轻量级网络算法对输电线路上异物目标的识别

针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。     

基于改进YOLOv5的电力设备轻量化检测算法

提出一种轻量化红外目标检测算法MEGI-YOLOv5。该算法基于YOLOv5模型,首先将主干网络替换为轻量化Mobilenet-v3网络,并将颈部网络中的部分CBL结构块替换为倒残差结构的深度可分离卷积、C3模块由普通卷积和GhostConv组合代替,降低模型的参数和计算量;其次在颈部网络中嵌入ECA(Efficient Channel Attention)模块,提高模型通道间信息的注意力,从而提升模型特征提取能力。实验结果表明,该模型相较于YOLOv5模型,参数量减少22%,检测速度提升37%,模型检测精度达到96.42%,能满足变电站设备类别及发热点识别的准确性和实时性要求,为后续能够及时发现变电站设备故障提供保障。     

安检图像小目标违禁品特征提取模块构建与应用

针对物流包裹安检图像中小目标违禁品易漏检问题,通过在感受野模块的多分支并行网络上引入卷积注意力模块,构建一种适用于小目标违禁品检测的特征提取模块。在此基础上,将构建的特征提取模块融入YOLOv5模型的主干部分,使得模型在违禁品检测的过程中聚焦于图像的重要特征。为了充分发挥所构建模块对于小目标物体的特征提取能力,采用空间深度转换模块替代原模型中的下采样模块,使得YOLOv5模型在特征提取的过程中能够尽可能地保留小目标物体的特征信息,提高对小目标违禁品的检测效果。     

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-t...     

基于深度可分离卷积的交通标志识别算法

针对目前实时交通标志识别中出现的对于中小型目标检测精度低的问题,本文提出了一种基于YOLOv3-tiny的深度可分离卷积(Depthwise Separable Convolutions)的轻量级交通标志检测网络。采用深度可分离卷积构建深度可分离卷积模块代替普通卷积搭建特征提取网络,在保证计算量的前提下更好地提取中小型目标的特征信息。同时,改进多尺度特征融合网络,提高对中小型交通标志的检测精度,使用h-swish激活函数减少因为网络层数增加而丧失的图像特征,实现对多类交通标志的检测。实验结果表明:本算法有效的提高了对中小型交通标志的检测,在验证集上对警告标志(Warining)指示标志(Mandatory)、禁止标志(Prohibitory)3类交通标志进行检测,检测精度(AP)结果分别为98.57%,96.03%,98.04%。检测平均精度(mAP)97.54%、检测速度为201.5f/s.平均精度较YOLOv3-tiny提高了14.01%。在保证轻型网络的计算量低、检测时效性好的前提下,有效地提升了检测精度。     

基于轻量级注意机制的人脸检测算法

提出一个新的基于轻量级注意力机制的网络框架。在YOLOv3主干网络的基础上,使用深度卷积和点卷积代替标准卷积设计特征提取网络,加快模型的训练,提高检测的速度,然后引入注意力机制模块进行模型速度和精度的权衡,最后通过增加多尺度提取更多网络层的特征信息,同时使用K-means++聚类算法进一步优化网络参数。实验结果表明,该方法可以显著提高人脸检测模型的性能,在Wider Face数据集上可以达到94.08%的准确率和83.97%的召回率,且平均检测时间只需0.022 s,相比原始YOLOv3算法提高了4.45倍。     

改进YOLOv4的混凝土建筑裂缝检测算法

针对当前混凝土建筑裂缝走向不规则、细小裂缝特征难以提取的问题,提出一种基于YOLOv4改进的混凝土建筑裂缝检测算法.该算法以YOLOv4框架为基础,在其特征提取网络部分引入感受野更宽的RFB模块捕获特征图;并基于PANet多尺度路径融合结构,提出新的多尺度特征融合方式SL-PANet.该方式首先增加浅层网络特征信息,提高模型对细小裂缝识别的精度,其次采用DUpsampling上采样模块充分还原图像的特征信息,并在上采样和下采样过程中融入CBAM注意力机制模块,突出裂缝的特征信息,去除背景冗余信息的干扰,以此增强裂缝特征的表达能力.该算法同时利用AdamW优化器加快网络训练的收敛.实验结果表明：文章改进的算法检测精度高达94.47%,较原YOLOv4算法提高6.44%,能够满足当前混凝土建筑裂缝检测需求.     

