针对印刷电路板(Printed Circuit Board,PCB)表面缺陷检测任务中模型体积和参数量较大的问题,提出了一种基于通道剪枝的轻量级YOLOv8n网络PCB缺陷检测算法。为有效提升对PCB小目标缺陷的特征提取能力,采用RepViT作为特征提取网络;为提...针对印刷电路板(Printed Circuit Board,PCB)表面缺陷检测任务中模型体积和参数量较大的问题,提出了一种基于通道剪枝的轻量级YOLOv8n网络PCB缺陷检测算法。为有效提升对PCB小目标缺陷的特征提取能力,采用RepViT作为特征提取网络;为提升网络对小目标的关注度,减少神经网络推理过程中的梯度信息重复,将颈部网络的卷积模块替换为Rep-Net with Cross-Stage Partial CSP and ELAN(RepNCSPELAN4);为降低缺陷重叠时检测框失真现象,在预测部分使用Focaler-MPDIoU替换完全交并比(Complete Intersection over Union,CIoU);利用层自适应幅度分数剪枝(Layer Adaptive Magnitude based Pruning,LAMP)方法对融合改进方法的模型进行修剪,去除模型中冗余的梯度信息和权重,减少参数量和浮点运算量,压缩模型体积。实验结果表明,在PCB公开数据集中,经过LAMP之后,该算法相较于YOLOv8n,参数量下降60.8%,模型体积减小50.8%,计算量下降48.8%,平均精度均值(mean Average Precision,mAP)提高3.8%。在提高精度的同时,计算量、参数量和模型体积都低于原模型,满足在低配置设备下的使用需求。展开更多
遥感图像的目标检测在各领域有着广泛的应用场景,由于遥感图像中检测目标存在形态多变、弱小目标较多以及背景复杂等原因,导致遥感图像在目标检测方面存在检测精度识别不高、模型参数过大等问题。为提升算法对遥感图像目标的检测准确率...遥感图像的目标检测在各领域有着广泛的应用场景,由于遥感图像中检测目标存在形态多变、弱小目标较多以及背景复杂等原因,导致遥感图像在目标检测方面存在检测精度识别不高、模型参数过大等问题。为提升算法对遥感图像目标的检测准确率以及缩减算法模型量,提出了动态聚焦多维注意力检测算法——YOLO-WiseGOD。在YOLOv8n基线网络中使用WIoU(Wise-IoU)构建动态聚焦机制的边界框损失,弱化因几何因素导致的梯度增益泛化能力不足的问题,在协调高低质量锚框竞争力的同时,使之适用于聚焦普通锚框,提高网络模型检测的定位能力。在网络末端融合改进的L-ODConv(Leaky ReLU-Omni-Dimensional Dynamic Convolution)多维注意力机制,避免梯度锯齿问题,在减少模型参数的同时,优化输出特征和卷积权值的调制,提升网络加权特征融合。在主干网络中引入轻量化注意力模块C2FGhostV2,在更好地捕捉输入特征图中的多尺度特征和全局上下文信息的同时,保持较低的参数量和计算复杂度,更好地平衡训练精度和模型量之间的关系。所提算法在遥感数据集NWPU VHR-10(Northwestern Polytechnical University Very High Resolution-10)和RSOD(Remote Sensing Object Detection)上进行实验验证,对比当前主流算法模型YOLOv8n,其平均检测准确率(mean Average Precision,mAP)分别提高了2.0%和2.3%,模型参数量减少4.5%,计算量减少10.9%,能有效提高遥感图像中微小目标的检测精度和实现一定的模型轻量化。展开更多
针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于YOLOv5s的无人机目标检测改进算法VA-YOLO。在已有的主干网络中添加CA注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不...针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于YOLOv5s的无人机目标检测改进算法VA-YOLO。在已有的主干网络中添加CA注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不一导致语义丢失的问题,添加小目标检测层与BiFPN结构,加深浅层语义与深层语义结合,以此丰富对检测目标的语义信息;使用损失函数Varifocal loss与EIoU,改善模型对小目标检测的准确性。实验结果表明,在VisDrone2019-DET数据集上,该算法的平均检测精度(mean Average Precision,mAP)达到了39.01%,相比YOLOv5s提高了6.26%。展开更多
