针对当前钢材表面缺陷检测模型存在的结构复杂、参数量大、实时性差和检测精度不高等问题,提出了一种基于改进YOLOv5s的轻量化模型。该模型首先将YOLOv5的主干网络替换为MobileNetV3,以实现模型轻量化并提升检测速度。其次,引入在线卷...针对当前钢材表面缺陷检测模型存在的结构复杂、参数量大、实时性差和检测精度不高等问题,提出了一种基于改进YOLOv5s的轻量化模型。该模型首先将YOLOv5的主干网络替换为MobileNetV3,以实现模型轻量化并提升检测速度。其次,引入在线卷积重参数化(Online Convolutional Re-parameterization, OREPA)技术,进一步降低了训练成本,并使用K-means++算法聚类先验框来提高先验框聚类的准确性和收敛速度。最后,采用EIoU(Extended Intersection over Union)代替CIoU(Complete Intersection over Union)损失函数,加快了收敛并改善了回归精度。实验数据表明,相较于原始YOLOv5s模型,改进后模型的平均精度均值提高2.8个百分点,参数量减少84.0%,体积减小81.4%,检测速度提升60.8%,实现了模型轻量化和检测精度的平衡,易于部署,可满足钢材实际生产中实时检测的需求。展开更多
为了解决牛只多尺度、多目标、多部位状态信息的快速准确识别问题,笔者提出一种基于实时多目标注意力模型的牛只多部位快速自动化检测方法,采用多尺度注意力网络MSEAY,在网络中加入了SE(squeeze and excitation networks)注意力机制、H-...为了解决牛只多尺度、多目标、多部位状态信息的快速准确识别问题,笔者提出一种基于实时多目标注意力模型的牛只多部位快速自动化检测方法,采用多尺度注意力网络MSEAY,在网络中加入了SE(squeeze and excitation networks)注意力机制、H-swish激活函数及SIoU损失函数,消除现有牛群图像检测中光照、重叠、多类型等对图像检测结果产生的影响,先对牛只图像进行标注及预处理,然后采用MoibleNetv3模型作为Backbone进行牛只的部位划分识别,进而实现了多尺度、多部位牛只状态信息的精准分类与识别。结果表明:在选用含肉牛样本集合的前提下,各部位平均分类结果的精确率为96.6%,召回率为94.7%,F1值为94.1%,mAP@50值为97.4%;在仅选用种牛样本集合的前提下,各部位检测精确率为头部96.4%,躯干97.2%,腿部97.3%,平均值97.0%。本算法在保证检测实时性的同时提高了多尺度、多牛只的检测精度,验证了方法的鲁棒性与可泛化性,可用于多尺度、多目标、多部位状态信息的快速准确识别。展开更多
文摘针对当前钢材表面缺陷检测模型存在的结构复杂、参数量大、实时性差和检测精度不高等问题,提出了一种基于改进YOLOv5s的轻量化模型。该模型首先将YOLOv5的主干网络替换为MobileNetV3,以实现模型轻量化并提升检测速度。其次,引入在线卷积重参数化(Online Convolutional Re-parameterization, OREPA)技术,进一步降低了训练成本,并使用K-means++算法聚类先验框来提高先验框聚类的准确性和收敛速度。最后,采用EIoU(Extended Intersection over Union)代替CIoU(Complete Intersection over Union)损失函数,加快了收敛并改善了回归精度。实验数据表明,相较于原始YOLOv5s模型,改进后模型的平均精度均值提高2.8个百分点,参数量减少84.0%,体积减小81.4%,检测速度提升60.8%,实现了模型轻量化和检测精度的平衡,易于部署,可满足钢材实际生产中实时检测的需求。
文摘为了解决牛只多尺度、多目标、多部位状态信息的快速准确识别问题,笔者提出一种基于实时多目标注意力模型的牛只多部位快速自动化检测方法,采用多尺度注意力网络MSEAY,在网络中加入了SE(squeeze and excitation networks)注意力机制、H-swish激活函数及SIoU损失函数,消除现有牛群图像检测中光照、重叠、多类型等对图像检测结果产生的影响,先对牛只图像进行标注及预处理,然后采用MoibleNetv3模型作为Backbone进行牛只的部位划分识别,进而实现了多尺度、多部位牛只状态信息的精准分类与识别。结果表明:在选用含肉牛样本集合的前提下,各部位平均分类结果的精确率为96.6%,召回率为94.7%,F1值为94.1%,mAP@50值为97.4%;在仅选用种牛样本集合的前提下,各部位检测精确率为头部96.4%,躯干97.2%,腿部97.3%,平均值97.0%。本算法在保证检测实时性的同时提高了多尺度、多牛只的检测精度,验证了方法的鲁棒性与可泛化性,可用于多尺度、多目标、多部位状态信息的快速准确识别。