基于改进YOLOv5的海面目标检测算法

针对海面目标检测模型难以应用在存储能力和计算能力较小的移动端的问题,提出一种基于改进YOLOv5的海面目标检测算法。采用轻量级提取网络ShuffleNetv2 Block作为YOLOv5网络的骨干部分,减少模型计算量和参数量;使用加权双向特征金字塔网络模块替换原特征融合网络模块,提高网络对不同尺度的特征提取能力;引入坐标注意力机制,提高模型检测精度。在海面目标数据集上进行实验,结果表明：与YOLOv5模型相比,改进模型的精确率、召回率、平均精度分别提高了1.2%、1.4%、0.9%,计算量和参数量分别降低了55.8%,54.9%。改进后的YOLOv5模型不仅提高了检测精度和模型性能,还压缩了模型的计算量和参数量,有利于部署在移动设备端。     

基于改进YOLOv3的葡萄叶部病虫害检测方法

为了满足果园植保设备对于病害检测模型实时性、识别精度和轻量化的需求,提出了一种基于改进YOLOv3模型的葡萄叶部病害检测模型YOLO-SL.首先,引入轻量级网络ShuffleNetv2的组成模块优化YOLOv3原有的特征提取网络,以降低网络模型参数,然后在优化后的特征提取网络中融合了CBAM注意力机制,并在YOLOv3网络模型的特征金字塔结构中增加了一层小目标特征检测层,以提升检测模型识别精度.最后,在经过数据增强的数据集上进行了不同检测模型的对比试验,试验结果表明YOLO-SL模型平均检测精度可达90.4%,平均检测时间降低到32.2 ms,权重大小降低为原YOLOv3模型的18.3%,可以为葡萄叶部病害检测技术在实际工作环境中的应用提供参考.     

基于感受野和特征增强的遥感图像实时检测

遥感图像检测在计算机视觉领域中是一项具有挑战性的任务，目前的遥感图像检测方法在提升精度的基础上忽略了速度，而在资源勘测和海上救援等需要实时检测的场景中，提高检测速度也是必不可少的。基于此，提出了一种轻量化的目标检测网络，以实现检测精度和速度的权衡。基于YOLOv4进行设计，将原主干网络替换为剪枝后的MobileNetV2，将特征提取部分的普通卷积计算替换为深度可分离卷积以大幅度减小模型计算量，同时嵌入感受野增强模块和注意力机制模块以提升模型检测精度。在遥感图像数据集上的实验结果表明：所提网络的平均准确率达到了89.80%，检测速度达到33.4 frame/s；与YOLOv4相比，平均准确率仅下降了1.48个百分点，但检测速度提升了近1.5倍；与YOLOv4-Tiny相比，平均准确率提升了9.05个百分点。所提模型实现了速度和精度的权衡，权重仅为44 MB，易于部署，且能满足实时检测场景需要。     

基于改进YOLOv4的轻量级目标检测算法研究

针对YOLOv4目标检测算法在一些应用场景的参数多、网络复杂、精度低等问题,提出一种改进的轻量级的目标检测算法GD-YOLO.首先,通过使用轻量级网络GhostNet替换掉YOLOv4的主干特征提取网络CSPDarknet,GhostNet网络极大降低了算法的参数量及计算量,使得算法更加轻量化;其次,提出双重注意力机制(DATM),其不仅增强模型对空间和通道上的特征进行加强,而且其结构参数量小,使用在对主干网络提取出来的三个有效特征层添加双重注意力机制,让模型对特征提取更加有效;最后,新增ACON激活函数代替原有的GhostNet网络中的ReLU激活函数,进一步提高算法检测精度.在VOC2007+2012数据集上的实验结果表明,GD-YOLO算法的平均准确率(mAP)达到84.28%,与YOLOv4算法相比提升了4个百分点,与YOLOv5算法相比低了大约1个百分点;从模型参数量方面,与YOLOv4算法相比减少了11 M,与YOLOv5相比减少3 M.所提GD-YOLO算法相对于YOLOv4不仅减少了模型参数量,而且也保存了较高的平均准确率,表明该算法是更具有轻量化及高准确率的.     

Anchor-free轻量级红外目标检测方法（特邀）

针对红外目标的特点,提出了一种anchor-free轻量级红外目标检测方法,提高了嵌入式平台对红外目标的检测能力。针对计算资源有限的平台,提出了一种新的轻量级卷积结构,引入非对称卷积增强标准卷积的特征表达能力,同时有效减少参数和计算量。设计并行多路特征通道,经过通道拼接生成丰富的特征,结合注意力模块和Channel Shuffle构建轻量级特征提取单元。增加SkipBranch促进浅层信息向高层传递,进一步丰富高层特征。在FLIR数据集进行实验验证,设计的轻量级网络结构精度为81.7% ,超过了 YOLOv4-tiny,但模型参数量减少了75.0%、计算量下降了71.1%,并且推理时间压缩了91.3%,能够满足嵌入式平台红外目标的实时检测需求。     

基于改进的电力关键部件识别算法研究

针对无人机在电力巡检过程中存在的待识别部件背景复杂、轮廓特征不清晰、各类部件尺寸相差较大等问题,提出一种改进的YOLOv4算法对电力关键部件进行识别。首先搭建深度可分离卷积残差块(M-Resblock-body),用其代替原特征提取网络中的部分普通卷积残差块,在不降低特征提取能力的情况下减少参数量,加快模型的推理速度。然后引入自适应调节感受野网络(SKNet),对输入的感受野进行自适应调节,捕获不同尺度的目标,通过合理分配特征通道的权重来对特征进行有效的表达,提高模型检测精度。最后为了增强模型的泛化能力,对训练集进行一系列数据增强。实验结果表明,改进后的YOLOv4算法在测试集上精度比原始网络提高8.85%,速度提升2.24 frame/s,能够有效实现电力巡检中关键部件的识别及缺陷检测。     