文摘针对印刷电路板(Printed Circuit Board,PCB)表面缺陷检测任务中模型体积和参数量较大的问题,提出了一种基于通道剪枝的轻量级YOLOv8n网络PCB缺陷检测算法。为有效提升对PCB小目标缺陷的特征提取能力,采用RepViT作为特征提取网络;为提升网络对小目标的关注度,减少神经网络推理过程中的梯度信息重复,将颈部网络的卷积模块替换为Rep-Net with Cross-Stage Partial CSP and ELAN(RepNCSPELAN4);为降低缺陷重叠时检测框失真现象,在预测部分使用Focaler-MPDIoU替换完全交并比(Complete Intersection over Union,CIoU);利用层自适应幅度分数剪枝(Layer Adaptive Magnitude based Pruning,LAMP)方法对融合改进方法的模型进行修剪,去除模型中冗余的梯度信息和权重,减少参数量和浮点运算量,压缩模型体积。实验结果表明,在PCB公开数据集中,经过LAMP之后,该算法相较于YOLOv8n,参数量下降60.8%,模型体积减小50.8%,计算量下降48.8%,平均精度均值(mean Average Precision,mAP)提高3.8%。在提高精度的同时,计算量、参数量和模型体积都低于原模型,满足在低配置设备下的使用需求。
文摘遥感图像的目标检测在各领域有着广泛的应用场景,由于遥感图像中检测目标存在形态多变、弱小目标较多以及背景复杂等原因,导致遥感图像在目标检测方面存在检测精度识别不高、模型参数过大等问题。为提升算法对遥感图像目标的检测准确率以及缩减算法模型量,提出了动态聚焦多维注意力检测算法——YOLO-WiseGOD。在YOLOv8n基线网络中使用WIoU(Wise-IoU)构建动态聚焦机制的边界框损失,弱化因几何因素导致的梯度增益泛化能力不足的问题,在协调高低质量锚框竞争力的同时,使之适用于聚焦普通锚框,提高网络模型检测的定位能力。在网络末端融合改进的L-ODConv(Leaky ReLU-Omni-Dimensional Dynamic Convolution)多维注意力机制,避免梯度锯齿问题,在减少模型参数的同时,优化输出特征和卷积权值的调制,提升网络加权特征融合。在主干网络中引入轻量化注意力模块C2FGhostV2,在更好地捕捉输入特征图中的多尺度特征和全局上下文信息的同时,保持较低的参数量和计算复杂度,更好地平衡训练精度和模型量之间的关系。所提算法在遥感数据集NWPU VHR-10(Northwestern Polytechnical University Very High Resolution-10)和RSOD(Remote Sensing Object Detection)上进行实验验证,对比当前主流算法模型YOLOv8n,其平均检测准确率(mean Average Precision,mAP)分别提高了2.0%和2.3%,模型参数量减少4.5%,计算量减少10.9%,能有效提高遥感图像中微小目标的检测精度和实现一定的模型轻量化。
文摘针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于YOLOv5s的无人机目标检测改进算法VA-YOLO。在已有的主干网络中添加CA注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不一导致语义丢失的问题,添加小目标检测层与BiFPN结构,加深浅层语义与深层语义结合,以此丰富对检测目标的语义信息;使用损失函数Varifocal loss与EIoU,改善模型对小目标检测的准确性。实验结果表明,在VisDrone2019-DET数据集上,该算法的平均检测精度(mean Average Precision,mAP)达到了39.01%,相比YOLOv5s提高了6.26%。
