摘要：目的旨在解决植物叶片病害检测中目标检测技术参数量大、计算复杂度高及病害检测准确率低等问题.方法提出一种改进型轻量级YOLOv5模型.该模型通过集成CBAM(convolutional block attention module)、GhostModule以及bifpn-Concat模块,降低了特征通道融合的计算复杂度,同时提升了特征提取性能.还创新性地设计了WeightedDetect结构,替代了传统的检测头部,以实现对不同尺度目标的自适应识别.结果与原始YOLOv5模型相比,提出的模型在病害检测准确度上提升了2.7%,同时在参数量上增加了9.5%,而在计算复杂度的指标FLOPs(floating point operations)上降低了10.5%.还在VOC数据集上进行了模型的通用性测试,与YOLOv5相比,准确度提高了3.7%.结论提出的改进型YOLOv5模型不仅提高了植物叶片病害检测的准确性,而且通过优化计算复杂度,提高了模型的实用性和效率.这一改进对于提高农业生产的智能化水平,以及更有效地预防和管理植物病害具有重要意义,并为相关领域的研究提供了新的解决方案.

摘要：针对现有金属齿轮表面瑕疵实时检测存在识别精度低、检测速度慢、难以部署等问题,为提高检测的工作效率及准确率,保障产品质量,提出一种金属齿轮瑕疵检测算法YOLO-GEAR。首先,在特征提取层中设计轻量化的模块C2fFaster,大幅减少模型的参数量和计算量,提高模型检测速度;其次,添加EMA注意力模块,提高特征提取的效率和准确性;最后,引入双向特征融合结构bifpn,增强特征融合能力。实验结果表明,本文算法在测试集上平均精确率与改进前相比提升了3.2%,检测速度达到153.8 FPS,网络模型所占内存仅为6.2 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势,有助于实现工业部署。

摘要：针对现有红外船舶检测算法检测精度低和实时性不足问题,提出一种基于改进YOLOv8的红外船舶检测算法。首先,将设计的MCA机制引入到YOLOv8的主干网络,增强主干网络的多尺度特征提取能力;其次,对YOLOv8的检测头进行共享参数和重参数化设计,以此提升检测头的检测效率;然后,使用bifpn结构改进YOLOv8的颈部网络,利用双向信息流和可学习权重加强网络的特征表达能力;最后,使用Faster Block对YOLOv8的C2f模块进行改进,保持精度的同时减少参数量,提升算法的检测速度。该算法在红外船舶数据集上测试,mAP值达到了93.1%,相比较原算法提高了2.5个百分点,参数量比原算法减少了32.6%。实验结果表明,改进后的算法比原算法有了较大提升,证明了改进算法的有效性。

摘要：为了提高浆果园内果蝇的识别效率,以有效指导果蝇防治,本研究以YOLOv8n模型为基准框架,通过结构改进构建了轻量级的果蝇识别算法。具体而言,使用GhostNetV2 bottleneck替代YOLOv8n主干部分所有C2f模块的残差块,构建了全新的C2fGhostV2模块,以降低计算代价并提升识别性能;通过添加卷积层和增加跳跃连接对bifpn重构,设计了更高效的L-bifpn结构,替代YOLOv8n颈部的FPN+PAN结构,以提高特征融合效率和表达能力;采用MBConv替代YOLOv8n颈部所有C2f模块的残差块,构建了全新的C2fMBC模块,以提高计算效率并增强对特征的复用能力。实验结果表明,本研究提出的改进YOLOv8n算法的参数、权重和浮点运算次数(FLOPs)比原始YOLOv8n降低48.50%、43.98%和32.10%,精准率、召回率以及平均精确率均值(mAP)分别为97.40%、96.60%和98.32%,明显优于原算法。总体来说,本研究的改进YOLOv8n在显著降低算法复杂度的同时提高了识别精度,具有轻量化和易部署的特性,可以满足浆果园内移动端果蝇识别任务的需求,从而为果农精准防治果蝇提供参考。

摘要：受到跌倒时动作变化快、姿态多和复杂环境的影响,跌倒检测算法会出现误检、漏检和检测速度慢的问题。为解决上述问题,提出一种基于改进的YOLOv5算法,进行居家环境下的实时跌倒检测。使用RepVGG对YOLOv5的Backbone进行优化,增强骨干网络特征提取能力;在网络中添加卷积注意力机制,强化模型对重要特征的关注;在特征融合部分引入加权双向特征金字塔网络并简化,充分融合不同尺度特征。实验结果表明,与未改进前相比,该方法在精度、召回率和平均精度上分别提高3.43%、1.41%和3.1%,优化了检测效果,更好地满足实际使用要求。

