多篇论文介绍-Wiou-摘要

论文地址https://arxiv.org/pdf/2301.10051.pdf

目录

01CIEFRNet：面向高速公路的抛洒物检测算法

02改进 YOLOv5 的 PDC 钻头复合片缺损识别

03 基于SimAM注意力机制的DCN-YOLOv5水下目标检测

04 基于改进YOLOv7-tiny 算法的输电线路螺栓缺销检测

05 基于改进YOLOv8的SAR图像飞机目标检测算法

06 基于改进YOLOv8的隧道火灾检测研究

07 融合 CA-BiFPN 的轻量化人体姿态估计算法

08基于改进 YOLOv5s 的果园环境葡萄检测

09 基于融合 GhostNetV2 的 YOLO v7 水稻籽粒检测

10 结合特征重用与特征重建的 YOLO 绝缘子检测方法

---

01CIEFRNet：面向高速公路的抛洒物检测算法

摘要:高速公路抛洒物危及行车安全，极易诱发交通事故，及时识别并清理高速公路抛洒物十分重要。由于高速公路抛洒物在图像中面积占比小且图像背景复杂，现有检测方法常出现漏检和误检的情况。针对上述问题，提出了一种基于上下文信息增强和特征提纯的抛洒物检测算法，记为CIEFRNet。首先，设计了一种融合上下文transformer的主干特征提取模块(CSP-COT)，充分挖掘局部静态上下文信息和全局动态上下文信息，增强小抛洒物的特征表示;其次，在主干网络中使用改进的空间金字塔池化(ISPP)，通过级联的空洞卷积实现特征的多尺度下采样，减轻目标细节信息的损失;为提高特征融合能力，设计了特征提纯模块(CNAB)，其中嵌入了提出的一种混合注意力机制(ECSA)，可抑制图像背景噪声，强化微小抛洒物的特征;最后，引入基于动态非单调聚焦机制的WIloU优化损失函数，提高小抛洒物学习能力，加速网络收敛。实验结果表明，所提方法在自制的高速公路抛洒物数据集上的精确率、召回率、APo;和APo.5.a9s分别达到96.5%、81.6%、88.1%和46.5%，优于当前主流的目标检测方法，其算法复杂度也更低，满足实际场景应用需要。
关键词:抛洒物检测;上下文信息;空间金字塔池化;注意力机制;损失函数

02改进 YOLOv5 的 PDC 钻头复合片缺损识别

摘要:PDC钻头复合片的缺损情况是影响钻进效率的重要因素,检测 PDC钻头复合片是否缺损是修复PDC钻头的前提。为了减少对PDC'钻头复合片的误检,提升检测准确率,提出了一种基于改进VOLOv5的目标检测算法。该方法以YOLOv5网络为基础,融合RepVGG重参数化模块增强网络的特征提取能力;在C3模块中引入坐标注意力机制,在通道注意力机制中嵌入位置信息,提升对缺损复合片的目标检测能力;将边界框回归损失函数改进为WIoU损失函数,制定合适的梯度增益分配策略。实验结果表明,改进后的网络的精确率提升2%,召回率提升0.9%,平均精度均值(mAP)提升了1.3%,达到了98%,能够实现对 PDC钻头复合片的缺损识别。
关键字:PDC钻头复合片;YOLOv5; RepVGG;坐标注意力机制;WIoU损失函数

03 基于SimAM注意力机制的DCN-YOLOv5水下目标检测

摘要:【目的】针对水下环境复杂，水下目标因光线折射等问题导致的目标边界模糊或外观、形状可能会发生非刚性形变，使水下目标检测困难，提出了一种基于SimAM注意力机制的DCN-YOLOv5水下目标检测方法。【方法】首先,采用YOLOv5所使用的双向金字塔网络(BiFPN, Bi-directional Feature Pyramid Network)在多个尺度上提取和融合特征信息，从而提高目标辨别的准确度;其次，针对水下目标的外观、形状的变化问题，将C3模块中的CBS模块结合可变形卷积(DCN, Deformable Convolution)，提出DBS模块并组成D3模块替换部分C3模块，以适应水下目标的外观、形状的变化;同时，融入加权注意力机制(SimAM),自适应地调节模型的关注度，进一步在复杂场景下增强特征表达能力;最后，考虑目标边界模糊，为改善目标定位精度，采用WIoU(Wise-loU)损失函数来替换交叉嫡损失，能够更好地适应不同目标类型和尺寸的特点，提高算法鲁棒性。【结果】实验结果表明，DCN-YOLOv5可以达到87.57%的平均精度(mAP)，检测效果优于YOLOv5网络和其他经典网络，平均每张图像的识别时间仅为24.5ms。【结论】通过实验结果可以证明模型在检测精度明显提升的同时兼顾检测的实时性，对水下目标检测用于实际用途有着一定的参考价值。
关键词:水下目标检测;SimAM注意力机制;可变形卷积; WloU

