基于改进YOLOv8的苹果检测方法

实现苹果自动检测对推动苹果生产管理自动化、智能化有着重要意义。为了解决当前苹果检测方法准确率低、鲁棒性差等问题,文章提出了一种基于改进YOLOv8算法的苹果检测模型,通过引入GAM注意力机制提升模型的检测精度。在苹果检测数据集上进行验证,基于改进的YOLOv8算法和原始YOLOv8算法相比,mAP 0.5提高了1.7%,mAP 0.5∶0.95提高了2.2%。实验结果表明,文章提出的改进YOLOv8算法更能满足实际情况中对苹果检测的要求。     

健身行为的人体姿态估计及动作识别

人体姿态估计和动作识别在安防、医疗和运动等领域有着重要的应用价值。为了解决不同背景及角度下各类运动动作的人体姿态估计和动作识别问题,本文提出了一种改进的YOLOv7-POSE算法,并自行拍摄制作各种拍摄角度的数据集进行训练。此算法以YOLOv7为基础,对原始网络模型添加了分类的功能,在Backbone主干网络中引入CA卷积注意力机制,提升了网络在对人体骨骼关节点和动作的分类的重要特征的识别能力。用HorNet网络结构代替原模型的CBS卷积核,提高了模型的人体关键点检测精度和动作分类的准确度。将Head层的空间金字塔池化结构替换为空洞空间金字塔池化结构,提升了检测精度并且加快了模型收敛。将目标检测框的回归函数由CIOU替换为EIOU,提高了坐标回归的精度。设计了两组对照实验,实验结果证明,改进后的YOLOv7-POSE在验证集上的mAP为95.7%,相比于原始YOLOv7算法提高了4%,各类运动动作识别准确率显著上升,在实际推理中的关键点错检、漏检等情况明显减少,关键点位置估计误差明显降低。     

融合YOLOv5与ASFF算法的海产品目标检测算法研究

针对水下目标检测识别精度低的问题,提出了一种基于改进YOLOv5的水下目标检测方法。通过对比多个注意力机制模块,在YOLOv5骨干网络引入了全局注意力机制模块,增强了特征提取,提高了采集特征的能力,并在YOLOv5模型上融合了自适应空间特征融合算法,实现底层特征与顶层特征融合。验证结果表明,所提算法的识别精度优于原始的YOLOv5算法,平均精度提升了8.5%,检测速度为76帧/秒。     

基于改进YOLOv5的坦克目标检测算法

坦克目标的准确识别定位是信息化战争中一项重要研究,针对传统检测算法抗干扰性差、难应用于大视野复杂环境下的问题,提出了一种基于改进YOLOv5坦克自动识别的检测算法。利用YOLOv5模型对大视野复杂战场环境下坦克目标进行识别：在YOLOv5基础模型中引入Attention-based information fusion模块,提高模型检测精度和识别能力;使用Pre-segment multi-scale fusion模块解决骨干网络中池化操作所造成的信息丢失问题;使用Swin Transformer机制降低小目标坦克漏检误检的问题。在坦克数据集上进行实验,结果表明：与YOLOv5原始模型相比,改进模型的召回率、平均精度分别提高了9.1%、5.1%。改进后的YOLOv5模型可以很好地对大视野复杂环境下坦克目标进行精确识别,改善了坦克目标检测中小目标漏检的问题。     

基于改进YOLOv5的交通标志识别模型

针对交通标志识别任务中存在识别精度低、检测速度慢等问题,提出了一种基于改进YOLOv5的交通标志识别模型。首先使用轻量型网络Shufflenetv2替换YOLOv5主干网络提高模型检测速度;然后采用BiFPN作为Neck层中的特征融合结构,实现多尺度融合;最后使用K-means算法重新获取模型初始锚框值。实验结果表明,改进后的网络模型识别精度优于原始YOLOv5,提高了对交通标志的识别效果。     

