摘要：缺陷检测是重要的质量保障手段,为了避免错检、漏检情况的发生,提高检测的准确率,提出了一种基于改进yolov7的PCB裸板缺陷检测算法。在原有Conv_BN_SiLU模块的基础上引入了SE_block注意力机制激励网络关注更需要关注的信息通道,同时利用更容易增强激活空间灵敏度且能显著改善图像视觉的FReLU激活函数替换原有的SiLU激活函数,设计出了新的Conv_BN_SE_FReLU模块。在特征融合网络中增加了更多的特征融合通路,不仅加入了浅层stage2的特征图丰富图像的细节信息,还将stage3、stage4和stage5直接与P3、P4和P5层相连以减少融合过程中信息的损耗。实验结果表明,在保证训练条件一定的情况下,改进后的yolov7的mAP值达到95.89%,F1因子达到95.32%,相较于原始模型分别提高了3.36%和3.91%,在提高了检测精度的同时,验证了空间特征提取、浅层特征信息、多信息融合通道以及注意力机制在小目标识别上的优势。

摘要：广角监控图像中人员目标检测对于码头智能安防具有重要意义。针对传统yolov7算法在码头广角监控图像识别中,存在小目标特征提取能力弱、人员检测准确率低等问题,研究了基于改进yolov7的码头作业人员检测算法。为提升人员目标多尺度特征的检测性能及鲁棒性,设计了平衡码头人员分类与定位任务的上下文解耦(task-specific context decoupling,TSCODE)结构并联合聚集-分发机制(gather-and-distribute,GD),增强网络多尺度特征融合能力;为增强网络对作业人员等小目标的特征提取能力,在主干网络末端引入了基于双层路由注意力机制(bi-level routing attention,BRA)的视觉transformer模型(BRA-ViT),捕捉小目标人员的位置、方向与跨通道等信息;为提升检测速度并保持检测精度,提出了基于slim-neck的颈部层网络轻量化方法,降低参数量与计算量;为降低漏检率与误检率,引入了基于最小点距离的交并比损失函数(minimum-point-distance-based intersection over union,MPDIoU)计算边界框的坐标预测损失,提升边界框回归的准确性与计算效率。为验证算法效果,采集白天、夜晚不同时段下码头前沿、堆场、卡口等场景的广角监控图像,构造标注数据集并设计消融与对比实验。实验结果显示:所提算法对码头作业人员检测的平均准确率为90.6%,平均检测速度为39 fps;与Faster R-CNN、SSD、yolov3、yolov5、yolov7、yolov8等算法相比,其平均准确率分别提升了13.8%、15.8%、8.5%、5.2%、2.7%和3.5%,平均检测速度与基准yolov7算法性能相当。所提算法对码头作业人员识别具有较高的检测精度与检测速度,满足码头安防场景中作业人员检测准确性与实时性的要求。

摘要：为了解决SAR图像舰船目标检测的现有主流算法中图像模糊、缺乏纹理特征而导致的目标检测精度低和小目标检测难度大等问题,同时考虑不引入过多参数量以免影响网络实时性,提出了一种基于坐标注意力机制和NWD度量的改进yolov7的SAR图像舰船目标检测方法。首先,该方法在坐标注意力机制中引入了最大池化和残差结构,以提高模型特征提取能力;其次,将密集连接和轻量化卷积相结合,设计了SPPCSPC-P模块,以增强特征间的融合;另外,在主干网络中增加了小目标检测层,以改善模型对小目标检测精度低的问题;最后,利用NWD度量和CIoU损失设计了加权定位损失函数,进一步提高了模型检测精度。利用SSDD数据集进行实验,实验结果表明,所提方法的平均精度达到了98.38%,高于yolov7网络2.09个百分点。

摘要：【目的】为实现自然环境下草莓及其成熟度的高效准确检测,设计了一款改进的yolov7的草莓成熟度检测模型。【方法】模型采用yolov7作为基础网络对草莓成熟度进行检测。首先,使用PConv卷积替换原Head部分的3×3卷积以提高检测速度。其次,在部分特征层添加CBAM注意力机制提高模型关注重要信息的能力;再将原本上采样中简单的双线性插值算子替换为CARAFE,增加模型对草莓果实细节的感知能力。最后,利用迁移学习实现草莓数据集的训练和微调。【结果】改进前的模型mAP50为85.6%,改进后的模型mAP50为87.7%,参数量从原来的9.14×10^(6)下降为7.32×10^(6),GFLOPs下降为19.8,提高了检测速度。【结论】改进后的模型在草莓及其成熟度的检测中具有更高的检测精度和速度,可以在实际应用场景中实现草莓果实的生长监测。

摘要：针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高、检测速度慢等问题,在yolov7框架下提出改进的yolov7目标检测算法。首先在数据集建立方面采用的数据集包括Bilkent University公开的数据集和部分自建数据集,共计9 621张图片,并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性;其次对backbone部分,引入GhostNetV2模块,降低参数量的同时,增加模型检测的准确性,并且在neck部分,引入Slim范式,使用一次性聚合方法来设计跨级部分网络VoV-GSCSP模块。VoV-GSCSP模块降低了计算量和网络结构的复杂性,并保持了足够的精度;最后引入解耦头,增加模型的收敛速度,并且进一步提高网络模型的准确性。总体改进后的网络模型参数量降低了约3.4 MB,mAP@0.5提高了2.4%,并且检测速度也得到提升,满足火焰烟雾实时性的需求。

