摘要：针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题。提出了一种水下底栖生物轻量化检测算法yolov7-RFPCW。对yolov7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积。设计了P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性。试验结果显示,改进后的模型yolov7-RFPCW的参数量和计算量分别减少了75.9%和30.7%,模型体积减小了75.3%,精度提升了1.9个百分点。这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务。

摘要：针对目前无法同时对随机多列排布干制哈密大枣进行快速缺陷检测和统计计数问题,该研究设计了一款干制哈密大枣在线检测与计数系统。以干制哈密大枣为研究对象,利用工业相机拍摄传送带上随机排列的多类别缺陷干制哈密大枣视频为数据源,采用改进的yolov7模型进行干制哈密大枣多类别缺陷检测并将检测结果作为后续多目标跟踪算法的输入;考虑到传送带上干制哈密大枣的外观相似性高以及排列密集等特点,该研究结合ByteTrack多目标跟踪算法的思想,设计了一种多类别干制哈密大枣的画线计数方法,实现了随机排布多类别干制哈密大枣的缺陷检测、准确定位及计数。试验结果表明:1)改进的yolov7模型浮点计算量为64.6 G,在干制哈密大枣目标检测数据的测试集上的平均检测精度、召回率、F_(1)平衡分数分别达到了98.03%、93.43%和95.00%,相比yolov7模型分别提高了4.40、6.88和7.00个百分点,浮点计算量下降了38.6%;2)基于改进yolov7为目标检测器开发的ByteTrack算法计数模型对干制哈密大枣计数的准确率为90.12%。该研究可为干制哈密大枣检测计数和分选分级提供技术支持。

摘要：针对无人机在航拍过程中容易受到恶劣环境的影响,导致航拍图像出现辨识度低、被障碍物遮挡、特征严重丢失等问题,提出了一种改进yolov7的无人机视角下复杂环境的目标检测算法(SSG-yolov7)。首先从VisDrone2019数据集和RSOD数据集中分别抽取图片进行五种环境的模拟,将VisDrone数据集扩充至12803张,RSOD数据集扩充至1320张。其次,聚类出更适合数据集的锚框尺寸。接着将3D无参注意力机制SimAM引入主干网络和特征提取模块中,增加模型的学习能力。然后重构特征提取模块SPPCSPC,融合不同尺寸池化通道提取的信息同时引入轻量级的卷积模块GhostConv,在不增加模型参数量的同时提高算法对密集多尺度目标检测精度。最后使用Soft NMS优化锚框的置信度,减少算法的误检、漏检率。实验结果表明,在复杂环境的检测任务中SSG-yolov7检测效果优良,性能指标VisDrone_mAP@0.5和RSOD_mAP@0.5较yolov7分别提高了10.45%和2.67%。

摘要：针对遥感图像中小目标数量众多且背景复杂所导致的识别精度低的问题,提出了一种改进的遥感图像小目标检测方法。该方法基于改进的yolov7网络模型,将双级路由注意力机制加入至下采样阶段以构建针对小目标的特征提取模块MP-ATT(max pooling-attention),使得模型更加关注小目标的特征,提高小目标检测精度。为了加强对小目标的细节感知能力,使用DCNv3(deformable convolution network v3)替换骨干网络中的二维卷积,以此构建新的层聚合模块ELAN-D。为网络设计新的小目标检测层以获取更精细的特征信息,从而提升模型的鲁棒性。同时使用MPDIoU(minimum point distance based IoU)替换原模型中的CIoU来优化损失函数,以适应遥感图像的尺度变化。实验表明,所提出的方法在DOTA-v1.0数据集上取得了良好效果,准确率、召回率和平均准确率(mean average precision,mAP)相比原模型分别提升了0.4、4.0、2.3个百分点,证明了该方法能够有效提升遥感图像中小目标的检测效果。

摘要：针对水下设备内存和计算能力有限和水下环境复杂造成的目标错检和漏检问题,提出一种轻量级水下目标检测方法 yolov7-SDBB。在yolov7的骨干网络上引入ShuffleNetv2轻量级网络,降低特征提取网络的参数量和计算量;设计了D-ELAN和D-MPConv模块,在进一步实现网络轻量化的同时提高模型检测速度;由于水下检测过程中容易出现错检、漏检的现象,利用BiFPN(bidirectional feature pyramid network)进行多尺度特征融合,融合深层的特征信息;针对BiFPN特征融合导致的特征信息丢失的问题,采用BiFormer注意力机制保留关键信息,提高目标检测精度。实验结果表明,改进后模型在URPC2020数据集上的精度提高了2.7个百分点,参数量和计算量分别下降了20.3%和41.7%,检测速度提升至100.9 FPS,从而验证了提出的算法在精度和速度之间取得了很好的平衡。

