滑坡是一种严重威胁生态环境与人类安全的地质灾害,对其进行高效精准的识别对于灾害监测和预警具有重要意义。针对传统目标检测算法在滑坡识别中存在的精度不足、误检率较高等问题,提出了一种基于改进YOLOv7(you only look once version...滑坡是一种严重威胁生态环境与人类安全的地质灾害,对其进行高效精准的识别对于灾害监测和预警具有重要意义。针对传统目标检测算法在滑坡识别中存在的精度不足、误检率较高等问题,提出了一种基于改进YOLOv7(you only look once version 7)的滑坡目标检测方法。具体方法为:①针对滑坡影像数据的特性,优化YOLOv7网络结构,以增强特征提取能力;②引入卷积注意力模块CBAM(convolutional block attention module)注意力机制,提高对滑坡区域的检测精度;③引入基于最大概率距离交并比的损失函数(maximum probability distance intersection over union,MPDIoU),使得模型在提升检测精度的同时有效降低误检率与漏检率。实验表明,与原始YOLOv7相比,改进后的算法在平均精度值(mean average precision,mAP)上提高了6.3%、精确率提升了5.8%,及参数量相比原模型减少了6.11 M。该方法能够高效识别基于高分辨率遥感影像的滑坡体,具有较强的实际应用价值,可为地质灾害监测和预警提供有效的技术支持。展开更多
Accurate and real-time traffic-sign detection is a cornerstone of Advanced Driver-Assistance Systems(ADAS)and autonomous vehicles.However,existing one-stage detectors miss distant signs,and two-stage pipelines are imp...Accurate and real-time traffic-sign detection is a cornerstone of Advanced Driver-Assistance Systems(ADAS)and autonomous vehicles.However,existing one-stage detectors miss distant signs,and two-stage pipelines are impractical for embedded deployment.To address this issue,we present YOLO-SMM,a lightweight two-stage framework.This framework is designed to augment the YOLOv8 baseline with three targeted modules.(1)SlimNeck replaces PAN/FPN with a CSP-OSA/GSConv fusion block,reducing parameters and FLOPs without compromising multi-scale detail.(2)The MCA model introduces row-and column-aware weights to selectively amplify small sign regions in cluttered scenes.(3)MPDIoU augments CIoU loss with a corner-distance term,supplying stable gradients for sub-20-pixel boxes and tightening localization.An evaluation of YOLO-SMMon the German Traffic Sign Recognition Benchmark(GTSRB)revealed that it attained 96.3% mAP50 and 93.1% mAP50-90 at a rate of 90.6 frames per second(FPS).This represents an improvement of+1.0% over previous performance benchmarks.Them APat 64×64 resolution was found to be 50% of the maximum attainable value,with an FPS of+8.3 when compared to YOLOv8.This result indicates superior performance in terms of accuracy and speed compared to YOLOv7,YOLOv5,RetinaNet,EfficientDet,and Faster R-CNN,all of which were operated under equivalent conditions.展开更多
现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over U...现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。展开更多
超纤革是一种用于高端产品的新型复合材料,其瑕疵检测对产品质量至关重要。针对超纤革表面瑕疵多尺度、长宽比差异大和微小瑕疵较多的难点,提出用于超纤革表面瑕疵识别的MFL_YOLOv8算法。MFL_YOLOv8算法首先基于Deformable Large Kernel...超纤革是一种用于高端产品的新型复合材料,其瑕疵检测对产品质量至关重要。针对超纤革表面瑕疵多尺度、长宽比差异大和微小瑕疵较多的难点,提出用于超纤革表面瑕疵识别的MFL_YOLOv8算法。MFL_YOLOv8算法首先基于Deformable Large Kernel Attention(DLKA)机制设计了多尺度特征提取模块DCNv3-LKA,显著增强了主干网络的多尺度特征提取能力;然后通过在特征金字塔网络中引入P2特征图和Dysample上采样模块,强化了网络对小目标的细节信息提取;最后引入Minimum Points Distance Intersection over Union(MPDIoU)以缓解训练初期小目标上的损失函数失效问题,提升了小目标的检测效果。在自制超纤革表面瑕疵数据集上的实验结果表明,相比于YOLOv8n,所提算法的平均检测精度和召回率分别提高了5.38%和7.27%,达到92.47%和92.40%,每秒帧率(FPS)为135.2 frame/s,满足工业现场的准确性和实时性要求。展开更多
针对柑橘罐头生产中橘瓣外观检测的速度和精度低的问题,以及主流检测模型的参数量较高问题,提出一种轻量化橘瓣外观检测模型,即YOLOv7-VSS。首先,该模型引入利用Hard-Swish激活函数改进后的EfficientViT网络作为主干网络,通过输入不同...针对柑橘罐头生产中橘瓣外观检测的速度和精度低的问题,以及主流检测模型的参数量较高问题,提出一种轻量化橘瓣外观检测模型,即YOLOv7-VSS。首先,该模型引入利用Hard-Swish激活函数改进后的EfficientViT网络作为主干网络,通过输入不同层次的特征减少不同检测头的映射相似度,缓解冗余计算,并通过级联组注意力机制增强网络的特征提取能力;其次,引入一种slim-neck模块,融合标准卷积和深度可分离卷积的特性,减小模型的规模,同时保持高精度;然后,为进一步缩小模型体积并加快推理速度,将SPPCSPC替换为SPPF结构;最后,为符合数据集中橘瓣的位置特点,使用MPDIoU损失函数来提升预测框的回归精度。实验结果表明,所提出的橘瓣外观检测模型的大小相比于YOLOv7减小了63.81%,检测精度达到了96.57%;同时,经过在Jetson Orin Nano上部署测试,模型大小和检测精度的平衡性相较于同类型的方法有较大提升,可满足柑橘罐头生产线的要求。展开更多
