摘要：家居物品检测是家庭服务机器人执行目标抓取任务的关键,针对日常家居场景背景复杂、家居物品密集、小目标物品类型多而导致检测难度较大的问题,提出一种基于多感知机制融合的家居物品检测方法.首先,在YOLOX的颈部网络部分加入坐标注意力机制模块,减少繁杂信息带来的影响;其次,采用基于多感知融合的dynamic head对YOLOX的检测头进行改进,提升对小目标物品的检测精度;最后,在损失函数中加入focal loss,减小因正负样本数量不平衡而带来的误差.在PyTorch环境下,使用自制的家居物品数据集对改进后的YOLOX算法进行消融实验,并与其他6种目标检测算法进行对比实验.实验结果表明,所提方法对家居物品检测的mAP为58.34%,帧速为45.35帧/s,在满足算法检测实时性的同时,有效地提高了对家居物品的检测精度.

摘要：道路病害检测对于确保道路的安全性和可持续性至关重要,对城市和社会的发展具有积极作用。为提高目前道路病害检测模型的性能,文中提出一种基于改进YOLOv8的道路病害检测算法。设计一种新型高效的特征融合模块(DWS),提高模型获取特征信息和全局上下文信息的能力;提出将ECABlock、LeakyReLU激活函数与卷积相结合的新模块ELConv来提高深层网络对目标的定位能力;另外,使用dynamic head检测头替换原始YOLOv8的头部,结合尺度、空间和任务三种注意力机制提升模型头部表征能力;最后,采用WIoU损失函数代替原损失函数来改善边界框精确度和匹配度。相比基线模型,改进模型在road damage detection数据集和RDD2022_Japan数据集上都得到了有效的验证,表明改进模型满足当下道路病害检测的需求,展示了高灵活性、准确性和效率。

摘要：为了解决当前作业人员着装规范性(DSOP)检测存在小目标识别率低、环境鲁棒性差等问题。针对DSOP检测中小目标、多重叠、背景复杂等特点,提出基于改进YOLO v5n的算法来实现DSOP检测,首先以E-YOLO架构优化设计提升特征提取和融合效能;其次以dynamic head提升多尺度、多视角下DSOP检测精度;最后以OTA和Soft-NMS算法来改善目标堆叠及背景构图复杂的不利影响。实验结果表明:相较YOLO v5n算法,参数量和浮点运算量分别下降31%和16%,精度值提升了0.2%,召回率值提升了1.7%,mAP@0.5:0.95值提升5.9%。可以为各类复杂场景的着装规范性检测提供可行的技术参考。