摘要：水下目标检测是海洋探测开发过程中一项具有挑战性的任务。针对现有的水下目标检测算法由于水下图像的低可见度和颜色失真等问题导致水下目标检测效果不佳的问题,提出了一种改进yolov7的水下目标检测算法,旨在提升水下目标检测性能。设计了一种多信息流融合注意力机制(spatial group-wise coordinated competi-tive attention,SGCA),解决卷积过程中由于图像全局上下文信息丢失而导致特征丢失的问题,提高了模型在图像模糊情况下的检测精度;并利用switchable atrous convolution(SAConv)模块替换ELAN结构中的3×3卷积模块,以增强骨干网络的特征提取能力。在预测部分采用Wise-IoU作为损失函数,Wise-IoU通过平衡不同质量图像上的模型训练结果,获得更准确的检测结果。采用基于暗通道先验(dark channel prior,DCP)和深度传输图的水下图像增强方法对水下数据集图像进行增强。实验结果表明,改进后的算法在自建的水下目标检测数据集上mAP取得了87.3%,与原始的yolov7算法相比较,mAP提高了3.4个百分点;在增强后的水下图像数据集上的mAP为87.1%,提升了2.1个百分点。因此,提出的策略在水下目标检测任务中具有优越的性能。

摘要：针对遥感图像中目标尺度变化大和背景复杂导致检测精度低的问题,设计了一种改进yolov7目标检测算法。首先,为了缓解复杂背景对检测器的干扰,设计了一个注意力引导的高效层聚合网络(ALAN),以优化多路径网络使其更聚焦前景目标而降低背景的影响;其次,为了降低目标尺度变化大对检测精度的影响,设计了一种注意力多尺度特征增强(AMSFE)模块,用于扩展主干网络输出特征的感受野,以加强网络对尺度变化大目标的特征表征能力;最后,引入旋转边界框损失函数,以获取任意朝向物体的精确位置信息。在DIOR-R数据集上的实验结果表明,该算法mAP达到了64.51%,相比于基线原始yolov7算法提高了3.43%,且优于其他同类算法,能够适应遥感图像中多尺度和复杂背景的目标检测任务。

摘要：盾构隧道强度投影图像中渗漏水尺寸不一致且像素占比偏小,现有目标检测模型的关键特征学习能力较弱,存在渗漏水病害目标检测精度偏低的问题。本文提出了基于CutMix数据增强与多约束损失函数的改进yolov7盾构隧道渗漏水检测方法。首先采用镶嵌CutMix方法对隧道图像进行数据增强,将多张不同的训练样本进行随机裁剪,拼接融合成具有综合特征的新样本;然后以yolov7网络为骨架结构,引入高效通道注意力模块,提高渗漏水关键特征的自主学习与表达能力;最后引入多约束几何条件的损失函数,提高预测框几何形状的精度,从而提升模型预测精度。在光线良好、光线不佳和存在遮挡等复杂环境情况下,选取Fast R-CNN、SSD、yolov5、yolov7这4种算法进行对比,试验表明,本文算法渗漏水检测精度达85.90%,平均精度比同类算法分别提高5.55%、8.89%、3.93%、2.75%,具有较高的稳健性和泛化能力。

摘要：YOLO目标检测算法是当前基于图像的输电线路绝缘子缺陷检测的主流方法,然而现有模型复杂度较大,亟需合理有效的参数压缩方法作为前提条件,来为解决无人机边缘设备部署的困境问题奠定基础;同时,无人机航拍的绝缘子缺陷图像背景复杂、缺陷尺寸较小,容易出现误检、漏检等问题。为此,提出了一种用于输电线路绝缘子多缺陷检测的Insulator Defect Detection-yolov7(IDD-yolov7)模型,以降低模型复杂度,提高模型鲁棒性。首先,在多尺度特征融合的过程中加入坐标注意力(Coordinate Attention)机制,抑制复杂背景的干扰,提升模型对小目标的全局感知能力;之后,设计C3GhostNetV2模块,用于捕获不同空间像素之间的远程依赖性,在增强模型表达能力的同时降低模型的参数量和浮点运算量;最后,提出Focal-CIoU损失函数,提高模型高质量anchor的贡献,加快模型的收敛速度。实验结果表明,本文方法与基线模型相比mAP^(50)提升了3.8%,查准率和召回率分别提升了1.7%和7.6%,参数量和浮点运算量分别下降了18.3%和14.0%,绝缘子自爆、破损、闪络缺陷的AP^(50)分别提升了0.8%、4.5%、6.3%。

摘要：针对yolov7算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标检测精度低的问题,提出一种基于多维注意力机制动态卷积的光学遥感图像舰船目标检测改进算法。首先,通过并行策略设计了融合多维注意力机制动态卷积的高效聚合网络,多维注意力机制动态卷积根据不同维度的特征重要性进行自适应调整,卷积核沿4个维度学习到注意力分布,增强了特征融合网络捕获数据中细粒度特征的能力;其次,针对舰船目标的多尺度差异特点设计多层次超大卷积核层,丰富全局特征描述,提高检测网络的感知能力。在HRSC2016和DOTA两个公共数据集上的实验结果表明,改进后算法的mAP分别达到了93.4%和90.1%,与现有主流先进算法相比取得更优的检测精度,在降低舰船小目标漏检误检率的同时提升了识别能力。