面向边缘计算平台及遥感影像的实时检测算法

针对现有目标检测算法难以满足无人机遥感中实时检测的问题,提出了一种基于ShuffleNetv2及结构化剪枝的模型压缩方法。以YOLOv5m为基础,将ShuffleNetv2模型作为YOLOv5m的主干网络,减少模型的参数量及计算量,提升模型推理速度;其次,利用ECA注意力机制替换ShuffleNetv2中的SE模块,强化主干网络的特征提取能力;再者,以FocalEIoU作为YOLOv5算法的损失函数,提升模型的回归能力;最后,利用通道剪枝算法剔除Neck结构中冗余的参数,进一步压缩模型的参数及计算量,并通过模型微调的方式提升剪枝模型的精度。实验结果表明,在相同的测试环境下,与YOLOv5m相比,本文所提出模型的参数量及浮点运算量分别降低了86.3%和80.0%,mAP@0.5和mAP@0.5:0.95达到了92%及50.4%,优于所对比的其他主流检测算法。此外,所提出的模型在AGX边缘计算平台上达到了35帧/s的检测速度,满足实时检测的要求。     

基于改进YOLOv4算法的高压塔鸟巢检测

针对现有算法对高压塔上鸟巢检测存在参数量过大,实时性不足及对小目标检测能力较弱的问题,提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络,减少算法的参数量且提升检测速度;同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块,增强网络对目标特征提取能力。然后,对PANet网络进行改进,获取更多的细节特征信息,提高对小目标鸟巢的检测能力。最后,使用Focal Loss函数优化损失函数,降低大量简单背景样本训练的权重,提升对小目标鸟巢困难样本训练的侧重,进一步提高对小目标鸟巢的检测能力。实验结果表明,较原始的YOLOv4算法,改进后的YOLOv4算法的参数量减少了48.1%,检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量,且对鸟巢的检测拥有更好的检测性能。     

改进YOLOv2算法的道路摩托车头盔检测

针对摩托车头盔的传统检测方法准确率低、泛化能力差和目标检测网络参数量大难以在嵌入式设备运行的问题,提出改进的YOLOv2的MNXt-ECA-D-YOLOv2目标检测算法模型。首先引入MobileNeXt网络替换YOLOv2原始骨干网络,其次在MobileNeXt的沙漏块中引入密集连接结构同时在网络中引入有效通道注意力机制,然后在不同深度网络层应用不同的激活函数,最后在网络输出卷积层之前增加DropBlock模块。采用K-means聚类算法重新设计了自制数据集的先验框尺寸。实验结果表明,改进后的模型相比原始YOLOv2,在AP50指标上提高了3.53%,模型大小减少77.44%,检测速度提高了近4倍。 通过对比实验可知,改进后的YOLOv2模型在保持较高的精度下模型更小,在CPU中的推理速度更快,具有一定的应用价值。     

应用于绝缘子缺陷检测的轻量化YOLOv4研究

针对YOLOv4主干网络庞大、参数量多,应用于绝缘子缺陷检测中无法满足实时性要求的问题,提出一种轻量化的YOLOv4检测模型。首先,引入含ECA集成组件的GhostNet作为特征提取网络,保证特征提取能力的同时大幅减少模型参数,加快模型推理速度。其次,使用K-means++聚类算法确定出初始锚框尺寸,以适应绝缘子缺陷大小,提升缺陷定位精度。最后,在交叉熵损失函数的基础上引入Quality Focal Loss改进损失函数,进一步提升模型检测性能。实验结果表明,改进后的轻量化YOLOv4与原始YOLOv4相比,模型大小压缩至原来的62.47%,每秒帧率提升了68.83%,绝缘子缺陷检测的准确率提升了1.07%,在显著提升检测速度的同时保证了算法检测精度,且在小目标和复杂背景下表现突出。     

