关键词： 目标检测   轻量化   SteamPlus block   深度可分离卷积   五头LADH预测头  

摘要： 红外物体检测是计算机视觉中目标检测领域的重要研究方向,针对YOLOv8检测红外物体时模型大小、参数量、GFLOPs过大的问题,提出了一种FLH-YOLOv8网络结构,以实现模型的轻量化。首先,采用创新后的StemPlus Block与多个串联的Shuffle Block构建YOLOv8 Backbone主干网,提升特征的表达能力;其次,在SPPF层后引入MSCA多尺度卷积注意力机制,提高对特征的关注;接着,选取深度可分离卷积DWConv与全新连接操作ADD轻量化实现颈部多尺度特征融合;最后,提出五头LADH预测头(FLH)并将SlideLoss损失函数与IoU损失相结合,在实现网络结构轻量化的同时提高检测精度。实验结果表明,FLH-YOLOv8在三种红外数据集上,模型大小平均从22.5 M下降92.4%至1.7 M,模型参数量下降93.9%,平均精度基本保持在95%以上。在保持检测精度的同时,大大降低了网络的复杂程度。

关键词： 目标检测   火灾检测   神经网络   特征提取  

摘要： 针对现有火灾检测算法不能很好平衡精度和模型复杂度等问题,提出基于改进YOLOv7-Tiny的火灾检测算法。算法以YOLOv7-Tiny为基础,结合Pconv、Faster block以及YOLOv7的ELAN结构提出一个新的结构F-ELAN,用于替代Backbone中的ELAN结构;引入GSConv以及GSblock,用于替代Neck结构中的普通卷积和ELAN结构,在减少模型复杂度的同时增强特征提取能力,提高模型精度;同时为了进一步提高模型性能,在Head部分增加一个检测层,提高对于目标的检测精度;在损失函数中采用Wise-Io U代替CIoU,在保持模型复杂度不变的情况下提高模型鲁棒性。实验结果表明,改进后的YOLOv7-Tiny模型参数量仅为5.45M,FLOPs为8.9G,相比原模型分别减少9.5%和32.6%,同时精度提高了2.4%达到了90.8%,在检测精度和模型复杂度都有一定优势。

关键词： YOLOv8   算法   智慧农业   目标检测   轻量化网络   农作物病害  

摘要： 针对农作物病害识别存在算法参数量大、计算速度慢和现有公开数据集少等问题,文章提出了一种基于改进YOLOv8的目标检测算法。首先,创建了Mydataset农作物病害数据集,填补了算法模型在数据集方面的不足。其次,引入了快速神经网络(faster neural networks,FasterNet)轻量化网络模块,大幅减少了模型的参数量和计算量,使得算法更适应低计算能力的环境。同时,采用双向特征金字塔网络(bi-directional feature pyramid network,BiFPN)的特征融合结构,不仅提高了模型的特征融合效率,还进一步降低了参数量,进而显著提升了模型的检测精度和性能。此外,通过引入可变形大内核注意力机制(deformable large kernel attention,D-LKA Attention),扩大了模型的感受野,加强了全局特征的捕捉和局部特征的细化提取,实现了在降低参数量和FLOPs(floating point operations)的同时提高检测效果的目标。实验结果表明,在Mydataset、VOC-2007和Vehicles三组数据集上,与原始YOLOv8模型相比,YOLOv8-self在Mydataset数据集上,参数量下降了约20.3%,精准度提升0.04%,平均精度均值(mean average precision IOU=0.5~0.95,mAP@0.5:0.95)提升了3.7%,模型的处理帧速(frames per second,FPS)提升了4%。在VOC-2007和Vehicles数据集上的检测精度也有类似的提升。同时,实验结果也证明在对于文章提出常见的12种农业病害(豆角叶斑、大豆锈病、草莓角斑病、草莓果肉腐烂、草莓粉状叶霉病、草莓花枯萎病、草莓灰霉病、草莓叶斑、草莓白粉果、番茄病、番茄蜘蛛螨、番茄叶霉病)识别任务中,优化后的算法具有更简约、更精准以及更强的泛化性能,能够适应硬件设备条件较差的环境,更适用于农作物病害的检测任务。