04 基于改进YOLOv7-tiny 算法的输电线路螺栓缺销检测

摘要:为提高无人机对架空输电线路巡检的效率和线路中螺栓缺销的检测精度,提出了改进的你只看一次第7微小版( you only look once version 7-tiny, YOLOv7-tiny)输电线路螺栓缺销检测算法。该算法采用高效的分布移位卷积(distribution shifting convolution , DSConv)来替换YOLOv7-tiny网络中的3x3卷积,以提高模型的计算速度并降低计算复杂度;在模型的检测头部分,添加了高效解耦头结构, 以提高模型的准确度和稳定性;并采用明智的交并比( wise intersection over union , WloU)损失函数来提高正样本的权重,使模型更加关注缺销螺栓目标,以减少正负样本不平衡带来的噪声干扰。实验结果表明,改进YOLOv7-tiny算法对输电线路螺栓缺销检测的平均精度均值达到90.6% ,检测速度达到143.0帧/s,同时实现了检测的高速度和高精度。该算法在无人机输电线路巡检中具有一定的优势。
关键词:无人机巡检;螺栓;缺销;YOLOv7-tiny ; DSConv; WloU;高效解耦头

05 基于改进YOLOv8的SAR图像飞机目标检测算法

摘要∶针对合成孔径雷达(Synthetic Aperture Radar, SAR )图像飞杌目标检测算法存在模型复杂度较高、检测效果差、泛化能力弱等问题，提出一种基于改进YOLOv8的SAR图像飞机目标检测算法。首先，针对SAR图像飞机目标较小的特点，剔除大目标检测层，重构特征提取网络和特征融合网络，降低模型计算量。其次，在主干网络引入可变形卷积( deformable convolutional networks,DCN)，增强特征提取能力;在颈部网络引入全局注意力机制(GAM attention,GAM )，提高检测精度。最后，采用WIOU( Wise-loU)损失函数，提高收敛速度和回归精度。在SADD数据集( SAR Aircraft Detection Dataset )上实验结果显示:改进算法较原YOLOv8算法模型体积压缩59.66%，参数量降低61.18%，计算量减少18.29%，最高精度提高至98.1%。与其他算法相比，所提算法在保证较高检测精度的情况下大幅降低了模型体积、参数量和计算量。实验结果表明所提算法实现了模型复杂度和检测精度的平衡。
关键词:YOLOv8;合成孔径雷达;网络重构;可变形卷积;GAM注意力机制;WIOU

06 基于改进YOLOv8的隧道火灾检测研究

摘要:隧道内火灾检测存在检测困难和难以直接部著到资源有限的以八八仅也I分就应自/抑题，提出一种基于改进YOLOv8的隧道火灾检测算法;自先分入0N1江Do休NR殂侨斫识和高吞制冗余特征，同时增强全局信息的捕捉;其次引人」一种新的同你仓帜roV个一所队A结里寿明.吐量的模型;最后使用WIoU函数优化网络的边界椎损大，便网络能时达基仪后描天参粉减少了了该网络在所使用隧道火灾数据集上的平均精度mAP提开」 1.3%，同的霍里化旧GA参只D道场辱29.7个百分点，向前推理时间降低了44%;算法能够平衡精度和轻重化的而水，可以满疋陇追功尔下的实时检测。
关键词:YOLOv8;局部卷积;WloU;极化注意力;轻量化

07 融合 CA-BiFPN 的轻量化人体姿态估计算法

摘要:针对现有的基于热力图的人体姿态估计网络模型复杂度高、算力需求大、不易部署至嵌入式平台和无人机移动平台等问题,提出了一种基于YOLOv5s6-Pose-ti-lite 不使用热力图的轻量化人体姿态估计网络模型。通过将主干网络替换为GhostNet网络，它旨在以更少的计算资源输出更有效的特征信息,提升网络检测速度，缓解网络冗余的问题;在主干网络中结合轻量化的坐标注意力CA(Coordinate Attention)模块，将图片的人体关键点位置信息聚集到通道上,增强特征提取能力;引入加权双向特征金字塔网络(bidirectional Feature Pyramid Network),提升模型的特征融合能力，平衡不同尺度的特征信息;最后将CIoU损失函数替换为Wise-loU(WIoU)，进一步提升模型对人体关键点回归的性能。结果表明，在COCO2017人体关键点数据集上，优化后的网络模型参数量降低26.2%，计算量降低30%，平均精确度提升1.7个百分点、平均召回率提升2.7个百分点，能够满足实时性的效果，验证了所提模型的可行性和有效性。
关键词:人体姿态估计;轻量化;坐标注意力;加权双向特征金字塔网络;损失函数