基于MPSoC的轻量化汽车检测系统及硬件加速 平台设计与优化

针对车辆分类检测在精度和实时性方面存在的挑战,提出了一项改进方案,以优化YOLOv5s 模型,旨在实现轻量化 的汽车检测。通过在MPSoC硬件架构的现场可编程门阵列(FPGA) 上设计系统,成功打造了一个具备高精度、快速检测和低 能耗的解决方案。为了使得模型更适合嵌入式设备部署,采用了MobileNetv3 Small 替代YOLOv5s 的主干网络,并引入卷积 块注意力模块(CBAM) 注意力机制和Inner-IoU Loss 优化方法,使模型在轻量化的同时提升了检测精度和速度。改进后的模 型相较于原始Yolov5s模型,平均精度均值(mAP) 提升了14.8%,参数量减少了49.7%,模型体积减小了40.7%,计算量减 少了48.9%,在NVIDIA 3060上,改进后的检测速度提升了48.8%,达到了82 fps。此外,还利用FPGA 对YOLOv5s 进行了 硬件加速。经过优化的系统达到了45fps 的检测帧率,并保持了较高的精度和速度,这一系统易于部署,适用于智能交通系 统,满足其高效实时监测的需求。     

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9M,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。     

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。     

基于改进YOLOv5的轨道交通障碍物检测算法

针对复杂的轨道交通背景下障碍物检测精度低和检测速度慢的问题,提出了一种改进YOLOv5的目标检测网络模型。首先,采用基于注意力机制的轻量级Transformer主干EMO来替换YOLOv5原有backbone中的部分模块,保证轻量化的同时,还能够提高模型的准确性和稳定性;其次,使用Focal-EIoU来替换YOLOv5中的CIoU损失函数,以解决CIoU引起的训练效率低、收敛速度慢等问题;最后使用轻量化上采样算子CARAFE来替换YOLOv5算法中原有的上采样层,在没有引入过多参数和计算量的情况下具有更大的感受野,提高了检测精度和检测速度。实验结果表明,该方法相较于原始的YOLOv5网络模型平均精确度提升了11.1%,准确率提升了13%,召回率提升了11.4%,检测速度达到了60.7 fps。所提出的方法在目标检测任务中表现出了较好的性能,有效增强了轨道交通背景下目标检测模型的检测性能。     

改进YOLOv3的安全帽佩戴检测方法

针对目前安全帽佩戴检测模型在复杂环境下对于密集目标和遮挡目标存在漏检的问题,基于YOLOv3框架,提出了一种新的安全帽佩戴检测算法YOLOv3-H。YOLOv3-H算法在主干网络提取的3个特征层后加入多尺度自注意力机制,提升模型捕捉有用信息的能力;同时对K-means聚类算法进行优化,获得适合安全帽佩戴检测的最优先验框,从而提升网络模型的检测精度;最后采用GIOULoss作为目标定位损失函数,使得网络可以沿着预测框与真实框重叠度高的方向进行优化,从而加快模型的收敛速度。在Safety Helmet Wearing detect公开数据集上进行实验,结果表明,YOLOv3-H算法相比原有YOLOv3,平均检测精度提升了7.05%。     

基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。     

基于YOLOv3的轻量化口罩佩戴检测算法

当前疫情防控形势严峻,在人群密集场所进行实时快速的口罩佩戴检测可以有效降低病毒传播的风险。针对目前人工检测效率低的问题,提出一种基于YOLOv3的轻量化口罩佩戴检测算法。使用ShuffleNetv2替换原来的主干特征提取网络,降低网络参数量,减少计算功耗。提出将SKNet注意力机制引入到特征融合网络部分,增强不同尺度的特征提取能力;使用CIoU作为边界框回归损失函数,进一步提高检测精度。在构建的人脸口罩检测数据集上实验表明,与原YOLOv3相比,本文所提算法在保持较高检测精度的情况下,检测速度提高了34FPS,有效地实现了准确快速的口罩佩戴检测,与其他主流目标检测算法相比,该算法也具有更好的检测效果。     

