-
题名基于改进YOLOv8的遗留物品检测算法
- 1
-
-
作者
张震
葛帅兵
陈可鑫
李友好
黄伟涛
-
机构
郑州大学电气与信息工程学院
郑州大学河南先进技术研究院
珠海优特电力科技股份有限公司
河南汇融油气技术有限公司
-
出处
《郑州大学学报(工学版)》
北大核心
2025年第4期40-46,共7页
-
基金
河南省重点研发专项(231111211600)
河南省重大公益专项(201300311200)。
-
文摘
针对传统基于背景减法的遗留物品检测算法难以应对人流拥挤、小目标、物品遮挡和光线变化等环境,以及基于深度学习方法中的模型准确率低等问题,提出了一种基于改进YOLOv8的遗留物品检测算法。首先,使用动态上采样DySample替换最近邻上采样,优化上采样过程,增强模型的泛化能力。其次,将高效轻量的ADown下采样模块替代普通的下采样卷积,在降低整个模型参数量的同时,提升算法的检测精度。最后,引入EMA注意力机制,优化特征提取过程,增强特征提取能力,提升对小目标检测的效果。实验结果表明:改进后的模型YOLO-DAE在自建数据集上取得的准确率P、召回率R、mAP@50和mAP@50:95分别为93.4%,87.7%,91.7%和80.2%,相比于改进前的YOLOv8s模型在模型参数量和计算量减少的同时,分别提高了1.8百分点、1.6百分点、1.2百分点和2.1百分点,并且mAP@50和mAP@50:95均高于YOLOv5s r6.0、YOLOv6s v3.0、YOLOv7s AF和YOLOv9s,有效提升了遗留物品检测能力。
-
关键词
遗留物品检测
YOLOv8算法
EMA注意力机制
DySample模块
ADown模块
-
Keywords
abandoned object detection
YOLOv8 algorithm
EMA attention mechanisms
DySample module
ADown module
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv7的高风险区工程车辆识别算法
- 2
-
-
作者
张震
肖宗荣
李友好
黄伟涛
-
机构
郑州大学电气与信息工程学院
-
出处
《郑州大学学报(工学版)》
2025年第5期1-8,共8页
-
基金
河南省重点研发专项项目(231111211600)
河南省重大公益专项项目(201300311200)。
-
文摘
为解决高风险区域工程车辆施工时对天然气管道的安全威胁问题,特别是重型车辆可能带来的物理冲击与环境干扰,提出一种基于改进YOLOv7的工程车辆识别算法。以6种施工现场常见的自卸车、压路车、搅拌车、叉车、挖掘机和装载车等车型为研究对象,利用自定义数据集进行训练,数据集涵盖多种环境和角度的图像,确保模型效能。首先,在YOLOv7头部网络中引入了CBAM注意力机制并在最大池化层结构中增加了改进的GAM注意力机制,提升模型对关键图像特征的关注度,从而提高目标检测的准确性;其次,采用DySample动态上采样器替换最近邻插值上采样模块,提高检测精度;最后,提出了一种改进的SPPCSPC模块,提高特征提取效率,降低计算成本,加速推理过程。这些改进使得模型在图像质量低、目标距离远等挑战下仍能维持高检测精度。实验结果表明:所提算法在自定义工程车数据集上的精确度P、召回率R、mAP@0.5、mAP@0.5∶0.95分别为97.7%、94.7%、98.6%、90.4%;与YOLOv7算法相比,P、R、mAP@0.5、mAP@0.5∶0.95分别提升了1.3百分点、1.4百分点、1.4百分点、3.7百分点。
-
关键词
高风险区
工程车辆
YOLOv7
注意力机制
上采样器
特征提取
-
Keywords
highrisk areas
construction vehicles
YOLOv7
attention mechanism
upsampling
feature extraction
-
分类号
TP391
[自动化与计算机技术]
-
