轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。     

E-Y-slim：轻量级小目标快速检测方法

针对目前机场鸟类目标检测模型存在实时检测效率低和在嵌入式设备中难以部署的问题,提出了一种基于改进YOLOv4的轻量级小目标快速检测方法 E-Y-slim。首先,将轻量化的EfficientNet-B0作为模型的特征提取网络,降低网络参数量和计算复杂度,提高检测速度;然后,裁剪特征融合网络中部分卷积层,并将检测层中标准卷积改为深度可分离卷积,进一步提升检测速度;最后,加入空间金字塔池化（SPP）结构以及交并比（IoU）预测分支,在保持算法检测效率情况下,提升算法检测精度。所提方法在PASCAL VOC鸟类数据集上平均精度（AP）为75.2%,检测速度达到50帧/秒,相较于YOLOv4的AP下降了7个百分点,但检测速度提升了42.9%。在实际机场鸟类数据集上AP为75.0%,检测速度达到49帧/秒,在AP相当的情况下,与YOLOv4相比模型参数量减少91.1%,检测速度提升了63.3%。实验结果表明,E-Y-slim能够满足在嵌入式设备上对机场鸟类活动目标快速检测的需求。     

基于改进YOLOv4算法的轻量化网络设计与实现

在嵌入式设备上进行目标检测时易受能耗和功耗等限制,使得传统目标检测算法效果不佳。为此,对YOLOv4算法进行优化,设计YOLOv4-Mini网络结构,将其特征提取网络由CSPDarkNet53改为MobileNetv3-large并进行INT8量化处理,其中网络结构利用PW和DW卷积操作代替传统卷积操作以大幅减少计算量。采用SE模块为通道施加注意力机制,激活函数层运用h-swish非线性激活函数,在保证精度的情况下降低网络计算量。同时,通过量化感知训练将权重转为INT8类型,以实现模型轻量化,进一步降低网络参数量和计算量,从而在嵌入式设备上完成无人机数据集的目标检测任务。在NVIDIA Jetson Xavier NX设备上进行测试,结果显示,YOLOv4-MobileNetv3网络的mAP为34.3%,FPS为30,YOLOv4-Mini网络的mAP为32.5%,FPS为73,表明YOLOv4-Mini网络能够在低功耗、低能耗的嵌入式设备上完成目标实时检测任务。     

基于改进YOLOv4-Tiny的机械零件目标检测算法

随着智能化生产的普及,机械零件的智能装配技术受到广泛关注,为了改善传统特征提取算法中检测误差大、精度低等问题,以常见机械零件为研究目标,结合深度学习算法中的轻量级网络为基础模型进行优化,使用YOLOv4-Tiny中的CSP-Darknet53作为特征提取网络,在特征提取网络后添加改进后的MA-RFB模块,引入多分支卷积和空洞卷积加强感受野。并对颈部网络进行改进,选择PANet代替FPN,并添加注意力模块CBAM,形成CM-PANet对零件目标进行多尺度检测,在自制的零件数据集AP达到96.47%,检测速度达到0.001 38 s每样本。相比于原版YOLOv4-Tiny网络AP提高了2.80%,改进后的算法在速度和精度达到了一个平衡,体现了研究的理论和应用价值。     

基于改进YOLOv4的变电站缺陷检测

为提高变电站设备缺陷的检测精度, 保障变电站运行安全, 提出一种基于改进YOLOv4的缺陷检测算法. 不同于原始YOLOv4, 该算法使用一维卷积替代全连接来优化CBAM卷积注意力模块, 然后将其嵌入主干网络中以增强特征提取能力; 同时, 在特征融合中应用空洞卷积扩大感受野, 聚合更广的语义信息. 该算法在现场拍摄的样本集上进行测试, mAP可达到86.97%, 相比原始YOLOv4提高了2.78%. 实验结果表明, 本文提出的YOLOv4改进算法能够提升网络性能, 更好地应用于变电站设备缺陷检测任务.     

