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
为有效解决玉米雄穗无人机识别过程中因雄穗尺寸过小造成的漏检、识别速度慢、模型体积大等问题,通过添加注意力机制、融入轻量化模块和优化损失函数,建立了一种改进YOLOv8n卷积神经网络的玉米雄穗检测模型YOLOv8n-maize。结果表明:改...为有效解决玉米雄穗无人机识别过程中因雄穗尺寸过小造成的漏检、识别速度慢、模型体积大等问题,通过添加注意力机制、融入轻量化模块和优化损失函数,建立了一种改进YOLOv8n卷积神经网络的玉米雄穗检测模型YOLOv8n-maize。结果表明:改进后的模型在测试集上的平均精度均值(Mean average precision,m AP)达97.8%,比原模型提高了2.6%;模型计算量(Floating point operations,FLOPs)减少了15.8%,参数量(Parameters,Params)体积缩小了17.6%。这种高精度、小体积模型能够满足玉米雄穗快速识别的需求,可为无人机机载平台的部署提供关键技术支持。展开更多
针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题,本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先,对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输...针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题,本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先,对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输入.其次,针对混叠信号中扫频、定频信号以及跳频信号之间发生频率碰撞对检测精度的影响,在C2f层中引入可变形卷积核(Deformable Convolutional Net-works v2,DCNv2)提高网络特征提取的泛化能力.再次,在Backbone层中加入SimAM注意力机制,解决低信噪比下背景噪声易与跳频信号混淆影响检测精度的问题.最后,将Detect检测头的卷积核替换为局部卷积核(Partial Convolution,PConv),在mAP@0.5精度损失不超过0.37%的情况下使网络计算复杂度降低32.18%,提高网络模型的推理速度.实验结果表明,本文所提算法在信噪比为-5 dB时分选率达到97.68%,且模型收敛快,鲁棒性强.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。
文摘为有效解决玉米雄穗无人机识别过程中因雄穗尺寸过小造成的漏检、识别速度慢、模型体积大等问题,通过添加注意力机制、融入轻量化模块和优化损失函数,建立了一种改进YOLOv8n卷积神经网络的玉米雄穗检测模型YOLOv8n-maize。结果表明:改进后的模型在测试集上的平均精度均值(Mean average precision,m AP)达97.8%,比原模型提高了2.6%;模型计算量(Floating point operations,FLOPs)减少了15.8%,参数量(Parameters,Params)体积缩小了17.6%。这种高精度、小体积模型能够满足玉米雄穗快速识别的需求,可为无人机机载平台的部署提供关键技术支持。
文摘针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题,本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先,对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输入.其次,针对混叠信号中扫频、定频信号以及跳频信号之间发生频率碰撞对检测精度的影响,在C2f层中引入可变形卷积核(Deformable Convolutional Net-works v2,DCNv2)提高网络特征提取的泛化能力.再次,在Backbone层中加入SimAM注意力机制,解决低信噪比下背景噪声易与跳频信号混淆影响检测精度的问题.最后,将Detect检测头的卷积核替换为局部卷积核(Partial Convolution,PConv),在mAP@0.5精度损失不超过0.37%的情况下使网络计算复杂度降低32.18%,提高网络模型的推理速度.实验结果表明,本文所提算法在信噪比为-5 dB时分选率达到97.68%,且模型收敛快,鲁棒性强.
