摘要：针对目前路面缺陷检测精度不高的问题,基于目前综合性能较强的yolov7模型进行改进,提出了融合卷积注意力模块的CBAM-yolov7模型。该模型通过重参数化、高效聚合、辅助训练等模块来加快模型的收敛过程,还通过融合卷积注意力机制来提升模型的检测精度。面向路面缺陷多分类问题,在公开数据集上分别使用Faster R-CNN、yolov6、yolov7、CBAM-yolov7模型进行实验验证分析,利用mAP值、F1值、FPS值作为模型的精度与效率评价指标。实验结果显示:融合CBAM-yolov7的路面缺陷检测结果的mAP值和F1值分别能达到83.75%和67.8%,FPS值能达到51.22 Hz,相较于其他模型均有明显提高。

摘要：目的设计一种基于改进yolov7模型的肺结节检测算法。方法首先,在PAFPN结构中,引入轻量化上采样算子CARAFE,以提高肺结节检测精度。然后添加一个增强型小尺度检测层,增强对于小目标肺结节的检测性能,同时可减少训练的参数量,并降低模型复杂程度。在保证各项参数指标不变的情况下,对yolov5原模型算法和添加增强型小尺度检测层的yolov5模型算法、yolov7原模型算法和改进后yolov7模型算法进行消融实验;对改进点训练集总损失进行比较;用yolov7原模型算法和改进后yolov7模型算法对2张测试集图片进行推理,将其与近年来其他经典的肺结节检测算法Mask R-CNN、yolov3、yolov5s和yolov7对2张测试集图片进行比较。结果添加增强型小尺度检测层的yolov5模型算法精度比yolov5原模型算法提升了1.3%,召回率提高了3.5%,平均精度(mAP)上升了3.1%,参数量减少了25.3%,网络的复杂程度也有所减少。改进后yolov7模型算法mAP提高1.8%,参数量减少28.3%,模型复杂程度下降5 G。添加增强型小尺度检测层与替换特诊融合网络为轻量化上采样算子CARAFE算法在训练过程中的总损失最小。yolov7原模型算法精度较高,但是仍然出现了漏检与假阳性的情况,与预测图片1比较,yolov7原模型出现了漏检的情况;与预测图片2比较,yolov7原模型出现了假阳性的情况。而改进后yolov7模型对漏检情况和假阳性均得到了很好的改善;与经典模型算法比较,改进后yolov7模型算法的精度、召回率和mAP最高,分别为91.7%、89.1%、93.5%。结论改进yolov7模型具有更强的特征表达能力,参数量更少,能够有效提高肺结节的检测精度。

摘要：针对通用目标检测领域在自动提取特征的过程中会提取错误的目标检测区域信息,本文以yolov7模型作为基线模型进行改进,有效地提高检测精度。首先,在yolov7模型的主干网络中引入改进的注意力机制,在上采样模块中采用双三次插值,以增强浅层和深层的特征融合效果,减少区域信息丢失;其次,通过设计动态IOU阈值实现动态非极大值抑制,解决固定阈值导致检测边界框冗余的问题,提升准确性;最后,采用剪枝算法对网络模型进行轻量化处理,并使用深度可分离卷积替换原始卷积。实验结果显示,本文模型在数据集上的准确率、F1值和召回率均高于其他模型,说明本文建立的基于yolov7模型改进的通用目标检测算法的有效性。