摘要：为了实现对电力输电线路中绝缘子缺陷实时快速的巡检需求,提出了一种结合fasternet-tiny和YOLOv5-s-v6.1网络模型改进的缺陷快速检测算法fasternet-YOLOv5。首先引入参数量小推理速度更快的fasternet网络替换原先的CSPDarkNet53主干网络,加快网络的检测速度。然后结合由GhostNetv2网络提出的解耦全连接注意力机制(decoupled fully connected,DFC),在主干特征提取网络中设计了DFC-fasternet模块,模块中的DFC Attention机制可以在特征提取过程中增大感受野,提升网络的检测精度。最后针对玻璃绝缘子自爆缺陷目标较小和背景较复杂的情况,重新设计Neck模块,提出BiFPN-F特征融合模块,使网络更精确地定位绝缘子缺陷区域。实验结果表明:改进后的算法可以快速精准定位,其均值平均精度(mean average precision,mAP)达到93.3%,相较于改进前提升5.67%,检测速度达到45.7 Hz,较改进前提升近1倍。同时与最新的YOLOv8n和YOLOv7-tiny相比,改进后的fasternet-YOLOv5在自爆缺陷上的检测精度和速度更具优势,该文所提算法能够更快速地对绝缘子及其自爆缺陷实时定位识别。

摘要：[目的]高效识别自动化生产过程中存在蛋壳瑕疵的鸡蛋。[方法]设计了一种融合fasternet模块与YOLOv5s的鸡蛋外观检测模型FC-YOLOv5。该模型使用Kmeans++算法对数据集重新聚类,优化先验框;将C3结构中的Bottleneck模块替换为fasternetBlock模块,减少模型参数量,同时提高模型检测精度;采用Soft-NMS算法作为非极大值抑制算法,提高重叠特征的检测效果;引入CBAM注意力机制,增加网络模型对重要特征的提取能力。[结果]与YOLOv5原模型相比,改进后的FC-YOLOv5模型在mAP@0.5和mAP@0.5:0.95上分别提高了3.2%和5.2%,计算量和参数量分别减少了19.6%和16.9%,且与YOLOv7-tiny和YOLOv8模型相比有显著优势。[结论]试验方法在鸡蛋外观检测场景下可提高检测精度并降低参数量,达到鸡蛋自动化生产中的次品蛋识别目的。

摘要：针对当前钢材表面缺陷检测存在效率低和精度差等问题,以及现有缺陷检测模型结构复杂、参数量庞大、检测精度和实时性较差的挑战,基于YOLOv8s模型,提出一种轻量高效的钢材缺陷检测算法(FMG-YOLOv8s)。该方法采用轻量级的fasternet网络作为骨干网络,降低模型复杂度并更好地处理多尺度特征信息,以提升检测性能;重构特征交互模块(M-C2f),有效保留空间和通道特征,抑制冗余信息,促进检测精度和速度的提升;设计GS-Detect模块作为整体模型的检测网络,降低模型复杂度,提升训练和推理速度。在Severstal钢材缺陷数据集进行实验验证,相较于YOLOv8s算法,FMG-YOLOv8算法的mAP提升3.3个百分点,参数量和计算量分别降低8.2×10^(6)和2.21×10^(10),检测速度达到250帧/s,召回率提升6.9个百分点。实验结果表明,该算法在检测精度、速度和轻量化方面取得更好的平衡,为边缘终端设备提供较高精度、轻量化和实时性的可靠参考。在NEU-DET缺陷数据集上进行泛化性验证,相较于原模型,mAP和检测速度分别提升3.1个百分点和185帧/s,结果显示该算法具备良好的鲁棒性。

摘要：针对行人检测时存在遮挡、人群密集、背景复杂、模型的参数量和浮点计算量大的问题,提出了基于改进YOLOv5的轻量化行人检测方法。首先,采用AFPN替换由FPN和PAN组成的特征融合网络结构;其次,使用Ghost卷积替换普通卷积;然后,结合fasternet设计一个C3Faster模块并用来替换网络中原本的C3模块;最后,结合Alpha-IOU和EIOU损失函数,设计了一个α-EIOU损失函数。通过在行人检测数据集WiderPerson上的结果表明,相较于原始的YOLOv5算法,改进后的算法在参数量和浮点计算量分别下降32.8%和32.1%的基础上,mAP0.5提高了1.4%,FPS也达到了96。

摘要：针对现有的口罩佩戴检测模型无法较好平衡检测精度与速度,参数量较大,漏检和误检率高等问题,提出了一种轻量级的口罩佩戴检测算法FLM-YOLOv8。使用轻量级fasternet替换YOLOv8n的主干特征提取网络,提升网络检测速度;融合fasternet Block改进C2f模块,降低模型计算复杂度;提出SPPF-LSKA结构,增强模型的特征表达能力和感知能力,提高网络检测精度;设计Inner-MPDIoU边界框回归损失函数,提高回归预测精度,加快收敛速度。创建标注了一个复杂多元场景下的口罩佩戴数据集,并使用马赛克数据增强,以提高网络泛化能力。实验结果表明,该算法在正确佩戴口罩、未正确佩戴口罩和未佩戴口罩目标上的mAP@0.5达到了91.3%,FPS达到了143.6,实现了更加实时准确的口罩佩戴检测。

摘要：六自由度(six degrees of freedom,6D)姿态估计是机器人抓取与操作、增强现实、自动驾驶等应用中的关键步骤。常规的6D姿态估计方法更多地侧重于设计复杂的网络来提高估计效果,而忽略了由于模型复杂度过高和参数数量庞大导致的实际部署困难问题。以FFB6D为基线,尝试设计了一个轻量级全流双向融合网络(lightweight full-flow bidirectional fusion network,LFFB6D),一种基于RGBD的轻量级6D姿态估计方法。该方法由卷积神经网络(convolutional neural network,CNN)与点云网络(point cloud network,PCN)两个并行的编码-解码网络组成。具体来说在CNN部分,引入fasternet来代替3×3卷积。通过更换CNN的编码网络,提出了一个上采样模块FUPB(faster upsample block),以减少网络参数。在PCN部分,引入PoolFormer来处理和聚合点云特征。提出了一个新的池化模块PFPB(PoolFormer pooling block),以提高网络的性能。实验表明,LFFB6D的参数量相较FFB6D减少了46%。在仅使用1/13的LineMOD训练集和1/9的YCB-Video训练集的情况下,LFFB6D的6D姿态估计结果超越了PoseCNN、DenseFusion等方法,达到了与PVN3D和FFB6D相近的结果。

摘要：苹果叶片病害检测对苹果生产至关重要,为达到理想的检测精度,对YOLOV5s算法进行改进。使用fasternet网络替换YOLOV5模型中的Backbone部分,使模型轻量化的同时具有较好的精确度。fasternet具有4个fasternetBlock,将特征提取层定为第2、3两个fasternetBlock,在保证模型轻量化的同时提升模型的预测精度。改进后的模型在苹果叶片数据集进行测试,mAP达到93.1%。结果表明,该文设计的模型在苹果叶片病害检测效果上对比YOLOV5有明显提升,与当前主流算法相比,具有一定的先进性。