在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YO...在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。展开更多
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 ...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。展开更多
针对传统图像处理算法对钢铁表面缺陷检测存在识别效率低、漏检误检率高等问题,提出了YOLOv8-DSG(Deformable Convolution Network Squeeze and Excitation Network Generalized Intersection over Union)钢铁表面缺陷检测算法。在传统Y...针对传统图像处理算法对钢铁表面缺陷检测存在识别效率低、漏检误检率高等问题,提出了YOLOv8-DSG(Deformable Convolution Network Squeeze and Excitation Network Generalized Intersection over Union)钢铁表面缺陷检测算法。在传统YOLOv8算法的基础上,首先在Backbone网络的C2f(Convolution to Feature)模块中嵌入了可变形卷积网络DCN(Deformable Convolution Network),增强了模型在复杂背景条件下的特征提取能力;其次,在Neck网络中引入了SE(Squeeze and Excitation Network)注意力模块,突出钢铁表面重要特征信息,提升了特征融合的丰富性;最后,利用GIOU(Generalized Intersection Over Union)损失函数代替原有的CIOU(Complete Intersection Over Union),相比CIOU,GIOU引入了最小包围框面积比率,可更准确衡量框的重合面积。实验结果表明,YOLOv8-DSG算法在NEU-DET数据集上平均精度mAP达到80%,相较于原YOLOv8算法,提高了3.3%,且误检、漏检率低,具有更高的检测精度和运算效率,可在质量检测方面发挥重要作用。展开更多
文摘在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。
文摘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。
文摘针对传统图像处理算法对钢铁表面缺陷检测存在识别效率低、漏检误检率高等问题,提出了YOLOv8-DSG(Deformable Convolution Network Squeeze and Excitation Network Generalized Intersection over Union)钢铁表面缺陷检测算法。在传统YOLOv8算法的基础上,首先在Backbone网络的C2f(Convolution to Feature)模块中嵌入了可变形卷积网络DCN(Deformable Convolution Network),增强了模型在复杂背景条件下的特征提取能力;其次,在Neck网络中引入了SE(Squeeze and Excitation Network)注意力模块,突出钢铁表面重要特征信息,提升了特征融合的丰富性;最后,利用GIOU(Generalized Intersection Over Union)损失函数代替原有的CIOU(Complete Intersection Over Union),相比CIOU,GIOU引入了最小包围框面积比率,可更准确衡量框的重合面积。实验结果表明,YOLOv8-DSG算法在NEU-DET数据集上平均精度mAP达到80%,相较于原YOLOv8算法,提高了3.3%,且误检、漏检率低,具有更高的检测精度和运算效率,可在质量检测方面发挥重要作用。