关键词： 图像识别   深度学习   目标检测   YOLOv8   点胶  

摘要： 本文提出一种改进YOLOv8n的定制化结构件点胶区域检测算法。首先使用SPD-Conv取代原有卷积进行下采样,保留了特征图的多尺度信息;其次,使用DySample改进YOLOv8-neck中的上采样,避免了传统上采样方法中可能出现的模糊和失真问题;最后,使用Inner-SIoU作为边界框损失函数,有效提升了模型的边界框回归精度。模型改进完毕后,在自建的定制化结构件数据集上进行模型实验对比。实验结果表明,改进的YOLOv8n模型相较于原YOLOv8n模型在增加了1.4M的参数量后,精确度提升了4.4%,召回率提升了2.1%,mAP@0.5和mAP@0.5-0.95的值分别提升了3.7%和7.5%,为定制化结构件的点胶操作提供技术参考。

关键词： 输电线路   金具   深度学习   目标检测   小目标   密集遮挡  

摘要： 针对输电线路航拍图像的金具目标尺寸小与密集遮挡问题,提出了基于级联查询-位置关系的输电线路多金具检测方法(CQPR)。首先提出了级联稀疏查询模块,通过小尺度特征图上小目标的粗略位置来查询大尺度特征图中的小目标精确位置,提高小目标金具检测的准确性。接着,提出了位置特征关系模块(PRM),通过利用图像中不同金具之间的位置关系建立PRM,提取金具位置关系,丰富遮挡区域的特征,进而优化了密集遮挡下的金具检测效果。多个基线模型上的实验结果表明,将CQPR应用到基线检测框架时,Faster R-CNN,Cascade R-CNN,Libra R-CNN和Dynamic R-CNN的准确率分别达到82.9%,82.4%,83.7%和77.3%,优于其他先进目标检测模型,对其中小目标金具和存在遮挡情况的金具检测准确率的提高较为明显,推理速度也有一定的提高,同时兼顾定位精度与检测实时性。

关键词： 异形电子元件检测   RT-DETR   目标检测   数据增强  

摘要： 异形电子元件表面缺陷检测是提高异形插件机插装工艺水平的关键环节。传统的人工检测易受人为主观性影响,模板匹配算法的效率较低,且在样本数据不足的情况下,现有深度学习技术在缺陷检测方面存在精度低、实时性不足等问题。为提高异形元件检测的精度和实时性,文章对目标检测模型RT-DETR进行改进,提出了一种实时多维特征自适应网络(RT-MDAFNet):首先,在模型特征融合层处设计自适应融合金字塔网络(AFPN),通过动态通道注意力机制和选择性特征融合机制来提高模型对多尺度目标的适应性和特征提取能力;然后,设计了自适应通道-空间聚合网络模块(SASE-RepNet),通过结合多层次特征聚合、通道自适应权重分配和空间选择性增强机制来提升在复杂背景下的检测精度和效率。在现有数据集缺乏的情况下,构建了异形电子元件数据集,并将RT-MDAFNet模型与DETR、Faster R-CNN、YOLO系列等8种基线模型进行了对比实验。对比实验结果表明:RT-MDAFNet模型的帧率为41.5 FPS,每秒浮点运算次数(GFLOPs)为75.3,参数量为24.31 M,mAP50值为80.87%,mAP50-95值分别为50.43%。与目前最佳的基线模型(DINO)相比,RT-MDAFNet模型的mAP50、mAP50-95值分别提高了3.31%、3.46%。最后,为了探讨关键组件对模型效果的影响,在自建数据集上进行了消融实验。消融实验结果表明:RT-MDAFNet模型中的AFPN模块和SASE-RepNet模块在模型轻量化和精度提升上具备有效性。与RT-DETR模型相比,RT-MDAFNet模型的mAP50、mAP50-95值分别提高了4.66%、2.54%,参数量降低了9.67 M,GFLOPs减少了28.1,帧率提高了18.7 FPS。总体而言,RT-MDAFNet模型在保证轻量化的同时,也提升了异形元件的检测精度。

