摘要：针对密集人群下口罩佩戴检测实时性差、难以部署到移动端的问题,提出基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC。该算法结合深度可分离卷积改进的SE注意力机制设计了一种轻量化特征提取模块,并结合BiFPN设计了一种加权特征融合模块。经实验验证,YOLOv7-DSC算法在口罩数据集上mAP为96.9%,与YOLOv7-tiny算法相比仅降低了0.5%;相比于YOLOv3-tiny、YOLOv4-tiny、YOLOv5s、MobileNetV3、ShuffleNetV2、GhostNet和Swin-Transformer算法在mAP上分别高出13.4%、11.2%、4.5%、5.7%、5.8%、4.2%和5.1%;在检测精度与YOLOv7-tiny算法相当的情况下,参数量和计算量分别减少了60%和55%,仅为2.4 M和6.0 G,极大地降低了硬件成本。

摘要：针对电力机房服务器状态检测任务的需求,文章采用服务器设备状态信号灯检测识别的方法。文章设计了基于SSD及改进MobileNet网络的轻量化目标检测深度学习网络,在传统MobileNet中引入跨层链接,充分利用及融合各层特征,并将SSD网络中原VGG16网络替换为改进的MobileNet,实现了参数及计算力的压缩;基于现实图像数据及增强方法制作了服务器运行状态数据集用于训练任务,最终得到mAP为86.7%、故障检测准确率为96.1%的效果以及相较于原网络近40%的参数压缩;将训练网络应用到嵌入式边缘计算终端设备的检测任务中,验证了所提网络检测任务的工程可行性。所提网络具有高准确率、轻量化、低成本的特点,为基于视觉的服务器巡检提供了状态识别手段。

摘要：以空间机器人为执行载体的在轨服务技术是实现航天器在轨维护、延长服役寿命的关键途径。该文面对空间机器人在轨计算硬件资源有限的问题,基于深度学习提出一种轻量级机器人抓取方法,实现对目标的精准抓取和操作,提升机器人在轨作业的自主性。首先构建YOLO-Light目标检测模型,该模型基于YOLOv8网络结构,引入半解耦的LightHead检测头以减少计算负担和参数量,设计C2f-MBConv模块降低参数量和计算量的同时保持检测精度,并通过剪枝实现对模型的进一步压缩。与YOLOv8n相比,YOLO-Light模型的参数量、计算量和模型大小分别减少70%、65.4%和66.7%,而mAP50指数仅下降0.06。进一步,基于生成残差卷积神经网络,设计了融合ECA注意力机制的抓取检测网络,在不引入过多额外参数的情况下,更精细地调整通道特征的权重,有效增强通道间的信息交互,使得网络在面对复杂环境时,仍能准确地识别目标姿态,最终以矩形抓取框作为输出,合理地表示目标的抓取姿态。训练结果表明:在IOU为0.25时,准确度达到93%。最后,利用基于Gazebo的机器人抓取仿真实验验证所提轻量级机器人抓取方法的有效性。

摘要：为满足目前在移动端上部署人体姿态估计算法并推广其落地应用的需求,需要对人体姿态检测算法进行轻量化网络设计和压缩加速优化。该文介绍模型压缩加速和轻量化网络设计的方法以及当前的模型压缩自动化框架,当前主流的移动端姿态估计部署框架和目前各领域移动端姿态估计的产业应用,最后分析国内面向移动端的人体姿态研究现状,对该现状目前还存在的问题做出分析并提出未来的发展方向。

摘要：汽车零部件缺陷检测通常采用基于YOLOV7的深度学习模型,针对生产环境中计算资源受限的问题,提出了改进YOLOV7的汽车零部件表面缺陷检测算法,首先使用MobileNetV3模块替换YOLOV7骨干网络,其次将颈部网络替换为重复加权双向特征金字塔网络BiFPN和多路径高效设计BepC3模块,最后采用一种基于高斯Wasserstein距离的回归损失函数代替原有的损失函数。实验结果表明,该算法相较传统YOLOV7的AP50精度提高0.155,比YOLOx算法AP50精度提高0.139,在检测精度和效率方面综合表现优异。