基于改进YOLOv5的铝型材瑕疵检测算法

基于铝型材表面瑕疵类别多样,对实时检测快速精准的需求,提出一种基于改进YOLOv5的瑕疵检测算法。通过在原始骨干网络的基础上增加新检测层并使用K-means++算法改进锚框的生成方式,提升检测尺度,避免忽视低层语义信息。对铝型材瑕疵数据集离线增强,丰富样本容量;在Backbone网络结构中融入新的卷积结构和E-CBAM注意力机制,提高网络的特征提取能力的同时降低冗余计算,提升模型检测性能;采用EIoU Loss作为整个网络结构的损失函数来加快收敛效率,解决难易样本不平衡的问题。实验结果表明,在铝型材瑕疵数据集上将改进后YOLOv5检测模型与原始YOLOv5模型进行比较,平均精度mAP提升2.9百分点,召回率Recall提升3.9百分点,速度FPS达至45.8,将近年来的代表性算法YOLOv3、YOLOv4、SSD、Faster-rcnn与改进后的检测算法在铝型材瑕疵数据集上进行性能比较,通过综合对比检测精度、检测速度等重要参数证明改进后的YOLOv5检测算法更好地兼顾了检测效率和检测精度。所提方法满足了铝型材工厂生产现场瑕疵检测要求。     

改进YOLOv5s的轨道障碍物检测模型轻量化研究

针对传统列车轨道障碍物检测方法实时性差和对小目标检测精度低的不足,提出一种改进YOLOv5s检测网络的轻量化障碍物检测模型。引入更加轻量化的Mixup数据增强方式,替代算法中原有的Mosaic数据增强方式;引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原有YOLOv5s模型中特征提取网络与特征融合网络中的普通卷积层,减小了模型的计算开销;在模型特征提取网络末端加入CA空间注意力机制,让算法在训练过程中减少了重要位置信息的丢失,弥补了改进GhostNet对检测精度的损失;将改进后的模型进行稀疏训练和通道剪枝操作,剪掉对检测精度影响不大的通道,同时保留重要的特征信息,使模型更加轻量化。实验结果表明,改进后的模型在自制的多样化轨道交通数据集上,相较于原始YOLOv5s算法,在模型大小减小9.7 MB,检测速度提高14 FPS的前提下,检测精度提升了1.0个百分点。同时与目前主流的检测算法对比,在检测精度与检测速度上也具有一定的优越性,适用于复杂轨道交通环境下的障碍物目标检测。     

基于改进YOLOv5的轻量化航空目标检测方法

为解决硬件平台资源受限条件下的实时航空目标检测需求,在基于改进YOLOv5的基础上,提出了一种针对移动端设备/边缘计算的轻量化航空目标检测方法。首先以MobileNetv3为基础搭建特征提取网络,设计通道注意力增强结构MNtECA (MobileNetv3 with Efficient Channel Attention)提高特征提取能力;其次在深度可分离卷积层增加1×1的卷积,在减少卷积结构参数的同时提高网络的拟合能力;最后对检测网络进行迭代通道剪枝实现模型压缩和加速。实验选取DIOR (Object Detection in Optical Remote Sensing Images)数据集进行训练和测试,并在嵌入式平台(NVIDIA Jetson Xavier NX)对轻量级模型进行推理验证。结果表明,所提出的轻量级模型大幅降低了参数和计算量,同时具有较高精度,实现了移动端设备/边缘计算的实时航空目标检测。     

基于轻量化YOLOv4的发电机定子表面缺陷检测算法

目前大型发电机定子表面缺陷检测主要以抽转子的人工检测为主,存在检测周期长,准确率差等问题,论文提出一种基于轻量化YOLOv4的发电机定子表面缺陷检测算法,以腔内爬壁机器人为载体进行定子缺陷检测.将改进的Mo?bileNetv3作为算法的主干特征提取网络,通过在特征融合层引入CSP结构,融合卷积层和BN层的方法,使得论文算法模型体积较YOLOv4大幅减小.实验结果表明,论文算法在本文发电机定子表面缺陷数据集上的平均检测精度为98.3％,优于原始YOLOv4,模型体积比YOLOv4缩小了84.5％,检测速度提高了45.4％,表明了该方法在嵌入式平台上进行发电机定子缺陷实时检测的应用前景.     