一种轻量型YOLOv5交通标志识别方法

针对为提高交通标志识别精度使得神经网络层数过深从而导致实时性不佳的问题,提出了一种轻量型YOLOv5交通标志识别方法。首先采用遗传学习算法和K-means聚类确定适合交通标志识别的锚框,然后引入Stem模块和ShufflenetV2的基础单元网络来替换YOLOv5的主干网络。相比于YOLOv5模型,在中国交通标志检测数据集上,轻量型YOLOv5模型在保持识别精度为95.9%的同时,参数量减少了95.4%,实际内存空间减少了93.9%,在GPU和CPU上运行的速度分别提升了79.7%和75%,极大地提高了交通标志识别的实时性,更适合无人驾驶环境感知系统的部署。     

基于超像素分割的车辆检测算法

随着我国落地机动车数量增加,路面交通压力也逐步增加,采用人工智能方法对车辆进行快速识别,从而获得车辆和路况等信息具有重要意义。针对SLIC算法在目标与环境颜色或亮度极度相似时效果不佳的问题,文章考虑车辆具有对称性和轮廓等特征,提出一种基于自适应的超像素分割车辆检测算法。在原有算法引入变量λ,用于衡量亮度与颜色之间的重要性,改善SLIC模型。论文选定了BIT-vehicle数据集在YOLOv5模型进行实验。此算法能有效提高YOLOv5模型在车辆识别的性能,实验结果表明对比未处理的模型精度提高1%,全类平均精度提高1.3%。     

基于深度学习的遥感建筑物识别方法研究

针对遥感影像建筑物识别中遇到的小目标漏检、背景复杂度高、虚警干扰因素多等问题,提出了一种基于深度学习的改进YOLOv3算法。以一阶段代表算法YOLOv3为基础,通过改进网络结构,修改特征图尺度,嵌入空洞卷积模块,加强算法检测能力和精度。实验数据表明,改进YOLOv3算法在满足了实时性的基础上,平均检测精度和召回率都较之原算法分别提高了4.47%和2.59%,因此提出的方法有效提高了对遥感建筑物的检测效果。     

复杂字符干扰场景下铁路集装箱箱号快速定位方法研究

针对铁路集装箱箱号快速定位由于存在复杂的字符干扰,采用图像识别方法存在定位速度慢、精度低的问题,文中提出一种基于改进YOLOv3的集装箱箱号定位算法,该算法将主干网络替换为EfficientNetv2轻型网络,并根据数据特点改进了损失函数,利用规整通道剪枝实现了模型剪枝,增加了SPPF模块。实验结果表明：基于改进的YOLOv3算法模型大小仅有18.6 MB,相比YOLOv3模型而言减小了92%;定位准确率为97.4%,定位精度较YOLOv3提升了3.1%,同时能达到21.3 ms的定位速度。相较于YOLOv3和YOLOv3-Tiny模型,该模型更加适用于铁路集装箱箱号的快速智能识别。     

基于改进YOLOv5的火灾检测研究

针对传统火灾系统预警不及时、容易误报等问题,文章提出了一种基于改进YOLOv5的火灾检测算法。为了增强网络对火焰的方向和位置信息的敏感度,在模型中引入CA(Coordinate Attention)注意力机制;为了提高回归精度和收敛速度,使用损失函数SIOU替换CIOU。改进的YOLOv5算法的精确率和平均精度达到了74.2%和69.4%,相较于标准算法的精确率和平均精度提高了8.8%和2.8%,优化定位框和误检情况。实验结果表明,改进的YOLOv5算法模型提高了火灾检测的准确性和实时性。     

基于改进YOLO v5算法的光伏组件红外热成像缺陷检测

现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高,本文提出一种基于改进YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的YOLO v5算法主要是在原来的基础上增添注意机制SE模块,并且改进损失函数将GIo U改为EIo U提高模型收敛效果、最后采用KG模块平衡特征金字塔结构对模型进行优化,用以提高YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在YOLO v5s模型中,在光伏组件红外图像的检测上的平均检测精度m AP可以达到92.8%,比原本的YOLO v5s算法88.3%提升了4.5%,在精确度和召回率上的收敛效果也比原始YOLO v5算法模型有所提高,改进后的网络结构应用于l、m、x三种模型中,其检测精度都有所提升,因此改进后的YOLOv5算法适用于4种模型。     

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。     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