摘要：针对城镇地下管网规模巨大、传统的人工检测方法已不能满足现在工程需求的问题,提出采用MobileNetv3-YOLOv7网络模型作为地下管道缺陷目标检测的算法来提升检测的精度和速度。首先,管道图像数据集进行预处理,对输入图像灰度化及重采样,均衡样本的数量;其次,将轻量化网络MobileNetv3和YOLOv7网络框架相结合,增加BiFPN特征金字塔结构以提高精确度;然后,在数据处理方面通过Mosaic数据增强方式提高该模型的鲁棒性;最后,设计YOLOv7网络模型的对比实验验证本模型的可行性。在Pytorch实验框架下,对MobileNetv3-YOLOv7网络模型进行了验证。实验结果表明,该模型可减少参数计算量,并且平均准确率有所提高。

摘要：针对目前工业车辆测距避障技术中易受环境影响、信号干扰等问题,提出一种基于双目定位测距的工业车辆实时避障方法.首先,对双目深度相机进行标定,将采集到的车辆正后方作业环境图像进行双目立体矫正;其次,使用SGBM算法计算得到视差图,并结合相机内参通过三角变换原理进行3D点云重建;接下来,对地面进行标定并拟合地面方程,自定义有效检测范围及安全预警范围;最后,对行人进行方位检测,设计了直行及转弯测距算法对范围内检测到的行人进行距离计算,最终实现范围预警与实时规划避障.4组实验结果表明,行人测距算法在直行及转弯状态下0–3 m和3–5 m范围内误差均分别低于0.1 m和0.2 m,行人检测算法的识别精度为97.38%,检测帧率为22.12 fps,该方法在设定范围内具有较高的灵敏性,具备较好的实时避障效果.

摘要：目前我国每年智能电表的消耗量非常庞大,检测其表面损坏情况是一件非常复杂的事情。由于电表表面缺陷复杂多样,而且收集大量带缺陷的电表图像样本十分困难。因此,文中提出了一种基于卷积自编码模型的算法判断智能电表外观的缺陷。具体来说,基于Faster RCNN训练一个目标检测模型,将电表中待检测区域提取出来。再使用训练好的卷积自编码器判断提取的待检测图像是否存在缺陷。若存在缺陷则会逐像素将缺陷标记出并显示到结果图中。实验结果表明,所提算法判断缺陷的准确率可达0.982,处理单张分辨率为960×1080的电表图像仅需0.83 s。文中方法相较于模板匹配的方法具有更高的鲁棒性和准确性,能够适应复杂工业场景。

摘要：为推动水务行业智能化发展,实现对机械水表的自动化识别,本研究提出了一种同时适用于指针式和转轮式机械水表的读数识别算法。首先,利用市面上常见的水表样本构建了一个水表数据集,然后基于此水表数据集对SSD目标检测算法进行了改进。实验结果显示,经过改进的SSD目标检测算法在模型体积上实现了70%的压缩,同时mAP指标达到了99.31%,提升了1.4%,此举在保证性能的前提下有效减小了模型的体积。此外,还针对网络的识别目标进行了巧妙的设计,将转轮数字和指针的识别结果分为正常状态和进位状态。采用相同的后处理程序,得到了最终的读数结果,这一策略巧妙地解决了两种不同类型的机械水表读数需要两种独立算法分别识别的问题,为水表的自动化识别提供了创新性的思路和实用价值。

摘要：现有目标检测算法消耗大量算力资源、参数量大、占用内存空间多,不利于在小型设备上推广使用。因此,基于结构重参数化技术并结合YOLO系列算法的研究成果,提出了一种轻量化目标检测模型Rep-YOLO。使用结构重参数化技术实现模型在训练时的多分支结构和推理时的线性结构之间的转换,从而减少模型推理时对算力资源的消耗。另外,为了降低模型的参数量,利用深度可分离卷积、网络裁剪等方法,重新设计了多尺度特征融合网络和检测头。实验结果表明:在PASCAL VOC上,Rep-YOLO-s1精度可达82.7%,Rep-YOLO-s1与YOLOv6s相比,在参数量减少54.8%的情况下,精度提高了2.4百分点,推理速度提升了6%。在NVIDIA RTX 3060 GPU上,Rep-YOLO-s0比YOLOv6s的推理速度快10%,Rep-YOLO-nano比YOLOv7-tiny快4%,精度提高了0.5百分点。Rep-YOLO与规模类似的模型相比,体积更小,精度更高,更加利于资源有限的部署应用。