针对在自动驾驶领域中,由于道路场景复杂,目前已有的检测方法存在检测准确率不高,且检测目标单一的问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5)的面向自动驾驶的道路目标检测算法,能够实现车辆、行人、信号灯、交通...针对在自动驾驶领域中,由于道路场景复杂,目前已有的检测方法存在检测准确率不高,且检测目标单一的问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5)的面向自动驾驶的道路目标检测算法,能够实现车辆、行人、信号灯、交通标志等多个目标的同时检测。首先,在原有模型的基础上,引入EIoU损失函数实现YOLOv5输出端预测框的优化,使收敛速度更快;用YOLOv8的C2f模块替换原模型的C3模块,提高小目标精度;改进YOLOv5的目标检测框架为OTA,在保证检测精度的同时,提升检测速度,降低对设备的要求。然后,在保证以上三者可行的情况下加入单目相机测距,实现目标距离的实时精确跟踪并对危险作出预警。最后,建立数据集并进行数据增强,训练数据集。通过消融试验发现,改进后模型比原模型整体精度提高了2%,各目标训练精度与召回率的概率均达到99%以上,在目标跟踪实验中能够实时地显示距离并对危险作出预警,证明了该方法是可行和有效的。展开更多
针对YOLOv8s模型在钢材表面缺陷检测任务中特征提取能力不足、特征融合不充分以及收敛速度慢、回归精度差等问题,提出一种基于改进YOLOv8s的钢材表面缺陷检测算法。首先,为了使模型关注更多维度的特征信息,将YOLOv8s模型主干网络和颈部...针对YOLOv8s模型在钢材表面缺陷检测任务中特征提取能力不足、特征融合不充分以及收敛速度慢、回归精度差等问题,提出一种基于改进YOLOv8s的钢材表面缺陷检测算法。首先,为了使模型关注更多维度的特征信息,将YOLOv8s模型主干网络和颈部网络中的部分C2f模块替换为C2f-Triplet模块;其次,为了使模型在更大的感知区域内聚合上下文信息,将YOLOv8s模型颈部网络中的最近邻上采样模块替换为内容感知特征重组(content-aware reassembly of features,CARAFE)上采样算子;最后,为了提高模型收敛速度和回归精度,将原YOLOv8s的CIoU回归损失函数替换为SIoU损失函数。实验结果表明:在NEU-DET数据集上,改进后的YOLOv8s钢材表面缺陷检测算法较原YOLOv8s算法精确率提高1.6百分点,平均精度均值提高2.2百分点。相比于目前主流的钢材表面缺陷检测算法,改进后的YOLOv8s钢材表面缺陷检测算法可以更加准确地检测出钢材表面缺陷的类别和位置,并且模型相对较小,便于在移动端部署。展开更多
文摘针对在自动驾驶领域中,由于道路场景复杂,目前已有的检测方法存在检测准确率不高,且检测目标单一的问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5)的面向自动驾驶的道路目标检测算法,能够实现车辆、行人、信号灯、交通标志等多个目标的同时检测。首先,在原有模型的基础上,引入EIoU损失函数实现YOLOv5输出端预测框的优化,使收敛速度更快;用YOLOv8的C2f模块替换原模型的C3模块,提高小目标精度;改进YOLOv5的目标检测框架为OTA,在保证检测精度的同时,提升检测速度,降低对设备的要求。然后,在保证以上三者可行的情况下加入单目相机测距,实现目标距离的实时精确跟踪并对危险作出预警。最后,建立数据集并进行数据增强,训练数据集。通过消融试验发现,改进后模型比原模型整体精度提高了2%,各目标训练精度与召回率的概率均达到99%以上,在目标跟踪实验中能够实时地显示距离并对危险作出预警,证明了该方法是可行和有效的。
文摘针对YOLOv8s模型在钢材表面缺陷检测任务中特征提取能力不足、特征融合不充分以及收敛速度慢、回归精度差等问题,提出一种基于改进YOLOv8s的钢材表面缺陷检测算法。首先,为了使模型关注更多维度的特征信息,将YOLOv8s模型主干网络和颈部网络中的部分C2f模块替换为C2f-Triplet模块;其次,为了使模型在更大的感知区域内聚合上下文信息,将YOLOv8s模型颈部网络中的最近邻上采样模块替换为内容感知特征重组(content-aware reassembly of features,CARAFE)上采样算子;最后,为了提高模型收敛速度和回归精度,将原YOLOv8s的CIoU回归损失函数替换为SIoU损失函数。实验结果表明:在NEU-DET数据集上,改进后的YOLOv8s钢材表面缺陷检测算法较原YOLOv8s算法精确率提高1.6百分点,平均精度均值提高2.2百分点。相比于目前主流的钢材表面缺陷检测算法,改进后的YOLOv8s钢材表面缺陷检测算法可以更加准确地检测出钢材表面缺陷的类别和位置,并且模型相对较小,便于在移动端部署。
