)模块和PConv(partial convolution)模块替换网络中的标准卷积块,减少训练和部署的计算量,提高网络检测速度。最后,针对实验数据集标注框质量参差不齐的问题,将CIoU损失函数替换为Wise-IoU损失函数。在以KMU Fire and Smoke database为主的数据集上进行实验,结果表明,所提出改进模型的平均精度提升了2.5个百分点、召回率提升了1.7个百分点,帧率达到了79.4帧/s,实现了检测效果和检测速度的双重提升,比传统目标检测算法拥有更好的火焰检测能力。
文摘针对现有的柑橘检测算法准确率低、模型参数量大、检测实时性差、不适用移动采摘设备等问题,提出一种基于改进轻量模型YOLO-DoC的柑橘检测方法。引入Bottleneck结构的ShuffleNetV2网络作为YOLOv5骨干网络模型,构造轻量化网络。同时加入无参型SimAM注意力机制提高复杂环境下对目标的识别精度。为了提高检测网络对于目标果实的边界框定位精度,通过引入Alpha-IoU边界框回归损失函数的方法来获取目标的边界框。实验显示,YOLO-DoC模型的P(precision)值和mAP(mean average precision)值分别为98.8%和99.1%,参数量缩减为YOLOv5网络的1/7,模型的大小为2.8 MB。改进后的模型相比于原网络模型具有识别速度快、定位准度高以及占用内存少的优势,在满足精准采摘工作要求的前提下可以提高采摘效率。
