基于深度学习算法的建筑垃圾分类检测技术对建筑垃圾回收和资源再利用具有重要意义。提出了改进的YOLOv7算法实现对建筑垃圾的分类检测。改进算法采用内容感知特征重组(content-aware reassembly of features,CARAFE)上采样算子替换YOL...基于深度学习算法的建筑垃圾分类检测技术对建筑垃圾回收和资源再利用具有重要意义。提出了改进的YOLOv7算法实现对建筑垃圾的分类检测。改进算法采用内容感知特征重组(content-aware reassembly of features,CARAFE)上采样算子替换YOLOv7中最邻近插值方式的上采样算子,从而提高了目标检测精度;引入分布移位卷积(distribution shifting convolution,DSConv)模块替换YOLOv7的头部网络中部分传统卷积,实现了模型的轻量化。结果表明,改进算法的m AP值达到了90.7%,模型计算量仅为96G。该方法具有准确率高、稳健性强等特点,在建筑垃圾分类检测实际场景中具有较高的应用价值。展开更多
针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级...针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级的香草网络(vanilla network, VanillaNet)模块,颈部网络采用轻量级的上采样算子内容感知特征重组(content-aware reassembly of features, CARAFE)模块,增加160像素×160像素的极小目标检测层(tiny object detection layer, tiny)模块并修改损失函数为多尺度预测距离交并比(multi-scale prediction distance intersection over union, MPDIoU)。为验证优化模块的有效性,采用消融实验并对比模型改进前后的差异。结果表明,改进YOLOv8s模型平均精确率均值达95.6%,检测速度提升至102帧/s,检测精度有明显提升且延时有所降低。改进YOLOv8s模型能够在实际场景中有效检测电动车骑乘人员的头盔佩戴情况,对于减少人身伤害、提升道路安全和优化智能交通系统具有重要作用。展开更多
带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰,导致检测模型的精度较差的问题,提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO(EnhanceDefectsDe-tectionYOLO)。首先,构造了一个特殊卷积ECC...带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰,导致检测模型的精度较差的问题,提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO(EnhanceDefectsDe-tectionYOLO)。首先,构造了一个特殊卷积ECConv(EnhanceCoordConv),其使用额外的坐标通道更加清晰地感受待检测目标的空间位置信息;其次,将轻量级注意力机制EMA(EfficientMulti-ScaleAttention)嵌入特征融合网络中,使得计算资源高效且合理分配,增强特征融合能力;然后,采用CARAFE(Content-AwareReAssembly of Features Extraction)替代原融合网络的上采样模块;最后,在预测部分使用WIOU改进原损失函数,加速模型收敛。实验数据表明,该模型相较于YOLOv8n,检测精度提高3.6%,检测速度保持在166fps,并且模型大小、空间复杂度与原模型基本持平,更好地满足了复杂工业场景下带钢缺陷的实时检测要求。展开更多
文摘针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级的香草网络(vanilla network, VanillaNet)模块,颈部网络采用轻量级的上采样算子内容感知特征重组(content-aware reassembly of features, CARAFE)模块,增加160像素×160像素的极小目标检测层(tiny object detection layer, tiny)模块并修改损失函数为多尺度预测距离交并比(multi-scale prediction distance intersection over union, MPDIoU)。为验证优化模块的有效性,采用消融实验并对比模型改进前后的差异。结果表明,改进YOLOv8s模型平均精确率均值达95.6%,检测速度提升至102帧/s,检测精度有明显提升且延时有所降低。改进YOLOv8s模型能够在实际场景中有效检测电动车骑乘人员的头盔佩戴情况,对于减少人身伤害、提升道路安全和优化智能交通系统具有重要作用。
文摘带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰,导致检测模型的精度较差的问题,提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO(EnhanceDefectsDe-tectionYOLO)。首先,构造了一个特殊卷积ECConv(EnhanceCoordConv),其使用额外的坐标通道更加清晰地感受待检测目标的空间位置信息;其次,将轻量级注意力机制EMA(EfficientMulti-ScaleAttention)嵌入特征融合网络中,使得计算资源高效且合理分配,增强特征融合能力;然后,采用CARAFE(Content-AwareReAssembly of Features Extraction)替代原融合网络的上采样模块;最后,在预测部分使用WIOU改进原损失函数,加速模型收敛。实验数据表明,该模型相较于YOLOv8n,检测精度提高3.6%,检测速度保持在166fps,并且模型大小、空间复杂度与原模型基本持平,更好地满足了复杂工业场景下带钢缺陷的实时检测要求。
