针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络...针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络来增强长距离特征依赖关系,同时使用幻影卷积(GhostConv)替换网络中的卷积(Conv)模块。然后,为了提升特征提取能力并进一步降低模型规模,结合FasterBlock模块与高效多尺度注意力(EMA)机制提出C2f-E(C2f Based on EMA)模块。接着,为了提高小目标检测性能,基于双向特征金字塔网络(BiFPN)进行设计,并增加小目标检测头与多尺度特征融合支路,提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后,为了解决难易样本的平衡问题并提高针对小目标缺陷的检测性能,使用WIoUv3(Wise-Intersection over Union version 3)作为训练网络的损失函数。在自建的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明,相较于YOLOv8n,改进模型的均值平均精度(mAP@0.5)提高了5.5百分点、规模减小了1.4×106。展开更多
番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采...番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采集的番茄病毒病害检测数据集进行数据增强,构成番茄病毒病害最终的训练数据集和验证数据集。同时,基于YOLOv8模型框架,借鉴残差网络和人眼视觉注意力机制,引入ResBlock+CBAM结构,设计ResCBAM模块,提升模型对关键特征的提取能力。在Plant Village Dataset公共数据集上进行训练与测试,并在番茄病毒病自建数据集上进行试验预测与验证,最终基于Java平台的Spring Boot框架,开发出一种基于YOLOv8-AM的番茄病毒病害检测系统。试验结果表明:在公共数据集上,YOLOv8-AM算法的精确率、召回率分别为92.47%和93.91%,均值平均精度为97.82%,模型的检测速度为31.89 FPS、尺寸为23.83 MB,改进算法在保持检测速度的同时精度均高于现有模型;在自建数据集上,YOLOv8-AM算法的均值平均精度为89.76%,模型泛化能力较强。利用改进的YOLOv8-AM算法能够实现对番茄病毒病害的快速检测,为作物植株的病害识别与防治提供技术支撑。展开更多
文摘针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络来增强长距离特征依赖关系,同时使用幻影卷积(GhostConv)替换网络中的卷积(Conv)模块。然后,为了提升特征提取能力并进一步降低模型规模,结合FasterBlock模块与高效多尺度注意力(EMA)机制提出C2f-E(C2f Based on EMA)模块。接着,为了提高小目标检测性能,基于双向特征金字塔网络(BiFPN)进行设计,并增加小目标检测头与多尺度特征融合支路,提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后,为了解决难易样本的平衡问题并提高针对小目标缺陷的检测性能,使用WIoUv3(Wise-Intersection over Union version 3)作为训练网络的损失函数。在自建的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明,相较于YOLOv8n,改进模型的均值平均精度(mAP@0.5)提高了5.5百分点、规模减小了1.4×106。
文摘番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采集的番茄病毒病害检测数据集进行数据增强,构成番茄病毒病害最终的训练数据集和验证数据集。同时,基于YOLOv8模型框架,借鉴残差网络和人眼视觉注意力机制,引入ResBlock+CBAM结构,设计ResCBAM模块,提升模型对关键特征的提取能力。在Plant Village Dataset公共数据集上进行训练与测试,并在番茄病毒病自建数据集上进行试验预测与验证,最终基于Java平台的Spring Boot框架,开发出一种基于YOLOv8-AM的番茄病毒病害检测系统。试验结果表明:在公共数据集上,YOLOv8-AM算法的精确率、召回率分别为92.47%和93.91%,均值平均精度为97.82%,模型的检测速度为31.89 FPS、尺寸为23.83 MB,改进算法在保持检测速度的同时精度均高于现有模型;在自建数据集上,YOLOv8-AM算法的均值平均精度为89.76%,模型泛化能力较强。利用改进的YOLOv8-AM算法能够实现对番茄病毒病害的快速检测,为作物植株的病害识别与防治提供技术支撑。
