-
题名基于注意力机制的轻量YOLOv5识别定位算法
- 1
-
-
作者
宋建辉
李亚洲
刘砚菊
刘晓阳
-
机构
沈阳理工大学自动化与电气工程学院
-
出处
《沈阳理工大学学报》
CAS
2024年第3期10-17,共8页
-
基金
辽宁省教育厅高等学校基本科研项目(LJKZ0275)
沈阳市中青年科技创新人才支持计划项目(RC210247)。
-
文摘
为解决医疗看护环境下桌面生活物品检测效果不佳、定位误差较大的问题,提出一种基于YOLOv5的改进模型。首先,在主干网络末端使用坐标注意力(coordinate attention,CA)机制,使算法能够捕获跨通道、跨方向和位置的信息,提高算法的识别精度;然后,引入GhostConv卷积减少模型参数量,使模型更加轻量化,提高检测速度;最后,使用SIoU替换原算法的定位损失函数,使定位损失计算考虑到真实框与预测框的方向差异,有助于提升模型的稳定性。在COCO数据集部分物品种类上进行多次对比实验,结果表明,与原算法相比较,改进算法的精确率和召回率分别提高了4.1%和1.3%,在交并比为0%~50%和50%~90%时的均值平均精度分别提高了2.7%和3.9%,参数量减少了16.9%,每秒传输帧数提高了0.47帧,平均定位误差在X轴方向上减小了0.29 mm、在Y轴方向上减小了0.14 mm。
-
关键词
YOLOv5
ghostconv卷积
注意力机制
损失函数
目标识别
-
Keywords
YOLOv5
ghostconv convolution
attention mechanism
loss function
target identification
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv8s的配电设备红外目标检测模型
- 2
-
-
作者
吴合风
王国伟
万造君
张阔
姜世浩
-
机构
北京御航智能科技有限公司
-
出处
《电气技术》
2024年第3期18-23,共6页
-
文摘
随着电力巡检技术的发展,利用无人机和红外热成像技术进行巡检逐渐成为电力巡检作业的一个重要模式。针对当前网络模型对配电设备识别准确度低、模型参数量大难以部署的问题,提出一种基于红外图像的配电设备目标检测方法。首先,针对原YOLOv8s模型参数量大、模型复杂的问题,提出在骨干网络和Neck部分将部分传统Conv卷积替换为GhostConv卷积,实现模型轻量化;然后,针对原YOLOv8s模型小目标识别能力差的问题,提出增加小目标检测层,提升小目标检测能力;最后,针对原YOLOv8s模型损失函数不利于普通质量样本预测回归的问题,提出使用Wise-IoUv3损失函数,聚焦训练过程中难以拟合的锚框的预测回归。研究结果表明,改进后模型的精确率达到87%,比原模型提升了4.1个百分点;召回率达到79.1%,比原模型提升了3个百分点;平均精确率均值达到83.5%,比原模型提升了1.5个百分点;推理速度为62ms/张,可有效应用于配电设备的部件检测。
-
关键词
配电部件检测
YOLOv8s
红外图像
小目标检测层
ghostconv卷积
Wise-IoUv3
-
Keywords
power distribution component inspection
YOLOv8s
infrared images
small target detection layer
ghostconv convolution
Wise-IoUv3
-
分类号
TM642
[电气工程—电力系统及自动化]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名Dim-YOLOv5n昏暗场景目标检测算法
- 3
-
-
作者
朱晓彤
张荣芬
刘宇红
孙龙
-
机构
贵州大学大数据与信息工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第11期173-181,共9页
-
基金
贵州省基础研究(自然科学)项目(黔科合基础-ZK[2021]重点001)。
-
文摘
相比于正常光照场景,照明不良昏暗场景干扰因素较多,图像处理较为复杂,且现有的昏暗目标检测,存在参数量大,识别准确率低等不足。针对昏暗场景下目标检测算法中存在误检与漏检等问题,提出以YOLOv5n算法为基础进行改进的昏暗场景目标检测算法Dim-YOLOv5n。利用嵌入全维动态卷积(omni-dimensional dynamic convolution,ODConv)的轻量化主干ODConv-MobileNetV2替换主干网络,在减少计算量的同时提高检测精度。基于RepGFPN(reparameterized generalized-FPN)方法设计更加轻量高效的LigGFPN(lightweight generalized-FPN)加强特征融合网络,以提高网络特征提取能力,并在此基础上,使用GhostConv(ghost convolution)替换传统卷积,以减少模型的参数量。实验结果表明,改进后算法与原算法相比,检测精度P和召回率R分别提高了5.3个百分点和5个百分点,平均精度均值mAP0.5:0.95和mAP0.5分别提升了8.2个百分点和4.6个百分点,改进的算法在保证模型较小的同时有效提高了检测准确率。
-
关键词
昏暗图像
YOLOv5n
全维动态卷积(ODConv)
MobileNetV2
RepGFPN
ghostconv
-
Keywords
dim image
YOLOv5n
omni-dimensional dynamic convolution(ODConv)
MobileNetV2
reparameterized generalized-FPN(RepGFPN)
Ghost convolution(ghostconv)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进的Yolov5的无人机图像小目标检测
- 4
-
-
作者
何宇豪
易明发
周先存
王冠凌
-
机构
安徽工程大学电气工程学院
皖西学院电子与信息工程学院
-
出处
《智能系统学报》
CSCD
北大核心
2024年第3期635-645,共11页
-
基金
国家自然科学基金项目(61572366)
安徽高校自然科学研究重大项目(J2021ZD0116)
皖江高端装备制造协同创新中心开放基金项目(GCKJ2018013).
-
文摘
为了解决无人机航拍图像小目标检测算法检测速度与精度无法兼顾的问题,在Yolov5的基础上,提出了针对于无人机图像小目标检测的Yolov5_GBCS算法。在新的算法中,添加一个额外的检测头,以便增强对小目标的特征融合效果;在主干网络中分别采用GhostConv卷积模块、GhostBottleneckC3模块替换部分Conv模块和C3模块用以提取丰富特征和冗余特征以提高模型效率;引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)结构,用以提高对小目标的检测精度;在主干网络和颈部网络中引入轻量化的卷积块注意力模块(convolutional block attention module,CBAM),关注重要特征并抑制不必要的特征,增强小目标特征表达能力;使用Soft-NMS算法来替换NMS,因此降低了小目标在密集场景下的漏检率。通过在VisDrone2019数据集上的实验结果表明,集成了所有改进的方法后的Yolov5_GBCS算法,不仅提高了检测精度,而且有效地提高了检测速度,模型的mAP从38.5%提高到43.2%,检测速度也从53 f/s提高到59 f/s。Yolov5_GBCS算法可以有效地实现无人机航拍图像中小目标识别。
-
关键词
图像处理
ghostconv卷积模块
双向特征金字塔网络
卷积块注意力模块
Soft双向特征金字塔网络
轻量化模型
小目标检测
VisDrone数据集
-
Keywords
image processing
ghostconv convolution module
bidirectional feature pyramid network
convolutional block attention module
soft bidirectional feature pyramid network
lightweight model
small-target detection
VisDrone dataset
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
V19
[自动化与计算机技术—计算机科学与技术]
-