关键词： 协同感知   3D目标检测   通信延迟   时空序列预测   注意力机制   特征融合  

摘要： 针对车辆协同感知3D目标检测在通信延迟条件下精度较低的问题,提出一种通信延迟下车辆协同感知的3D目标检测方法。设计时空预测模块,提取通信延迟车辆历史感知特征序列中的时空特征,以预测当前时刻的感知特征,基于预测特征构建感知融合模块,利用注意力机制动态融合感知特征,以降低预测误差影响,提高检测精度。该方法在OPV2V、V2XSet和V2V4Real数据集上进行实验,与Where2Comm、V2VNet等主流协同感知方法相比。实验结果表明,在所对比的方法中,Where2Comm在不同延迟下的3D目标检测平均精度最优,该方法相比Where2Comm在400 ms下的平均精度分别提高了5.9、3.9和1.5个百分点。

关键词： 目标检测   YOLOv8   垃圾检测   注意力机制   深度学习  

摘要： 针对当前垃圾检测算法存在对于密集目标的精确度低、易受环境背景干扰的问题,研究一种基于YOLOv8改进的垃圾检测算法YOLOv8-MA。该方法在YOLOv8网络中融合了GAM全局注力机制(global attention mechanism)和MLCA混合局部通道注意力机制(mixed local channel attention),增强对区域上下文信息的捕获能力,对输入特征图进行全局关注,实现检测精度的显著提升。此外,算法采用了EIoU损失函数,提升模型对各类样本的适应能力和模型定位精度,进一步增强整体检测性能。在TACO数据集上进行实验取得了良好效果,相比于基线模型YOLOv8,YOLOv8-MA在精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升了1.4%、5.3%、4.2%和5.4%,表现突出,具有更好的检测效果。该研究结果证明了YOLOv8-MA算法的有效性和卓越性。此外,还通过消融实验证明了各个改进模块对提升模型性能的有效性。

关键词： 遥感图像   目标检测   超融合残差行进模块   几何相似度   多路径特征融合  

摘要： 本文提出超融合残差行进几何感知算法,旨在解决遥感图像目标检测中的多尺度、密集重叠及数据分布不均等挑战。超融合残差行进模块优化网络结构,其多层次卷积操作利用不同尺度感受野,能捕捉目标各尺度细节,增强模型对目标特征的感知能力,实现小尺度目标特征提取和大尺度目标准确定位。通过计算检测与真实结果的几何相似度精准评估检测效果,在目标密集重叠场景精细考量契合度,筛选最终结果,减少漏检、误检,提高算法准确性;设计多路径特征融合模块,融合不同层次特征信息,提取更丰富目标特征,增强网络表示与判别能力,提升检测准确性与稳定性。在NWPU-VHR-10数据集的实验结果显示,其mPrecision,mRecall,mAP和mF1 Score分别提高了0.041 9,0.104 0,0.045 5和0.085 0;在RSOD数据集的实验结果显示,其mPrecision,mRecall,mAP和mF1 Score分别提高了0.022 1,0.103 4,0.061 9和0.087 5。充分证明了所提出超融合残差行进几何感知算法在遥感图像目标检测领域的有效性和优越性。

关键词： 目标检测   视网膜黄斑病变   加权双向特征金字塔网络   注意力机制  

摘要： 视网膜黄斑病变是失明的重要原因之一,人工筛查容易出现误诊,而基于深度学习的自动诊断有助于早期的检测和治疗。提出一种基于改进YOLOv5的黄斑病变分类检测算法,针对黄斑病变图像细微特征融合不充分的问题,将YOLOv5颈部的PANet特征融合模块替换为加权双向特征金字塔网络,实现高效的多尺度特征融合,以获得更好的黄斑病变细节特征;针对小目标病变检测能力差的问题,在模型中引入SK注意力机制,通过自适应地调整感受野,增强对黄斑病变区域特征的捕获。对比实验证明所提算法可将小目标检测准确率由原来的91.9%提升至94.2%,全类平均准确率由原来的93.4%提升到96.6%,且在相同条件下,该算法的表现优于其他目标检测网络模型。