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
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
针对自动驾驶场景动态目标检测存在检测速度难以满足实时性要求、检测目标小或被遮挡造成的精度不足和误检、漏检率高等问题,提出一种基于改进YOLOv8模型的行人及车辆检测方法。首先,在Backbone骨干网络提取图像特征时使用对图像分辨率...针对自动驾驶场景动态目标检测存在检测速度难以满足实时性要求、检测目标小或被遮挡造成的精度不足和误检、漏检率高等问题,提出一种基于改进YOLOv8模型的行人及车辆检测方法。首先,在Backbone骨干网络提取图像特征时使用对图像分辨率低、小目标检测友好的空间到深度卷积(a Space-to-Depth layer followed by a non-strided Convolution,SPD-Conv)模块;其次,在Neck层融合特征时增加上下文转换自注意力(Contextual Transformer,CoT)模块提高模型特征表达能力;最后,引入SIoU,加快模型的收敛速度并提高准确率。所提方法在KITTI数据集上实验。结果显示:相较于原YOLOv8算法,所提算法的准确率、召回率、平均准确率分别提高0.7%、2.1%、2.1%,浮点运算数、帧率分别提高3.6 GFLOPS、24.64 frame/s,证明所提方法能够有效综合满足自动驾驶车辆行人及车辆检测任务中的实时性、精度提高以及降低漏检率和误检率需求。展开更多
带钢作为一种重要的原材料已经应用到各个行业,其质量的优劣直接关系到最终产品的性能与质量。为了更准确地检测带钢表面缺陷,控制带钢质量,提出了一种冷轧带钢表面缺陷的检测模型。该模型在YOLOv5框架下进行改进,主要有3个方面:通过引...带钢作为一种重要的原材料已经应用到各个行业,其质量的优劣直接关系到最终产品的性能与质量。为了更准确地检测带钢表面缺陷,控制带钢质量,提出了一种冷轧带钢表面缺陷的检测模型。该模型在YOLOv5框架下进行改进,主要有3个方面:通过引入注意力机制模块以增强特征抽取架构;通过采用SIOU(Sum of Intersection over Union)损失函数来优化模型训练过程;通过改进置信度预测的损失函数以增强模型在识别真实对象时的精准度。经过实验验证,所提出的改进模型可以有效地进行冷轧带钢表面缺陷的检测,且与同类算法YOLOv4和YOLOv5相比,检测的平均准确度都有所提升。展开更多
本文以玉米叶斑病检测为研究对象,针对现有目标检测模型普遍存在的计算复杂度高、部署困难等问题,基于you only look once version 8(YOLOv8)算法提出了一种改进方案.构建轻量化注意力模块提升特征提取能力,引入SIoU损失函数优化目标框...本文以玉米叶斑病检测为研究对象,针对现有目标检测模型普遍存在的计算复杂度高、部署困难等问题,基于you only look once version 8(YOLOv8)算法提出了一种改进方案.构建轻量化注意力模块提升特征提取能力,引入SIoU损失函数优化目标框定位精度,采用基于BatchNorm层的模型剪枝策略降低计算复杂度.在RobFlow玉米病虫害数据集上的实验结果表明,改进后的模型检测精度达到88.8%,较原始YOLOv8算法提升了0.7个百分点;同时模型参数量和计算量分别减少33.1%和31.4%,推理速度提升20.5%.该方法在保持较高检测精度的同时,显著提升了效率,为农作物病虫害智能检测提供了新的技术思路.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。
文摘针对自动驾驶场景动态目标检测存在检测速度难以满足实时性要求、检测目标小或被遮挡造成的精度不足和误检、漏检率高等问题,提出一种基于改进YOLOv8模型的行人及车辆检测方法。首先,在Backbone骨干网络提取图像特征时使用对图像分辨率低、小目标检测友好的空间到深度卷积(a Space-to-Depth layer followed by a non-strided Convolution,SPD-Conv)模块;其次,在Neck层融合特征时增加上下文转换自注意力(Contextual Transformer,CoT)模块提高模型特征表达能力;最后,引入SIoU,加快模型的收敛速度并提高准确率。所提方法在KITTI数据集上实验。结果显示:相较于原YOLOv8算法,所提算法的准确率、召回率、平均准确率分别提高0.7%、2.1%、2.1%,浮点运算数、帧率分别提高3.6 GFLOPS、24.64 frame/s,证明所提方法能够有效综合满足自动驾驶车辆行人及车辆检测任务中的实时性、精度提高以及降低漏检率和误检率需求。
文摘带钢作为一种重要的原材料已经应用到各个行业,其质量的优劣直接关系到最终产品的性能与质量。为了更准确地检测带钢表面缺陷,控制带钢质量,提出了一种冷轧带钢表面缺陷的检测模型。该模型在YOLOv5框架下进行改进,主要有3个方面:通过引入注意力机制模块以增强特征抽取架构;通过采用SIOU(Sum of Intersection over Union)损失函数来优化模型训练过程;通过改进置信度预测的损失函数以增强模型在识别真实对象时的精准度。经过实验验证,所提出的改进模型可以有效地进行冷轧带钢表面缺陷的检测,且与同类算法YOLOv4和YOLOv5相比,检测的平均准确度都有所提升。
文摘本文以玉米叶斑病检测为研究对象,针对现有目标检测模型普遍存在的计算复杂度高、部署困难等问题,基于you only look once version 8(YOLOv8)算法提出了一种改进方案.构建轻量化注意力模块提升特征提取能力,引入SIoU损失函数优化目标框定位精度,采用基于BatchNorm层的模型剪枝策略降低计算复杂度.在RobFlow玉米病虫害数据集上的实验结果表明,改进后的模型检测精度达到88.8%,较原始YOLOv8算法提升了0.7个百分点;同时模型参数量和计算量分别减少33.1%和31.4%,推理速度提升20.5%.该方法在保持较高检测精度的同时,显著提升了效率,为农作物病虫害智能检测提供了新的技术思路.
