基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。     

基于改进YOLOv5算法的鸟巢检测方法

深度学习技术的快速发展推动了电力智能安防的自动化进程.电力场景中用于高压电力塔和接触网搭建的复杂钢结构往往成为铁路沿线鸟类筑巢之所,给电力系统安全运行带来了隐患.因此,使用深度学习技术及时发现并清理鸟巢具有重要的实际意义.提出了一种基于改进YOLOv5的鸟巢检测方法,该方法在YOLOv5基础上考虑了鸟巢本身所独有的黑色属性和错综复杂的纹理特性,采用注意力机制强化鸟巢检测过程中对上述特征的学习.同时,根据电力场景中采集的实际鸟巢数据对该方法开展的验证性实验取得了良好的检测效果,算法检测性能达到88.6％,相比其他经典检测算法高1.5％以上.     

基于改进YOLOv4的无人机航拍目标检测算法

针对无人机航拍目标检测对检测速度的高要求以及航拍图像小目标较多时易出现漏检、误检的问题,提出一种基于改进YOLOv4的无人机航拍目标检测算法。首先,引入轻量级网络MobileNetv3替换YOLOv4的主干特征提取网络,并采用深度可分离卷积替换网络其余部分的3×3标准卷积,降低了模型复杂度,提升了检测速度;其次,增加了针对小目标的104×104的浅层检测层,将原特征提取网络的3种检测尺度扩展为4种,对应加深特征融合网络层数,提升了算法对小目标的检测精度;最后,采用K-means++聚类算法重新设计了初始锚框,加快了网络的收敛速度。在无人机航拍数据集上进行了对比实验,结果表明所提算法与原算法相比,在保证平均检测精度的同时,提升了小目标检测精度,且模型参数量减少了60%,检测速度提升了15.2%,在实时性和准确性方面均有较好性能。     

基于改进YOLOv4算法的玻璃杯缺陷识别方法研究

当前，玻璃杯表面缺陷检测主要依赖人力劳动来完成，存在耗时长且准确率不高等问题。提出了一种将YOLOv4与MobileNetV3结合的改进算法模型YOLO-M来解决该问题。首先，利用MobileNetv3网络替换YOLOv4原本的主干网络CSPDarknet53,并修改激活函数，在减少模型大小和参数量的基础上提升运行速度。然后，对玻璃杯缺陷样本进行拍照采样，将缺陷分为磨损、气泡、划痕三种，建立玻璃杯缺陷数据集。最后利用YOLO-M、YOLOv4以及YOLOv4-tiny三种算法对玻璃杯缺陷数据集进行训练，将不同算法下的平均精度均值、帧率等评价指标进行对比。实验结果表明，YOLO-M算法在玻璃杯缺陷检测上的帧率达到57.72 f/s,平均精度均值达到91.95%,均为最高。YOLO-M算法在玻璃杯缺陷识别的速度和精度上有明显效果，可做为后续分拣研究，以及其他玻璃制品缺陷识别的重要参考。     

基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

基于改进SSD算法的行人检测方法

随着计算机视觉的快速发展,行人检测技术越来越成为人们关注的热门话题之一.行人检测算法中SSD算法相对于其他行人检测算法更加稳定,针对SSD算法做行人检测时产生的检测精度低的问题,提出一种以ResNet残差网络作为SSD的前馈网络,提取行人特征,并通过特征值生成目标框的行人检测算法.将原始SSD算法与改进后的SSD算法分...     

基于改进YOLOv5的输电线路鸟巢缺陷检测方法

鸟巢侵占是输电线路经常发生的一个故障情况。鸟类在铁塔上筑巢将会影响铁塔的绝缘性能，造成跳闸事故的发生。传统的输电线路鸟巢识别方法效率低且安全性不足。为此，本文提出了一种改进YOLOv5模型的输电线路鸟巢检测算法。通过在主干网络中加入CBAM注意力模块，以较小的计算代价提升主干网络的特征提取能力。在颈部网络中引入自适应特征融合模块替换原始结构，加强多尺度特征融合效果。使用更加稳定和平滑的Mish激活函数作为激活函数，以提升分类精度和泛化能力。实验结果表明，相较于原始YOLOv5s模型，改进方法在召回率以及平均精度均值方面分别提升4.4%和2.3%。对于遮挡目标以及远近距离目标均表现出良好的性能，验证了改进方法的有效性。     

