目前的绝缘子及缺陷目标检测算法中普遍存在着诸如误检、漏检和检测精度低等一系列问题,提出一种改进的YOLOv9绝缘子及缺陷目标检测算法来更好地检测绝缘子及其残缺缺陷。首先,在YOLOv9的核心模块RepNCSPELAN中嵌入多样性分支块DBB,DBB...目前的绝缘子及缺陷目标检测算法中普遍存在着诸如误检、漏检和检测精度低等一系列问题,提出一种改进的YOLOv9绝缘子及缺陷目标检测算法来更好地检测绝缘子及其残缺缺陷。首先,在YOLOv9的核心模块RepNCSPELAN中嵌入多样性分支块DBB,DBB可以增强单个卷积的表示能力,丰富特征空间,提高模型的特征提取能力,提升模型性能,同时基本不增加推理时间成本。其次,使用Haar小波的下采样HWD替换传统下采样,可以降低特征图的空间分辨率,同时保留尽可能多的信息,并且与传统的下采样方法相比,可以有效降低信息不确定性。最后使用MPDIoU作为模型的损失函数,MPDIoU通过直接计算预测框和真实框之间的关键点距离,能更准确地反映预测框和真实框之间的差异,从而提升模型的平均精度。在绝缘子及缺陷数据集上,改进后的算法YOLOv9-DHM的平均检测精度(Mean Average Precision,mAP)提高至96.8%,相比于原始算法提高了2.2%,精确率和召回率分别提高至95.4%和94.5%。改进后的算法相比原始算法,平均检测精度有明显提升,证明了算法改进后的可行性。展开更多
为了提高解决海洋垃圾问题的效率,保护海洋环境。文章提出了一种基于改进YOLOv9c的的海洋垃圾检测算法的研究。由于海洋垃圾浮游于海中,受较暗光线以及海水颜色的影响较难检测识别,在预处理时对数据进行色彩增强与图像增亮的处理,提高...为了提高解决海洋垃圾问题的效率,保护海洋环境。文章提出了一种基于改进YOLOv9c的的海洋垃圾检测算法的研究。由于海洋垃圾浮游于海中,受较暗光线以及海水颜色的影响较难检测识别,在预处理时对数据进行色彩增强与图像增亮的处理,提高了图像的辨识度。并采用最新的YOLOv9c作为目标检测的骨干网络,引入Squeeze and Excitation注意力机制,提高了特征的敏感度,增强了网络的泛化能力和效率。并且将下采样替换为基于Haar小波下采样,在降低特征图的同时尽可能保留更多的信息,提高处理的效率。经训练后,在J-EDI海洋垃圾数据集上进行验证,其mAP达到了70.5%,模型的参数也只有12.5M,FPS为75。表明改进后的算法有较好的效果。展开更多
针对复杂危险环境下传统吸烟行为检测方法成本较高、实时性较差、识别率低、容易漏检和小目标误判率高等问题,提出一种基于改进YOLOv9的吸烟行为检测算法YOLO-SSDA。YOLO-SSDA通过引入注意力机制模块SimAM,加强骨干网络对香烟特征的提...针对复杂危险环境下传统吸烟行为检测方法成本较高、实时性较差、识别率低、容易漏检和小目标误判率高等问题,提出一种基于改进YOLOv9的吸烟行为检测算法YOLO-SSDA。YOLO-SSDA通过引入注意力机制模块SimAM,加强骨干网络对香烟特征的提取能力;利用Soft-NMS算法避免在过滤重叠定位框时出现漏检可能;利用距离关联算法计算香烟与人体之间的距离关系,减少香烟识别误判率。本文通过网络采样、AI生成与现场采集等方式构建了实验数据集并进行了大量实验测试,实验结果表明:YOLO-SSDA算法准确率为94%,召回率为89.6%,mAP50值为94.4%,处理单振图像输入的平均耗时为39 ms,与其他算法相比具有较高的检测准确率和实时性能。Aiming at the problems of high cost, poor real-time performance, low recognition rate, easy missed detection, and high misjudgment rate of small targets in traditional smoking behavior detection methods in complex and dangerous environments, a smoking behavior detection algorithm YOLO-SSDA based on improved YOLOv9 is proposed. By introducing the attention mechanism module SimAM, the backbone network’s ability to extract cigarette features is strengthened;using Soft NMS algorithm to avoid the possibility of missed detection when filtering overlapping positioning boxes;using distance correlation algorithm to calculate the distance relationship between cigarettes and the human body, in order to reduce the misjudgment rate of cigarette recognition. This article constructed an experimental dataset through network sampling, AI generation, and on-site collection, and conducted extensive testing based on it. The results show that the YOLO-SSDA algorithm proposed in this paper has an accuracy of 94%, a recall rate of 89.6%, an mAP50 value of 94.4%, and an average processing time of 39 ms for single vibration image input. Compared with other algorithms, it has higher detection accuracy and real-time performance.展开更多
