光伏电池的高效发电在推动绿色低碳循环发展中发挥着重要作用,针对光伏电池缺陷图像中存在背景复杂与目标尺寸较小等问题,提出一种改进YOLO11n的缺陷检测模型———CCMW-YOLO11n。首先,在YOLO11n的骨干网络中提出跨阶段部分改进模块(cro...光伏电池的高效发电在推动绿色低碳循环发展中发挥着重要作用,针对光伏电池缺陷图像中存在背景复杂与目标尺寸较小等问题,提出一种改进YOLO11n的缺陷检测模型———CCMW-YOLO11n。首先,在YOLO11n的骨干网络中提出跨阶段部分改进模块(cross stage partial improvement,CSP-I),该模块通过设计多头自注意力机制(multi-head self attention,MHSA)、卷积门控线性单元(convolutional gated linear uint,CGLU)与传统卷积(convolution,Conv)相结合,兼顾全局信息感知与局部特征提取,增强了多尺度特征的提取效果;其次,在特征融合阶段采用内容感知特征重组上采用技术(content-aware reassembly of features,CARAFE),该方法实现了对特征图自适应重组和细节增强,有效保留了细节特征,提升了模型对复杂目标的感知能力;然后,在颈部网络中融入混合聚合网络改进模块(mixed aggregation net enhancement,MAN-E),进一步增强了特征表达能力;最后,针对基础模型中CIoU损失函数的不足,结合WIoUv3、Inner-IoU和SIoU,提出一种新的边界框回归损失函数Wise-Inner-SIoU,以优化模型的回归效果。实验结果表明,改进后的CCMW-YOLO11n模型召回率提升了9.6%,mAP@0.5和mAP@0.5:0.95分别达到91.0%和61.1%,较基础模型分别提高了3.1%和2.0%,实现了对光伏电池缺陷的高效检测。展开更多
针对输电线路中细小缺陷容易漏检的问题,本文提出了一种YOLOv8-无人机协同的输电线路实时缺陷检测方法。采用高斯滤波对采集的图像进行预处理,将处理后的图像输入YOLOv8模型中,以提取输电线路多尺度特征。引入全维度动态卷积(Omni-Dimen...针对输电线路中细小缺陷容易漏检的问题,本文提出了一种YOLOv8-无人机协同的输电线路实时缺陷检测方法。采用高斯滤波对采集的图像进行预处理,将处理后的图像输入YOLOv8模型中,以提取输电线路多尺度特征。引入全维度动态卷积(Omni-Dimensional Dynamic Convolution,ODConv)和坐标注意力(Coordinate Attention,CA)机制模块,前者用于获取不同跨度和尺度的输电线路缺陷特征,后者用于增强小目标缺陷特征表达。设计结构化交并比(Structured Intersection over Union,SIoU)损失函数,在现有边框回归损失函数的基础上,根据检测边框回归样本自身的形状与尺度来计算损失,得到最终的输电线路缺陷检测结果。试验结果表明,采用本文方法,可检测到绝缘子放电痕迹和塔杆上的鸟巢,置信度均在0.9以上,未出现细小缺陷的漏检问题。同时,本文方法的平均精度均值(mean Average Precision,mAP)为91.3%,对不同输电线路缺陷的综合检测能力较强。展开更多
在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第...在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第7层卷积模块和颈部网络卷积模块替换成动态蛇形卷积(DSConv),提高算法的特征提取性能,并强化算法对微小特征的学习能力;然后在颈部与检测头之间添加多维协作注意力机制(MCA),加强颈部特征融合,增强算法对小目标的检测能力,并抑制无关背景信息;最后使用SIoU损失函数替换原YOLOv8中的CIoU损失函数,加快算法的收敛速度和回归精度。实验结果表明,MDSYOLOv8在公开数据集KMU上对烟雾目标的检测精度mAP达到95.89%,相较于基线YOLOv8提高了3.33个百分点,具有卓越的检测性能。此外,本研究采集互联网上的无人机航拍火灾图像制作UFF(UAV field fire)数据集,主要对象为火焰和烟雾,包含森林和城市等火灾隐患可能发生场景。在自制数据集UFF上进行深度实验分析,MDSYOLOv8的检测精度达到93.98%,检测速度为54帧/s,并且能同时识别烟雾和火焰两种火灾场景中的主要目标,与主流目标检测方法相比,在检测精度和效率方面均展现出明显优势,更加契合航拍场景下的火灾检测应用。展开更多