摘要：文中提出一种基于YOLOv5s的预制梁表面气泡缺陷检测算法.该算法在原模型的基础上引入CBAM注意力模块,增强通道间信息的关联性及兴趣特征的关注度;在颈部网络中用bifpn加权双向金字塔结构,改进网络特征融合模块,实现快速的多尺度特征融合.在检出气泡缺陷后,提出基于面积和直径的两个评价指标对气泡进行分类.结果表明:改进模型具有更强的特征提取能力,平均检测精度(mAP)为95.8%,相对于原模型提高了2.3%,准确率提高了6.5%,召回率提高了3.5%,在气泡缺陷检测任务中有效减少了漏检和误检,具备更好的检测性能.

摘要：为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(bifpn)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用Dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%,与对比模型GCI−YOLOv4,ECO−HC,P−MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了4.3%,7.5%,2.1%,6.3%,5.8%,检测速度较原始YOLOv8n模型提升了17.8%。②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。

摘要：针对SOP芯片缺陷检测中因缺陷特征相似、缺陷目标小、缺陷尺度差异大造成的检测精度低的问题,本文提出基于改进YOLOv8的缺陷检测方法。通过使用SPD-Conv模块解决卷积池化过程中的信息丢失问题,并引入SimAM注意力机制,使模型学习三维通道中的信息,提高模型对缺陷特征的感知能力;同时使用bifpn代替原特征提取网络,使用双向传递的多尺度特征融合,使模型能更好的区分拥有相似特征和尺度差异大的缺陷;最后增加一个小目标检测头,传递更多的低阶特征信息给高维检测网络,提高对小目标缺陷的检测效果。实验数据表明,该模型相比原模型mAP@0.5提高了5.4%,mAP@0.95提高了4.3%,召回率提高了3%,和其他模型相比有着显著优势。泛化实验中改进算法的mAP@0.5相比原模型也提升了2.7%,并设计了相关系统验证了算法的有效性。

摘要：养殖环境中模糊、气泡遮挡等现象影响养殖鱼特征提取,使养殖鱼群检测精度不佳,为解决上述问题,提出融合通道非降维双重注意力机制ECBAM与改进YOLOv5的养殖鱼群检测模型ESB-YOLO(ECBAMSPPF-bifpn-YOLO)。使用ECBAM注意力机制获取更多细节特征;为缓解加入ECBAM导致的检测时间增加、速度变慢,使用SPPF替换SPP,减少模型计算量,降低模型检测时间,提高检测速度;为提高YOLOv5特征融合效果,使用bifpn进行特征权重融合,提高有效特征在特征融合的比重,减少特征丢失。为了验证改进模块对YOLOv5的影响,设计了消融试验。试验结果显示:ESB-YOLO相比YOLOv5在保持检测速度的条件下平均精度提升了2.40%;设计模型对比试验,验证了ESB-YOLO的优越性,相比FERNet、SWIPENet及SK-YOLOv5等先进水下目标检测模型,ESB-YOLO在平均精度上分别具有3.10%、3.90%与0.70%的优势。研究表明,本研究所提的模型对养殖鱼群目标检测效果更佳,可以满足养殖鱼群检测要求。

摘要：小目标检测一直是目标检测领域的热点,而航拍小目标图像具有尺度变化大、视角和姿态变化多样等特点,容易造成漏检、误检。针对这些问题,提出基于YOLOv8s改进的轻量化小目标检测算法。首先,在Backbone部分使用CESE_C2f模块,利用轻量化注意力机制提升检测效果并降低参数量;其次,根据bifpn思想设计新的网络结构,充分利用已有网络信息加强深层与浅层特征信息的融合;最后,使用新的轻量化检测头LW_Detect(Lightweight_Detect)大幅度降低运算量与参数量,以满足实时性要求。实验结果表明,所提算法在Visdrone数据集上的mAP50和mAP50:95分别达到41.4%和24.9%,相较原始YOLOv8s算法精度提高了1.6%和1.3%,参数量和运算量降低了36.8%和42.8%。