文摘目前的绝缘子及缺陷目标检测算法中普遍存在着诸如误检、漏检和检测精度低等一系列问题,提出一种改进的YOLOv9绝缘子及缺陷目标检测算法来更好地检测绝缘子及其残缺缺陷。首先,在YOLOv9的核心模块RepNCSPELAN中嵌入多样性分支块DBB,DBB可以增强单个卷积的表示能力,丰富特征空间,提高模型的特征提取能力,提升模型性能,同时基本不增加推理时间成本。其次,使用Haar小波的下采样HWD替换传统下采样,可以降低特征图的空间分辨率,同时保留尽可能多的信息,并且与传统的下采样方法相比,可以有效降低信息不确定性。最后使用MPDIoU作为模型的损失函数,MPDIoU通过直接计算预测框和真实框之间的关键点距离,能更准确地反映预测框和真实框之间的差异,从而提升模型的平均精度。在绝缘子及缺陷数据集上,改进后的算法YOLOv9-DHM的平均检测精度(Mean Average Precision,mAP)提高至96.8%,相比于原始算法提高了2.2%,精确率和召回率分别提高至95.4%和94.5%。改进后的算法相比原始算法,平均检测精度有明显提升,证明了算法改进后的可行性。
文摘为了提高解决海洋垃圾问题的效率,保护海洋环境。文章提出了一种基于改进YOLOv9c的的海洋垃圾检测算法的研究。由于海洋垃圾浮游于海中,受较暗光线以及海水颜色的影响较难检测识别,在预处理时对数据进行色彩增强与图像增亮的处理,提高了图像的辨识度。并采用最新的YOLOv9c作为目标检测的骨干网络,引入Squeeze and Excitation注意力机制,提高了特征的敏感度,增强了网络的泛化能力和效率。并且将下采样替换为基于Haar小波下采样,在降低特征图的同时尽可能保留更多的信息,提高处理的效率。经训练后,在J-EDI海洋垃圾数据集上进行验证,其mAP达到了70.5%,模型的参数也只有12.5M,FPS为75。表明改进后的算法有较好的效果。
文摘针对复杂危险环境下传统吸烟行为检测方法成本较高、实时性较差、识别率低、容易漏检和小目标误判率高等问题,提出一种基于改进YOLOv9的吸烟行为检测算法YOLO-SSDA。YOLO-SSDA通过引入注意力机制模块SimAM,加强骨干网络对香烟特征的提取能力;利用Soft-NMS算法避免在过滤重叠定位框时出现漏检可能;利用距离关联算法计算香烟与人体之间的距离关系,减少香烟识别误判率。本文通过网络采样、AI生成与现场采集等方式构建了实验数据集并进行了大量实验测试,实验结果表明:YOLO-SSDA算法准确率为94%,召回率为89.6%,mAP50值为94.4%,处理单振图像输入的平均耗时为39 ms,与其他算法相比具有较高的检测准确率和实时性能。Aiming at the problems of high cost, poor real-time performance, low recognition rate, easy missed detection, and high misjudgment rate of small targets in traditional smoking behavior detection methods in complex and dangerous environments, a smoking behavior detection algorithm YOLO-SSDA based on improved YOLOv9 is proposed. By introducing the attention mechanism module SimAM, the backbone network’s ability to extract cigarette features is strengthened;using Soft NMS algorithm to avoid the possibility of missed detection when filtering overlapping positioning boxes;using distance correlation algorithm to calculate the distance relationship between cigarettes and the human body, in order to reduce the misjudgment rate of cigarette recognition. This article constructed an experimental dataset through network sampling, AI generation, and on-site collection, and conducted extensive testing based on it. The results show that the YOLO-SSDA algorithm proposed in this paper has an accuracy of 94%, a recall rate of 89.6%, an mAP50 value of 94.4%, and an average processing time of 39 ms for single vibration image input. Compared with other algorithms, it has higher detection accuracy and real-time performance.