基于YOLOv4优化的轻量级无人机障碍物检测方法

无人机平台内存小、计算资源有限。针对经典检测方法的网络结构复杂、检测速度慢等问题,提出一种基于轻量化的实时检测方法。首先,将轻量化模型MobileNetv3代替CSPDarknet53作为主干网络并融合有效通道注意力机制从而减小模型内存占用。其次,引入残差结构融合模块RFM,增强网络的特征提取能力。为了进一步提高障碍物检测的泛化能力和算法的收敛速度,采用Control Distance-IOU损失函数替换CIOU损失函数进行网络训练。实验结果表明,在与原模型检测效果基本相同的情况下,改进后的模型内存占比减少了80%仅39.5M,FPS提高了168%达到49.21帧/s。     

基于改进YOLOv4算法的PCB缺陷检测

现有PCB（印刷电路板）缺陷检测方法,多采用参考法进行检测,对图片配准要求高,不仅耗时且定位误差大。YOLOv4速度快,精度高,但应用在PCB检测上存在着漏检的情况,对小目标检测效果不佳,现提出了一种基于改进YOLOv4算法的PCB缺陷检测方法。首先,以CSPDarknet53为主干网络,采用单特征层结构,避免了数据不均衡带来的先验框分配问题。然后,将网络中的五次卷积改进为CSP结构的残差单元,进一步提高特征提取能力。最后,采取K-means++对先验框重新进行聚类,提高模型训练效果。实验部分采取北京大学发布的PCB数据集进行训练,结果表明,改进后的算法mAP（平均精度均值）达到98.71%,在精度上优于其它常见的目标检测算法。     

基于改进YOLOv4算法的疲劳驾驶检测

提出一种基于深度学习的改进YOLOv4算法的疲劳驾驶检测.首先通过使用迁移学习将VOC数据集已训练好权重作为预权重进行训练,其次在训练中将框架中的特征金字塔SPP结构前后增加卷积,提高框架对深层特征的提取,再引入空洞卷积技术在不损失图片信息情况下增加卷积输出感受野,增加图片位置信息的获取能力.实验结果表明,改善后的YO...     

基于改进 YOLOv5 的太阳能电池板缺陷检测算法

为提高太阳能电池板缺陷的检测精确,提出了一种改进的 YOLOv5 网络,对太阳能电池板常见的划痕、叉隐、黑斑、黑 边以及无电等5类主要缺陷进行检测和分类。首先,使用改进后的 ODConv 模块对主干提取网络中的普通卷积模块进行替 换,减少网络模型的参数量;其次,将 C3 模块中的Bottleneck 结构替换成包含 ParNet 模块的Res2Net 以增加感受野,从而提 升了探测物体缺陷的能力和检测精确;最后,在预测网络前引入自适应特征融合结构,以融合不同特征图的位置与类别信息, 增强特征表达并提高模型的鲁棒性。对自建的数据集进行训练、验证以及测试,实验结果表明,改进后的模型能够成功识别 和定位5类常见缺陷。与原 YOLOv5 算法相比,在保持原网络高效性的同时,平均检测精确提升了6.2%。     

基于改进YOLOv5的输电线路鸟巢检测方法研究

输电线路上的鸟巢会对电力设备的安全运行构成威胁,甚至影响整个电力系统的稳定性。针对复杂场景下输电线路鸟巢检测方法适用性较差的问题,提出一种基于改进YOLOv5的输电线路鸟巢检测方法。该方法结合通道注意机制和空间注意机制设计特征平衡网络,以通道权值和空间权值作为引导,实现检测网络不同层次特征之间语义信息和空间信息的平衡。同时,为了避免因网络层数增加导致特征信息不断被弱化的问题,设计特征增强模块以捕获与鸟巢相关的通道关系和位置信息。最后,利用输电线路无人机巡检图像建立鸟巢数据集进行训练和测试。实验结果表明,所提出的输电线路鸟巢检测方法具有较强的泛化能力和适用性,同时也为电力图像缺陷检测提供技术参考。     