文摘滑坡是一种严重威胁生态环境与人类安全的地质灾害,对其进行高效精准的识别对于灾害监测和预警具有重要意义。针对传统目标检测算法在滑坡识别中存在的精度不足、误检率较高等问题,提出了一种基于改进YOLOv7(you only look once version 7)的滑坡目标检测方法。具体方法为:①针对滑坡影像数据的特性,优化YOLOv7网络结构,以增强特征提取能力;②引入卷积注意力模块CBAM(convolutional block attention module)注意力机制,提高对滑坡区域的检测精度;③引入基于最大概率距离交并比的损失函数(maximum probability distance intersection over union,MPDIoU),使得模型在提升检测精度的同时有效降低误检率与漏检率。实验表明,与原始YOLOv7相比,改进后的算法在平均精度值(mean average precision,mAP)上提高了6.3%、精确率提升了5.8%,及参数量相比原模型减少了6.11 M。该方法能够高效识别基于高分辨率遥感影像的滑坡体,具有较强的实际应用价值,可为地质灾害监测和预警提供有效的技术支持。
基金supported by University of Malaya and Ministry of High Education-Malaysia via Fundamental Research Grant Scheme No.FRGS/1/2023/TK10/UM/02/3.
文摘Accurate and real-time traffic-sign detection is a cornerstone of Advanced Driver-Assistance Systems(ADAS)and autonomous vehicles.However,existing one-stage detectors miss distant signs,and two-stage pipelines are impractical for embedded deployment.To address this issue,we present YOLO-SMM,a lightweight two-stage framework.This framework is designed to augment the YOLOv8 baseline with three targeted modules.(1)SlimNeck replaces PAN/FPN with a CSP-OSA/GSConv fusion block,reducing parameters and FLOPs without compromising multi-scale detail.(2)The MCA model introduces row-and column-aware weights to selectively amplify small sign regions in cluttered scenes.(3)MPDIoU augments CIoU loss with a corner-distance term,supplying stable gradients for sub-20-pixel boxes and tightening localization.An evaluation of YOLO-SMMon the German Traffic Sign Recognition Benchmark(GTSRB)revealed that it attained 96.3% mAP50 and 93.1% mAP50-90 at a rate of 90.6 frames per second(FPS).This represents an improvement of+1.0% over previous performance benchmarks.Them APat 64×64 resolution was found to be 50% of the maximum attainable value,with an FPS of+8.3 when compared to YOLOv8.This result indicates superior performance in terms of accuracy and speed compared to YOLOv7,YOLOv5,RetinaNet,EfficientDet,and Faster R-CNN,all of which were operated under equivalent conditions.
文摘现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。
文摘超纤革是一种用于高端产品的新型复合材料,其瑕疵检测对产品质量至关重要。针对超纤革表面瑕疵多尺度、长宽比差异大和微小瑕疵较多的难点,提出用于超纤革表面瑕疵识别的MFL_YOLOv8算法。MFL_YOLOv8算法首先基于Deformable Large Kernel Attention(DLKA)机制设计了多尺度特征提取模块DCNv3-LKA,显著增强了主干网络的多尺度特征提取能力;然后通过在特征金字塔网络中引入P2特征图和Dysample上采样模块,强化了网络对小目标的细节信息提取;最后引入Minimum Points Distance Intersection over Union(MPDIoU)以缓解训练初期小目标上的损失函数失效问题,提升了小目标的检测效果。在自制超纤革表面瑕疵数据集上的实验结果表明,相比于YOLOv8n,所提算法的平均检测精度和召回率分别提高了5.38%和7.27%,达到92.47%和92.40%,每秒帧率(FPS)为135.2 frame/s,满足工业现场的准确性和实时性要求。
文摘针对柑橘罐头生产中橘瓣外观检测的速度和精度低的问题,以及主流检测模型的参数量较高问题,提出一种轻量化橘瓣外观检测模型,即YOLOv7-VSS。首先,该模型引入利用Hard-Swish激活函数改进后的EfficientViT网络作为主干网络,通过输入不同层次的特征减少不同检测头的映射相似度,缓解冗余计算,并通过级联组注意力机制增强网络的特征提取能力;其次,引入一种slim-neck模块,融合标准卷积和深度可分离卷积的特性,减小模型的规模,同时保持高精度;然后,为进一步缩小模型体积并加快推理速度,将SPPCSPC替换为SPPF结构;最后,为符合数据集中橘瓣的位置特点,使用MPDIoU损失函数来提升预测框的回归精度。实验结果表明,所提出的橘瓣外观检测模型的大小相比于YOLOv7减小了63.81%,检测精度达到了96.57%;同时,经过在Jetson Orin Nano上部署测试,模型大小和检测精度的平衡性相较于同类型的方法有较大提升,可满足柑橘罐头生产线的要求。