煤矿带式输送机异物检测

针对现有基于深度学习的带式输送机异物检测方法存在检测速度慢的问题,提出了一种改进YOLOv3模型,并将其应用于煤矿带式输送机异物检测。该模型以轻量化网络DarkNet22-DS作为主干特征提取网络,DarkNet22-DS利用深度可分离卷积替换标准卷积,大幅减少了网络参数,并通过复合残差块提高了特征利用效率;通过引入加权双向特征金字塔网络及双尺度输出来改进特征融合网络,提升了模型对大块异物的检测效率;采用完全交并比损失函数作为目标框回归损失函数,充分利用目标框信息间的相关性,提高了模型的收敛速度和检测精度。将改进YOLOv3模型部署在嵌入式平台Jetson Xavier NX上进行煤矿带式输送机异物检测实验,结果表明,相较于YOLOv3模型,改进YOLOv3模型权重文件大小降低了91.4%,大幅减少了模型参数,检测速度提高了16倍,达30.7帧/s,满足煤矿带式输送机异物实时检测需求。     

基于改进YOLOv4的小目标行人检测算法

行人检测在无人驾驶环境感知领域具有重要应用。现有行人检测算法多数只关注普通大小的行人目标,忽略了小目标行人特征信息过少的问题,从而造成检测精度低、应用于嵌入式设备中实时性不高等情况。针对该问题,提出一种小目标行人检测算法YOLOv4-DBF。引用深度可分离卷积代替YOLOv4算法中的传统卷积,以降低模型的参数量和计算量,提升检测速度和算法实时性。在YOLOv4骨干网络中的特征融合部分引入scSE注意力模块,对输入行人特征图的重要通道和空间特征进行增强,促使网络学习更有意义的特征信息。对YOLOv4颈部中特征金字塔网络的特征融合部分进行改进,在增加少量计算量的情况下增强对图像中行人目标的多尺度特征学习,从而提高检测精度。在VOC07+12+COCO数据集上进行训练和验证,结果表明,相比原YOLOv4算法,YOLOv4-DBF算法的AP值提高4.16个百分点,速度提升27%,将该算法加速部署在无人车中的TX2设备上进行实时测试,其检测速度达到23FPS,能够有效提高小目标行人检测的精度及实时性。     

基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.     

基于改进 YOLOv4 和图像处理的蔬菜田杂草检测

以蔬菜苗田内幼苗期 7 种常见蔬菜和田间杂草为研究对象,针对田间杂草种类多和分布复杂导致检测方法效率低、精度差和鲁棒性不足等问题,逆向将杂草检测转换为作物检测,提出一种基于优化 YOLOv4和图像处理的蔬菜苗田杂草检测算法。在 YOLOv4 目标检测算法基础上,主干特征提取网络嵌入 SA 模块增强特征提取能力,引入 Transformer 模块构建特征图长距离全局语义信息,改进检测头和损失函数提高检测定位精度。改进模型单幅图像平均识别时间为 0.261 s,平均识别精确率为 97.49%。在相同训练样本以及系统环境设置条件下,将改进方法与主流目标检测算法 Faster RCNN,SSD 和 YOLOv4 算法对比,结果表明改进 YOLOv4模型在蔬菜苗期的多种蔬菜检测具有明显优势。采用改进 YOLOv4 目标检测算法检测作物,作物区域外的植被为杂草,超绿特征结合 OTSU 阈值分割算法获取杂草前景,最后标记杂草前景连通域输出杂草质心坐标和检测框位置,可以较好解决蔬菜苗田杂草检测问题。     