针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建...针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建空间多尺度卷积注意力(spatial multi-scale convolutional attention,SMCA),提升模型对空间和通道信息的特征提取能力;其次,针对深层网络传递时小目标语义信息容易丢失的问题,设计聚合亚像素卷积(concentrated sub-pixel convolution,CSC),采用多尺度聚合特征提取方法,增强了网络对语义信息的提取能力;最后,将SIoU损失函数替代原模型中的CIoU(complete intersection over union loss)损失函数,加快了网络的收敛速度。SCS-YOLO模型在RSOD和NWPU VHR-10数据集上,平均精确率的平均值(mAP)分别达到97%和90.9%,相较于原模型分别提升了2.2%和2.7%,可见该方法在遥感图像小目标检测任务中的有效性。展开更多
交通标志在检测过程中,因受天气和光照强度的影响,导致检测时出现错检、漏检等问题,针对此问题提出一种融合空间信息的交通标志检测算法。首先,在网络中使用坐标卷积,增强网络对坐标位置信息的敏锐性。其次,在主干特征提取中加入坐标注...交通标志在检测过程中,因受天气和光照强度的影响,导致检测时出现错检、漏检等问题,针对此问题提出一种融合空间信息的交通标志检测算法。首先,在网络中使用坐标卷积,增强网络对坐标位置信息的敏锐性。其次,在主干特征提取中加入坐标注意力机制,可以更好地关注融合处的空间位置信息。在特征融合部分使用多尺度加权融合网络和金字塔池化,利用加权计算和跳跃连接的方式,增强低层与高层之间的语义信息融合效果。最后,使用边框回归损失函数(Scalable Intersection over Union Loss,SIoU)提高目标定位的准确性。在CCTSDB2021和GTSDB数据集上的实验结果显示,该方法在2种数据集上的平均精度(mean Average Precision,mAP)分别达到84.9%和98.5%,与主流检测模型对比有显著提升,较原模型分别提升了5.39个百分点和1.67个百分点,提高了交通标志的检测精度。展开更多
文摘光伏电池的高效发电在推动绿色低碳循环发展中发挥着重要作用,针对光伏电池缺陷图像中存在背景复杂与目标尺寸较小等问题,提出一种改进YOLO11n的缺陷检测模型———CCMW-YOLO11n。首先,在YOLO11n的骨干网络中提出跨阶段部分改进模块(cross stage partial improvement,CSP-I),该模块通过设计多头自注意力机制(multi-head self attention,MHSA)、卷积门控线性单元(convolutional gated linear uint,CGLU)与传统卷积(convolution,Conv)相结合,兼顾全局信息感知与局部特征提取,增强了多尺度特征的提取效果;其次,在特征融合阶段采用内容感知特征重组上采用技术(content-aware reassembly of features,CARAFE),该方法实现了对特征图自适应重组和细节增强,有效保留了细节特征,提升了模型对复杂目标的感知能力;然后,在颈部网络中融入混合聚合网络改进模块(mixed aggregation net enhancement,MAN-E),进一步增强了特征表达能力;最后,针对基础模型中CIoU损失函数的不足,结合WIoUv3、Inner-IoU和SIoU,提出一种新的边界框回归损失函数Wise-Inner-SIoU,以优化模型的回归效果。实验结果表明,改进后的CCMW-YOLO11n模型召回率提升了9.6%,mAP@0.5和mAP@0.5:0.95分别达到91.0%和61.1%,较基础模型分别提高了3.1%和2.0%,实现了对光伏电池缺陷的高效检测。