基于YOLOv5的轻量化交通标志检测方法

针对目前交通标志检测算法存在网络复杂度高、计算量大、边缘端部署难度高。提出一种基于YOLOv5的轻量化交通标志目标检测算法。通过增加注意力机制,使用CBAM和CA融合的方式,强化检测模型抗干扰能力;通过FPGM剪枝,对模型进行了压缩,降低计算量、提高推理速度;通过软硬件融合设计,实现YOLOv5s模型与硬件融合,形成一整套完整的移动智能交通标志目标检测系统;结果表明,增加多种注意力机制后,模型精度提高了2.8%。在极限剪枝的情况下,模型仅有0.54 MB。在Jetson Nano(20 W)的环境下,检测速度达21帧/s,满足实时的交通标志检测。     

轻量化无人机航拍目标检测算法

针对无人机航拍背景复杂、检测目标小且密集。提出一种基于YOLOv5的轻量化无人机航拍目标检测算法SDS-YOLO。首先,SDS-YOLO算法重构轻量化网络结构,对特征提取网络和特征融合网络进行重构。调节检测层和感受野架构,建立深层语义与浅层语义多尺度检测信息依赖关系,增加浅层网络特征层的权重,提高对微小目标的检测能力;其次,利用聚类算法对预选框进行调整,实现重构网络最优的预选框选择机制,加快模型收敛速度。最后,使用Varifocal loss训练SDS-YOLO使IACS回归,提高模型对密集物体的检测能力。结果表明,模型经过优化后,精度提高了7.64%;模型体积4.25MB,相较于原模型大幅下降;模型计算量和推理速度均有提高。相较于当前主流算法,SDS-YOLO在各方面均取得了不错的改进,满足无人机航拍实时目标检测要求。     

轻量化 YOLOv7-tiny 的水下压印字符识别

自动化水下字符识别技术能通过编号更高效地定位追踪水下设备,是管理和维护水下设备的关键。针对该任务目标 区别较小和水下场景中干扰等问题,并考虑其检测速度需求,基于 YOLOv7-tiny 模型,提出一种轻量化的改进模型。首先采 用 MobileNetV3 作为新的特征提取网络对整体框架进行轻量化处理;然后引入PConv 至 ELAN 模块中,减少 Neck 层的计算 量;最后将置换注意力机制应用至 Head 层,提升了模型对字符定位的表达能力。实验结果表明,改进后的模型相较于原模型 的平均精度均值(mAP) 提高了2.4%,参数量和计算量分别减少30.0%和38.5%,检测速度提升30.8%。改进后的模型在水 下字符识别任务中具有更高的效率和精度,为推进并实现水下自动化识别编号设备的部署提供了可行性。     

面向密集型钢筋计数的GCA-MobilenetV2-YOLOv4算法

为提高建筑工地的钢筋计数效率，围绕施工单位硬件设备算力不足，钢筋图像物体密集遮挡严重的情况，提出一种改进的轻量化YOLOv4算法。提出GCA-MobilenetV2轻量级网络替换CSPDarknet53,作为YOLOv4算法的主干特征网络。针对钢筋图像密集，物体间遮挡严重的情况，提出融合通道注意力机制的attention-CSP-PANet结构。针对深层网络SPP结构参数量大，模型训练时梯度消失的问题，提出DepthLite-SPP结构，增强深层网络的感受野，提高算法的检测速度。针对一阶段回归的算法正负样本失衡问题，设计CIOU-Focal损失函数。实验证明，在自建钢筋数据集中检测精度为98.78%,对比原算法精度提升了3.36%,检测速度FPS提升了7.6,参数量仅为原算法的1/3。     

基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法

针对输电线路无人机巡检图像鸟巢检测现有方法实时性差及小目标检测能力较弱的问题,提出一种基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法。首先,使用Mosaic数据增强方法增强数据集并变相提升训练集中小目标的数量;然后,在主干特征提取网络使用深度可分离卷积代替部分标准卷积,提高检测网络的速度,并降低网络参数量从而降低权重文件内存,再使用PANet代替FPN,进一步提升特征融合的能力,增强对小目标的检测能力;最后,使用标签平滑进行训练,解决由于极少量标签错误导致的网络过度自信问题和网络过拟合问题。将某供电局无人机巡检视频剪切成图像制作数据集,使用本文算法与原始YOLOv3算法进行比较,并做消融实验。实验结果表明,本文的算法逐步提升了模型的速度和精度。