基于YOLOv7的交通目标检测算法研究

针对交通场景中由光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8% mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。     

基于改进YOLOv3的火灾检测与识别

现阶段火灾频发,需要自动进行火灾的检测与识别,虽然存在温度、烟雾传感器等火灾检测手段,但是检测实时性得不到保证.为了解决这一问题,提出了基于改进YOLOv3的火灾检测与识别的方法.首先构建一个多场景大规模火灾目标检测数据库,对火焰和烟雾区域进行类别和位置的标注,并针对YOLOv3小目标识别性能不足的问题进行了改进.结合深度网络的特征提取能力,将火灾检测与识别形式化为多分类识别和坐标回归问题,得到了不同场景下火焰和烟雾两种特征的检测识别模型.实验表明,本文提出的改进YOLOv3算法对不同拍摄角度、不同光照条件下的火焰和烟雾检测都能得到理想的效果,同时在检测速度上也满足了实时检测的需求.     

面向边缘端的施工人员实时检测方法

施工人员检测在施工管理工作中有重要的应用价值。施工现场图像背景复杂且视角多样,给施工人员检测任务带来难度,同时施工现场大多基础配套设施不完善,并且网络条件较差,不适合在大型GPU工作站上进行模型部署。针对以上问题,以YOLOv3检测网络为基础,加入特征金字塔池化模块,增加多尺度特征融合并改进候选框,提升检测精度,同时采用通道剪枝算法对检测网络进行轻量化处理以适应边缘端设备算力,提出一种面向边缘端的施工人员实时检测方法。该方法在自制的施工人员数据集上平均准确率可达到88.23%,较YOLOv3检测方法提升4.89个百分点,且将模型大小压缩至原来的1/13,检测速度提升一倍,在嵌入式设备Jetson Xavier NX上检测速度可达到69.08帧/s,满足在施工现场进行实时边缘端检测的要求。     

基于改进YOLOX-s的安全帽检测

在施工现场中, 发生过许多高空坠落事故, 因此在施工现场佩戴安全帽是十分有必要的. 针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况, 提出一种基于YOLOX-s的改进算法. 首先, 在Neck层引入主干特征提取网络中的160×160特征层进行特征融合, 并且增加了一个针对小目标的检测头; 其次, 采用SIoU损失函数计算损失值, 使得网络在训练过程中考虑的损失项更加全面; 并且采用varifocal loss函数来计算置信度损失值, 进一步改善训练过程中存在的正样本与困难样本不均衡的问题, 最后, 采用CA (coordinate attention)注意力机制来增强模型的特征表达能力. 实验结果表明, 通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制, 使得网络在训练过程中收敛与回归性能更佳. 改进后的算法的mAP值为95.57%, 相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%. 改进后的算法检测速度为54.73帧/s, 符合实时检测速度要求.     

基于改进YOLOv3的车辆尾灯检测方法

在自动驾驶场景中,对前车尾灯的检测是一个广泛且具有研究意义的问题。Darknet53是YOLOv3的特征提取网络,其使用5个残差单元对原始图像进行特征提取并采用三尺度的特征图进行融合预测,尺寸越小对大目标的特征表达能力越强。因为尾灯检测属于小目标检测,所以本文舍去Darknet53的最后一个残差单元,同时增加小尺度特征提取残差单元的重复次数。针对K-means聚类算法存在k值难以确定以及对初始聚类中心敏感的问题,本文使用K-means+〖KG-*3〗+聚类算法获取anchor值,同时结合IOU距离度量指标。实验结果表明,改进后的YOLOv3网络上尾灯检测的准确率和检测速度都要高于改进前的,mAP由79.63%提高到89.32%,单张图片检测时间由0.014 s缩短到0.01 s。对比其他主流目标检测框架,本文改进的YOLOv3模型具有优越的检测性能。