文摘针对输电线路中细小缺陷容易漏检的问题,本文提出了一种YOLOv8-无人机协同的输电线路实时缺陷检测方法。采用高斯滤波对采集的图像进行预处理,将处理后的图像输入YOLOv8模型中,以提取输电线路多尺度特征。引入全维度动态卷积(Omni-Dimensional Dynamic Convolution,ODConv)和坐标注意力(Coordinate Attention,CA)机制模块,前者用于获取不同跨度和尺度的输电线路缺陷特征,后者用于增强小目标缺陷特征表达。设计结构化交并比(Structured Intersection over Union,SIoU)损失函数,在现有边框回归损失函数的基础上,根据检测边框回归样本自身的形状与尺度来计算损失,得到最终的输电线路缺陷检测结果。试验结果表明,采用本文方法,可检测到绝缘子放电痕迹和塔杆上的鸟巢,置信度均在0.9以上,未出现细小缺陷的漏检问题。同时,本文方法的平均精度均值(mean Average Precision,mAP)为91.3%,对不同输电线路缺陷的综合检测能力较强。
文摘在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第7层卷积模块和颈部网络卷积模块替换成动态蛇形卷积(DSConv),提高算法的特征提取性能,并强化算法对微小特征的学习能力;然后在颈部与检测头之间添加多维协作注意力机制(MCA),加强颈部特征融合,增强算法对小目标的检测能力,并抑制无关背景信息;最后使用SIoU损失函数替换原YOLOv8中的CIoU损失函数,加快算法的收敛速度和回归精度。实验结果表明,MDSYOLOv8在公开数据集KMU上对烟雾目标的检测精度mAP达到95.89%,相较于基线YOLOv8提高了3.33个百分点,具有卓越的检测性能。此外,本研究采集互联网上的无人机航拍火灾图像制作UFF(UAV field fire)数据集,主要对象为火焰和烟雾,包含森林和城市等火灾隐患可能发生场景。在自制数据集UFF上进行深度实验分析,MDSYOLOv8的检测精度达到93.98%,检测速度为54帧/s,并且能同时识别烟雾和火焰两种火灾场景中的主要目标,与主流目标检测方法相比,在检测精度和效率方面均展现出明显优势,更加契合航拍场景下的火灾检测应用。
文摘针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建空间多尺度卷积注意力(spatial multi-scale convolutional attention,SMCA),提升模型对空间和通道信息的特征提取能力;其次,针对深层网络传递时小目标语义信息容易丢失的问题,设计聚合亚像素卷积(concentrated sub-pixel convolution,CSC),采用多尺度聚合特征提取方法,增强了网络对语义信息的提取能力;最后,将SIoU损失函数替代原模型中的CIoU(complete intersection over union loss)损失函数,加快了网络的收敛速度。SCS-YOLO模型在RSOD和NWPU VHR-10数据集上,平均精确率的平均值(mAP)分别达到97%和90.9%,相较于原模型分别提升了2.2%和2.7%,可见该方法在遥感图像小目标检测任务中的有效性。
文摘交通标志在检测过程中,因受天气和光照强度的影响,导致检测时出现错检、漏检等问题,针对此问题提出一种融合空间信息的交通标志检测算法。首先,在网络中使用坐标卷积,增强网络对坐标位置信息的敏锐性。其次,在主干特征提取中加入坐标注意力机制,可以更好地关注融合处的空间位置信息。在特征融合部分使用多尺度加权融合网络和金字塔池化,利用加权计算和跳跃连接的方式,增强低层与高层之间的语义信息融合效果。最后,使用边框回归损失函数(Scalable Intersection over Union Loss,SIoU)提高目标定位的准确性。在CCTSDB2021和GTSDB数据集上的实验结果显示,该方法在2种数据集上的平均精度(mean Average Precision,mAP)分别达到84.9%和98.5%,与主流检测模型对比有显著提升,较原模型分别提升了5.39个百分点和1.67个百分点,提高了交通标志的检测精度。