08基于改进 YOLOv5s 的果园环境葡萄检测

摘要:为了快速精准地识别复杂果园环境下的葡萄目标，该研究基于YOLOv5s提出一种改进的葡萄检测模型(MRW.YOLOv5s)。首先，为了减少模型参数量，采用轻量型网络MobileNetv3作为特征提取网络，并在 MobileNetv3的bneck 结构中嵌入坐标注意力模块(coordinate attention，CA）以加强网络的特征提取能力;其次，在颈部网络中引入RepVGG Block，融合多分支特征提升模型的检测精度，并利用RepVGG Block的结构重参数化进一步加快模型的推理速度;最后，采用基于动态非单调聚焦机制的损失(wise intersection over union loss，WloU Loss)作为边界框回归损失函数，加速网络收敛并提高模型的检测准确率。结果表明，改进的MRW-YOLOv5s模型参数量仅为7.56 M，在测试集上的平均精度均值(mean average precision，mAP)达到97.74%，相较于原YOLOv5s模型提升了2.32个百分点，平均每幅图片的检测时间为10.03 ms，比原YOLOv5s模型减少了6.13 ms。与主流的目标检测模型SSD、RetinaNet.YOLOv4、YOLOv7和YOLOX相比，MRW-YOLOv5s模型的 mAP分别高出9.89、7.53、2.12、0.91、2.42个百分点.并且在模型参数量大小和检测速度方面有着很大的优势，该研究可为果园智能化、采摘机械化提供技术支持。
关键词:图像处理;果实识别;YOLOv5s;注意力机制;RepVGG;Wise loU

09 基于融合 GhostNetV2 的 YOLO v7 水稻籽粒检测

摘要:水稻籽粒检测在粮食储存中凸显重要作用，直接影响粮食销售的价格。针对一般机器视觉检测算法在水稻籽粒小目标的密集场景下存在难以识别且网络模型参数大，检测速度较慢、成本高等问题，提出一种基于YOLO v7优化的水稻籽粒检测算法。首先将部分高效聚合网络模块(Efficient layer aggregationnetwork,ELAN)替换成轻量级网络模块GhostNetV2添加到主干及颈部网络部分，实现网络参数精简化的同时也减少了通道中的特征冗余;其次将卷积和自注意力结合的注意力模块(Convolution and self-attentionmixed model,ACmix)添加到MP模块中，平衡全局和局部的特征信息，充分关注特征映射的细节信息;最后使用WIloU(Wise intersection over union)作为损失函数，减少了距离、纵横比之类的惩罚项干扰，单调聚焦机制的设计提高了模型的定位性能。在水稻籽粒图像数据集上验证改进后的模型检测水平，实验结果表明改进后的YOLO v7模型的精确率和召回率的调和平均数(F1-score)高达 0.99，mAP@0.5达 96.55%，mAP@0.5:0.95达70.10%，训练模型参数量也有所下降，在实际场景以暗黑色为背景的水稻杂质检测中的效果优于其他模型，满足了水稻籽粒的实时检测要求，可考虑将此算法应用于自动化检测粮食系统之中。关键词:水稻籽粒检测;YOLO v7;轻量级网络;注意力模块;损失函数

10 结合特征重用与特征重建的 YOLO 绝缘子检测方法

摘要:针对当前智能巡检背景下，基于深度学习的绝缘子缺陷检测模型存在泛化性能低、对复杂背景下绝缘子难以识别的问题。从特征提取和融合角度考虑，提出了一种结合特征重用与特征重建的轻量化YOLO-RR网络进行绝缘子缺陷检测。首先，在特征提取阶段，以DenseNet为基础构建了dense35网络作为主干网络，依赖特征的重用，增加对细节的感知能力，提升了模型在低饱和度和低对比度成像情况下检测精度的同时也缩减了网络参数量;其次，在特征融合阶段，提出H-BiFPN结构进行不同尺度特征间双向融合，在特征提取的过程中将特征进行重用和重建，丰富了不同尺度的特征信息，解决了连续卷积下小目标信息丢失的问题，提升了对小目标的检测精度，较原来单向支路的特征融合更加高效。最后，使用WIoU_Loss来优化模型，通过对普通充分锚框的关注，使预测框更加精准。在扩充后的CPLID数据集上进行实验，改进后算法识别率达到93.6%，网络参数量压缩到5M，优于经典模型。能够满足绝缘子缺陷定位的准确性和实时性要求，同时在背景干扰较大、受光照影响的成像上也有很好的检测效果。
关键词:绝缘子检测;YOLO;特征重用;特征重建;轻量化;智能巡检