摘要：为了解决现有的目标跟踪算法在煤矿复杂环境下存在精度低和实时性差的问题,基于Tracking by Detection(TBD)范式,提出了YOLO-FasterNet+ByteTrack的煤矿人员跟踪算法。首先,构建FasterNet-Block特征提取模块改进yolov7的Backbone,提升目标检测阶段的实时性;然后,通过在Neck中引入CBAM注意力机制,提升模型在复杂场景下的特征感知能力;接着,在目标检测的解码阶段引入Soft-NMS,优化模型在人员交叠场景下的检测精度;最后,在目标跟踪阶段,针对人员重叠和遮挡导致的目标ID翻转问题,设计了一种融合GRU和卡尔曼滤波的多目标运动特征预测机制,有效提升了煤矿人员跟踪的准确性。实验结果表明:YOLOFasterNet在煤矿人员数据集上相对于yolov7的平均精度提高了3.6%,检测速度提升了8.2FPS;在自定义跟踪数据集GBMOT上,所提目标跟踪算法相对于ByteTrack,MOTA值提升了1.7%,IDSW减少了149次。

摘要：针对产品表面喷漆检测任务,提出了一种基于yolov7改进的喷漆表面缺陷检测算法,旨在提高检测准确性和效率。对yolov7算法进行改进,新增小目标检测层,增强模型对不同尺寸目标的检测能力。通过引入GAM注意力机制,提升模型在特征提取方面的能力。替换原有损失函数为SIoU损失函数,不仅能加速模型的收敛过程,还能有效提高其整体精度。实验结果显示,改进后的算法平均精度能达到92.84%,比yolov7算法提升5.4%,能够为喷漆表面缺陷检测提供帮助。

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：为了提高计算机识别检测车辆的准确度与速度,提出了一种基于改进yolov7-Tiny的车辆检测算法。在众多目标检测模型中,yolov7有着非常快的检测速度和较高的检测精度,非常适用于实时检测任务。在原yolov7-Tiny模型的基础上进行改进,将最浅层ELAN-T模块纳入特征金字塔,通过跳跃连接的方式将浅层特征与深层特征跨层融合,使输出的特征信息更加丰富。同时引入SE注意力机制,将计算资源分配给对当前任务更为关键的信息。并且更换了非线性激活函数HardSwish,以提高模型的表达能力。在华为发布的2D自动驾驶数据集SODA10M上进行实验,结果表明,改进后的模型对所有四种目标的检测精度都有所提高,平均精度mAP@0.5达到了66.1%,比原yolov7-Tiny模型61.0%提升了5.1%。

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：随着经济的发展和人口密度的增加,公共场所的人群管理和踩踏问题日益凸显。文中提出了一种基于Deep⁃Sort和yolov7的人流量监测防踩踏系统,旨在实现人群流量的准确、实时统计及预警,为公共安全提供保障。该系统利用yolov7实时目标检测算法,从视频或图像中快速准确地识别出行人目标,并采用DeepSort目标跟踪算法,对检测到的行人目标进行稳定跟踪,以实现连续、准确的人群流量统计。通过DeepSort和yolov7的协同工作,该系统能实时处理视频数据,生成详细的人流量统计报表和可视化图表,为管理者提供直观、全面的数据支持。同时,系统还具备异常预警功能,当监测到人群密度超过预设阈值时,能自动触发警报,协助相关部门迅速采取疏散措施,有效防止踩踏事件的发生。

摘要：黄花菜是极具营养价值和经济效益的一种农作物,深受人们喜爱。目前黄花菜采摘大都是人工采摘,采摘效率低、人工成本较高,在设计黄花菜自动采摘机器人的过程中,复杂环境下黄花菜的目标识别是实现智能化采摘的核心问题。该研究建立了包含12000幅黄花菜样本的数据库,比较了You Only Look Once(yolov7)、Faster Region Convolutional Neural Networks(Faster R-CNN)和Single Shot MultiBox Detector(SSD)三种模型的检测效果,提出一种基于改进yolov7目标检测算法的复杂环境下黄花菜识别的yolov7-MOCA模型,使用MobileOne网络作为主干特征提取网络,构建了一种轻量化网络模型,并在颈部网络中融合Coordinate Attention注意力机制改善对样本的检测效果。试验结果表明,yolov7-MOCA模型检测准确率为96.1%,召回率为96.6%,F1值为0.96,权重为10 MB,帧速率为58帧/s。较yolov7检测速度提高了26.1%,权重减少了86.7%,该研究所提出的yolov7-MOCA模型检测准确率等参数均大幅提升。该模型可以实现黄花菜的快速识别,模型权重小,识别速度快,为黄花菜智能化采摘设备研究提供技术支撑。

摘要：船舶检测在内河航运管理中至关重要,在复杂的水面条件下,船舶检测很难兼顾准确性和实时性。针对这个问题,提出了一种改进yolov7的船舶实时检测方法yolov7-F。yolov7-F将GhostNet引入骨干网络进行特征提取,再将分布移位卷积引入特征融合网络,实现了模型轻量化。在特征融合网络中引入注意力机制,弥补模型轻量化带来的精度损失。损失函数也进行相应改进,使检测模型更适用于船舶数据集。HPRship数据集的实验结果表明,与传统yolov7检测模型相比,计算量减少了38.8×10^(9),模型参数量减少了5.7×10^(6),检测精度mAP0.5提升了0.7%,为98.80%。yolov7-F在轻量化和检测精度之间取得了良好的平衡,能够准确实时地完成船舶检测任务,适合部署到存储和计算有限的小型设备上。

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：隔离刀闸状态的自动识别是冰期输电线路智能融冰倒闸操作中的关键环节。针对恶劣天气条件下,传统图像识别方法在识别融冰刀闸时精度较低的问题,提出了一种基于改进yolov7的融冰刀闸状态识别方法。在yolov7网络中引入自注意力机制(self-attention,S-A)模块,以增强网络在低对比度图像中的全局特征提取能力。同时对网络中的SPPCSPC模块进行改进,引入空洞空间金字塔池化技术(atrous spatial pyramid pooling,ASPP),提高对搭接刀闸等此类大目标的识别能力。根据搭接刀闸的特殊结构、大小和位置,在损失函数中添加约束项,增强对刀闸识别的针对性。最后,设计了一个M-MBO加速网络,利用多分支架构在推理时简化模型,提高模型识别速度。实验结果表明,在保证识别速度的同时,改进的yolov7模型mAP值可达97.9%,相比改进前的方法平均精度均值提高了2.5个百分点,验证了该方法的有效性。