摘要：为了实现轮胎缺陷的自动检测,提高轮胎缺陷检测的精度,提出了一种子午线轮胎缺陷检测方法(yolov7-DCA)。首先,基于协调注意力和空洞卷积设计了DCA-MP(dilated coordinated attention-max pooling)模块,加强下采样的感受野,同时提高缺陷所占权重,提高缺陷检测精度;其次,在Neck层中融合了CARAFE(content aware reassembly of features)模块进一步提高缺陷检测精度。实验结果表明,yolov7-DCA模型平均检测精度可以达到97.77%,相比于原YOLO(you only look once)算法提高了3.27%。与当前主流的Faster-RCNN,yolov5,yolov7-tiny系列模型相比,综合表现效果最好。可见,该模型对于轮胎缺陷自动检测研究提供了参考意义。

摘要：针对SAR舰船数据集小物体在图像中像素占比小、物体识别不清、检测效率低等问题,提出一种改进yolov7的SAR舰船目标检测算法STSD-YOLO。首先,根据SAR图像特点,重新设计网络结构,改变多尺度特征融合与特征提取的关系,解决下采样次数过多而丢失细节特征的问题;然后,使用轻量型注意力机制Shuffle Attention,在空间域与通道域注意力机制基础上,融合特征分组与通道置换,提升网络特征提取能力,降低计算复杂度;其次,引入卷积变体DSConv,通过在可变量化内核中仅储存整数来实现减少计算量;最后,加入NWD度量,将边界框建模为2D高斯分布,以衡量小物体的边界框之间的相似性来增强对小物体的检测性能。使用HRSID舰船数据集进行了实验验证,结果表明,相较于基准算法,所提STSD-YOLO算法在舰船检测任务中mAP提升9.9%,模型体积下降62.55%。通过对比实验验证,所提改进算法对比其余主流算法检测效果更优,能有效解决SAR图像检测的问题,可以胜任SAR图像中的舰船检测任务。

摘要：为解决连铸生产过程中铸坯表面缺陷检测准确率低、检测速度慢、模型参数量大难以部署等问题,提出一种融合重参数化和注意力机制的轻量化铸坯表面缺陷检测算法yolov7-TSCR。首先,利用Mish和SiLU激活函数、SimAM注意力机制,构建了改进的高效层聚合模块ELAN-S,以有效增强对多尺度缺陷特征的提取;其次,设计了C2f_RG模块改进特征融合网络,减少参数量的同时获得更丰富的梯度流信息,增强特征融合能力;最后,根据采集实际生产中的缺陷图像,构建铸坯缺陷数据集并进行验证。结果表明:yolov7-TSCR相较其他网络模型检测效果显著提升,在模型参数量减小的情况下,精确率达93.5%,平均精度均值提高了2.8%,检测速度可达120 FPS;在NEU-DET公开数据集上进行的泛化性对比实验证明了算法具有较强的泛化性。改进算法在保证较高检测精度的基础上,具有较快的检测速度和较小的参数量,为铸坯表面缺陷的高效检测提供了技术参考。

摘要：为了实现溴铅铯薄膜表面缺陷的自动检测和提高缺陷检测的精度,提出一种改进的目标检测算法yolov7DBS。首先,在主干网络中设计了DCN-ELAN模块,引入了可变形卷积DCNv3,增强主干网络对复杂形状缺陷特征的提取能力;其次,在颈部网络中引入BiFormer注意力机制,降低背景对于缺陷检测的干扰,提升网络的检测精度;最后,引入了一种具有角度损失的新型损失函数SIoU替代原始损失函数CIoU,以增强预测框与真实框的匹配程度,从而提高缺陷检测的准确性。实验结果表明,提出的yolov7-DBS改进算法相较于yolov7基准模型具有更低的参数量和计算量,分别降低了0.17×10^(6)和3×10^(9),对于杂质和不均匀缺陷的检测准确率分别提高了2%和5%,同时模型的mAP@0.5提高了1.68%。这表明提出的改进模型更适合用于溴铅铯薄膜表面缺陷智能检测。

摘要：钢材表面缺陷检测在实际生产中非常重要。为了准确检测缺陷,设计了一种基于改进的yolov7的钢材表面缺陷检测模型。首先在骨干网络结构中引入Ghost模块,增强模型提取特征和识别小特征的能力,同时降低模型参数量;其次在池化模块中嵌入注意力机制;最后通过引入EIOU改善损失函数,从而更好地优化yolov7网络模型,且可以更好地处理样本的不平衡,从而达到更好的优化相似度。实验结果表明,与原模型相比,所提模型mAP达到76.9%,提高了4.2%。该模型可以满足钢表面缺陷的准确检测和识别需求。