基于特征增强YOLOv4的无人机检测算法研究

现有基于深度学习的目标检测方法在面对空中消费级无人机时,存在鲁棒性差、准确率不足等问题。 对此,提出一种基 于特征增强的 YOLOv4 目标检测方法—FEM-YOLOv4。 首先,针对无人机低、小、慢等特点,改进骨干网络,降低下采样倍数,充 分利用包含细粒度信息的浅层特征;其次,加入特征增强模块(feature enhancement module),通过使用不同空洞率的多分支卷积 层结构,综合不同深度的语义信息和空间信息,增强小尺度无人机的细节语义特征;另外,利用多尺度融合的特征金字塔结构, 突出特征图包含的细节信息和语义信息,提升模型对无人机目标的预测能力;最后,采用 K-means++算法对无人机目标候选框 的尺寸进行聚类分析。 与 6 种目标检算法进行对比,实验结果表明,FEM-YOLOv4 算法的 mAP 和 Recall 分别达到 89. 48%、 97. 4%,优于其他算法,且平均检测速度为 0. 042 s。     

结合数据增强和改进YOLOv4的水下目标检测算法

针对水下低质量成像、水下目标形态大小各异、以及水下目标重叠或遮挡导致水下目标检测精度低的问题,提出一种结合数据增强和改进YOLOv4(you look only once)的水下目标检测算法,在YOLOv4的主干特征提取网络CSPDarknet53中添加卷积块注意力机制(convolutional block attention module, CBAM),以提高网络模型特征提取能力;在路径聚合网络(path aggregation network, PANet)中添加同层跳接和跨层跳接结构,以增强网络模型多尺度特征融合能力;通过数据增强方法PredMix(prediction-mix)模拟水下生物重叠、遮挡等显示不完全的情形,以增强网络模型鲁棒性。实验结果表明,结合数据增强和改进YOLOv4的水下目标检测算法在URPC2018(underwater robot picking control 2018)数据集上的检测精度提升到了78.39%,比YOLOv4高出7.03%,充分证明所提算法的有效性。     

基于改进YOLOv8n的 PCB 缺陷检测算法

针对现有的印刷电路板(PCB) 缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出 YOLOv8n- 4SCDP缺陷检测算法。首先,在YOLOv8n 颈部网络增加上采样,融合 Backbone 中浅层语义信息,同时增加微小目标检测层 降低PCB小目标缺陷漏检率;其次,在Backbone 中融入坐标注意力(CA) 机制,强化特征语义和位置信息,提高了模型特征融 合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大 减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模 型收敛速度和回归精度。实验结果表明,YOLOv8n-4SCDP 算法的整体缺陷的平均精度均值(mAP) 达到95.8%,检测帧率达 到了65 fps。有效改善YOLOv8n 对于PCB小目标缺陷漏检率高、检测精度低等问题。     

基于改进 YOLOv7 模型的血细胞检测算法研究

在医学上,血细胞计数检测是衡量人体健康与否的重要诊断方法,但是血细胞图像中存在小目标和重叠目标的检测 难点。针对上述问题,提出一种改进的YOLOv7 目标检测算法。通过对原始的 YOLOv7 网络增加全局注意力机制(GAM), 提升网络的感受野,提高对小目标的检测精度;提出融合了加权双向特征金字塔网络(BiFPN) 和递归门控卷积 HorNet 的特 征金字塔 HorNet-BiFPN 结构,利用其高阶空间交互作用增强网络的特征融合能力,实现对红细胞重叠区域的建模,解决对重 叠红细胞的检测问题。实验结果表明,改进的 YOLOv7 模型的检测精确率达到了96.3%,对单张图片的检测时间达到了 74ms, 对图像中的3类细胞均实现了较强的检测效果,达到了医学辅助诊断的合理性。     

基于改进 YOLOv7 的线束缺陷检测研究

针对目前线束端子压接缺陷检测过程中存在检测效率低、误检率高等问题,提出一种基于改进YOLOv7的线束缺陷检测方法。为提高算法的检测精度,在YOLOv7主干网络中添加归一化注意力模块(NAM),加强对检测目标的定位和识别;在颈部构建多尺度的集中特征金字塔网络(CFP),以捕捉不同尺度下的目标信息,加深对图像深层特征的提取;使用SIoU Loss替换CIoU Loss优化训练模型,在加快模型收敛的同时提高预测框的回归精度。实验结果表明,改进后的YOLOv7网络模型准确率达95.8%,召回率达94.5%,均值平均精度达97.6%,与原模型相比分别提高了5.0%、4.8%和3.3%,模型大小90.5 MB,检测时间为48 ms,有效提高了模型的检测精度。最后,使用PyQt5开源框架设计了线束端子压接缺陷检测系统,实现了端子压接缺陷检测的自动化和可视化,提高了缺陷检测效率,可以满足生产企业的需求。