基于改进YOLOv4-tiny的轻量化室内人员目标检测算法

深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署。针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法。首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度。在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备。     

YM＿SSH:一种用于实时疲劳检测的轻量级目标检测网络

文章通过轻量化手段实现了在资源受限设备上疲劳检测算法性能提升。同时,为进一步优化疲劳检测精度,本研究在YOLOv3和MobileViT模型的基础上,融入改进的SSH人脸检测网络,将大卷积核替换为若干个3×3卷积核,提出新型轻量化目标检测模型YM＿SSH(YOLOv3-MobileViT-SSH)。实验表明,YM＿SSH相比于传统轻量级模型(如MobileNetV2-YOLOv3),模型体积缩小了约8 MB,检测精度几乎保持不变,表明YM＿SSH模型参数量小,计算成本低,且能获得比其他流行的目标检测模型更高的识别精度和更强的抗干扰能力。     

改进的YOLOv4红外图像行人检测算法

在夜视红外行人检测的定位任务中,样本取样机器处于高点俯拍,使得所拍摄到的行人目标体积较小.此外,行人时刻处于活动状态,与摄像头的距离不同,导致检测时同类目标在图中的大小有一定的差异.基于YOLOv4算法,本文提出了一种改进的YOLOv4红外行人检测算法,对YOLOv4的网络结构进行了优化.采用形变卷积为核心组件,构建形变特征提取模块提升对于目标特征提取的有效性;针对形变卷积对特征提取网络模块进行优化.结果表明,改进后的算法在整体鲁棒性、召回率、F1-Score等评价指标方面均优于其它算法.     

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

基于轻量化YOLOv4模型的车辆检测方法

当前,各类基于深度学习的车辆检测模型大多存在参数量大的问题,导致对模型运行的硬件系统要求较高,难以移植到嵌入式平台。为了减小模型的参数量,提升模型的检测速度,本文提出一种基于改进的YOLOv4的轻量化目标检测模型,使用MobileNetV2网络替换YOLOv4的主干特征网络,将普通卷积替换为深度可分离卷积。同时,为了保证模型检测精度,使用K-Means++算法聚类得到预设锚框。实验结果表明,所设计的模型参数量从原YOLOv4网络的64.36 Mb压缩到了11.73 Mb,同时检测速度为47.31 f·s^(-1),能够满足道路车辆检测的实时性要求。     

基于双通道注意力的轻量化PCB缺陷检测研究

印刷电路板 (printed circuit board,PCB)在实际生产过程中存在缺陷样式多种多样、缺陷小、缺陷位置难以定位的问题,而一个巨大的模型难以实现实时检测的要求,且大量的深度可分离卷积层建立的轻量级模型也不能达到足够的精度,为此提出一种基于YOLOv5s的PCB缺陷检测算法。 将原始Backbone的Conv模块跟C3模块用GhostConv替换,在Neck部分则引入了一种新的轻量级卷积技术GSConv,减轻模型大小的同时保持精度,GSConv在模型的准确性和速度之间完成了一个极好的权衡,针对许多注意力模块无法关注全局信息同时模型大的问题,提出了多尺度的轻量化双通道注意力模块(double channel depthwise attention module,DWAM),进一步提高模型精度。通过多组实验, 结果表明,改进算法所有类别的平均mAP为99.14%,且模型的GFLOPs为7.194 G,Params为7.175,原始的YOLOv5s平均mAP为96.86%,GFLOPs为6.89 G,Params为6.596,虽然Params以及GFLOPs有所增大,但是还是满足轻量网络的要求,并且精度相对于YOLOv5s提高了2.25%,且对于每个类别的缺陷识别准确率都有改善,大幅减少计算量和模型参数的同时保证了准确率,满足工业检测生产需求的同时便于移动端部署。     

融合注意力机制的多尺度红外目标检测

针对红外图像存在细节纹理特征差、对比度低、目标检测效果差等问题,基于YOLOv4(You Only Look Once version 4)架构提出了一种融合通道注意力机制的多尺度红外目标检测模型。该模型首先通过降低主干特征提取网络深度,减少了模型参数。其次,为补充浅层高分辨率特征信息,重新构建多尺度特征融合模块,提高了特征信息利用率。最后在多尺度加强特征图输出前,融入通道注意力机制,进一步提高红外特征提取能力,降低噪声干扰。实验结果表明,本文算法模型大小仅为YOLOv4的28.87%,对红外目标的检测精度得到了明显提升。