基于YOLOv5的红外相机野生动物图像识别

为在红外相机等资源受限平台上实时、准确地实现海量野生动物图像自动识别,改善野生动物监测过程中数据传输负载重、时效性低等问题,基于YOLOv5模型,利用5类物种的红外相机图像构建数据集,对YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种网络结构进行训练。通过对比不同网络结构的精度、检测速度、体积,明确最优网络结构;同时分析模型在复杂背景信息干扰下的识别效果,评价YOLOv5在真实野外场景的适用性;并通过与其他同类算法的比较,明确YOLOv5用于野生动物识别的优势。实验结果表明：四种网络结构的识别精度均较高,F1-score和平均精度（mAP）均在90%以上,其中YOLOv5m的综合性能最好;YOLOv5在多种复杂背景信息干扰下识别效果仍较好,能够很好地适应真实野外场景;与其他算法相比,YOLOv5同时具有精度高、鲁棒性强、资源占用低等优势。YOLOv5是一种轻量化的模型且性能优越,为在资源受限的平台上进行野生动物实时识别提供了新的契机。     

基于改进YOLOv4的交通标志识别方法

文中提出了一种基于改进YOLOv4的交通标志识别方法,用于解决当前在交通标志识别任务中基于深度学习方法实时性较差、准确度较低的问题。在原版YOLOv4网络架构的基础上,使用原始的Darknet残差层替代了CSPDarknet53的CSP阶段,并对YOLOv4的PAN体系进行了CSP化,降低了运算量。用改进后的YOLOv4算法进行交通标志的特征提取,经过迁移学习对模型进行调整后实现了道路环境下交通标志的识别。为了测试改进算法的性能,在TT100K交通标志数据集上进行相关识别任务实验。实验结果表明,该算法的平均水平精度值（m AP）达到了86%,相较于原版YOLOv4算法提升了2.6%,每秒帧数（FPS）相较于原版YOLOv4算法提升了4.1。改进算法在检测精度和检测速度上较原版算法均有一定的提升。     

基于SIOU函数的改进YOLOv5遥感目标检测方法

为提升YOLOv5算法对遥感图像密集目标的检测精度并改善漏检问题,提出了一种改进的YOLOv5遥感目标检测算法。改进方法首先采用7*7卷积模块替换骨干网络中Focus模块以增大模型感受野;其次,在保证与原模块效果相同的情况下使用SPPF以提升检测速度;最后,引入SIOU损失函数,利用边界框回归之间的向量角度来重新定义损失函数,有效提高了检测的准确性。实验结果表明,针对公开的NWPU VHR-10遥感数据集,所提改进算法在保持与原算法相同检测速度的情况下,检测精度提高了3.5%。     

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的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题，提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先，以Darknet19网络代替YOLOv3原始的Darknet53网络，并在特征学习时针对样本中不同MOA长宽比例，通过K-means聚类算法对MOA图像中的目标帧进行分析，重新聚类样本中心锚点框，得到合适的锚框数目和大小。最后，利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明，改进的YOLOv3模型识别精度达到96.3%，识别速度为6.75 ms。     

基于改进YOLOv7的高铁异物入侵检测算法

针对复杂环境下高铁轨道入侵异物对列车的安全行驶有严重的威胁,而现有检测方法不能满足实际的高铁轨道异物检测工作,提出一种基于改进YOLOv7的高铁异物入侵检测算法。引入CARAFE算子作为上采样算法,减少输入图像的特征信息损失,增大网络感受野;在YOLOv7模型中引入GhostConv卷积,可以有效地减少模型的计算量和参数量;引入全局注意力机制(Global Attention Mechanisms, GAM),增强全局信息交互能力和表达能力,提高检测性能;采用Alpha＿GIoU损失函数,提升小目标的检测能力和模型的收敛速度。实验结果表明,改进后的YOLOv7-CGGA模型的平均检测精度(mean Average Precision, mAP)和平均每秒推理速度(Frames Per Second, FPS)值分别达到96.7%和96.1,与原YOLOv7模型相比,分别提升了1.6%和31.1,较好地平衡了模型的检测精度和效率,可以满足实际的检测需求。