摘要：针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进yolov8n的柑橘识别模型yolov8-MEIn。首先,该研究设计了ME卷积模块并使用它改进yolov8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,yolov8-MEIn模型交并比阈值为0.5的平均精度均值mAP_(0.5)值为96.9%,召回率为91.7%,交并比阈值为_(0.5~0.95)的平均精度均值mAP_(0.5~0.95)值为85.8%,模型大小为5.8 MB,参数量为2.87 M。与原模型yolov8n相比,mAP_(0.5)值、召回率、mAP_(0.5~0.95)值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。

摘要：针对PCB缺陷检测无法兼顾检测精度与模型体积的问题,提出一种基于轻量级yolov8n网络的PCB缺陷检测算法。首先,删除大目标检测层,新增小目标检测层并调整网络结构,使模型轻量化并提高检测精度。其次,将C2f模块结合GhostConv与DWConv设计出C2f-GhostD模块替换C2f模块,减少模型计算成本。然后,将PConv融入Detect模块中,设计出POne-Detect模块并应用于检测网络,精简网络结构。最后,在颈部网络添加SimAM注意力机制,提高信息捕获能力。实验结果表明,在PCB数据集中,该算法相较于yolov8n,参数量下降78.7%,模型体积减小73.7%,mAP0.5提升至98.6%,满足模型硬件部署需求。

摘要：针对现有的印刷电路板(PCB)缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出yolov8n-4SCDP缺陷检测算法。首先,在yolov8n颈部网络增加上采样,融合Backbone中浅层语义信息,同时增加微小目标检测层降低PCB小目标缺陷漏检率;其次,在Backbone中融入坐标注意力(CA)机制,强化特征语义和位置信息,提高了模型特征融合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模型收敛速度和回归精度。实验结果表明,yolov8n-4SCDP算法的整体缺陷的平均精度均值(mAP)达到95.8%,检测帧率达到了65fps。有效改善yolov8n对于PCB小目标缺陷漏检率高、检测精度低等问题。

摘要：针对带钢表面缺陷种类多样、特征不明显,导致漏检和错检等问题,提出一种改进yolov8n的带钢表面缺陷检测方法。首先,为适应较小尺寸目标,增加P2检测层来识别各类缺陷,减少漏检率,以及设计一种高效的PConv检测头,维持推理速度;其次,采取将yolov8n颈部中的C2f模块和可变形卷积DCnv2融合的方式,增强模型特征提取能力;此外,在骨干网络输出层引入大动态选择性模块LSKnet,来扩大模型的感受野并提高目标检测的准确性;最后,选择SIoU损失函数替换CIoU损失函数,增强网络收敛效果,从而提高识别精度。改进后yolov8n方法在CSU_STEEL数据集上测试,实验结果表明,平均精度均值(mAP)mAP@0.5比原模型提高8.6%,达到82.3%,体积只增加0.5 MB。改进后的方法对带钢表面缺陷有更好检测结果,可为带钢缺陷检测方法的研究提供参考意义。

摘要：针对室内环境下障碍物尺寸不一和场景变化多样导致的yolov8n目标检测算法精度低和检测速度慢的问题,文章提出了1种改进Tiny-YOLO算法(以下简称“Tiny-YOLO算法”)。该算法使用部分卷积(PConv)方法设计了轻量化模块C2f_PConv以替换主干网络中的C2f模块,有效降低了网络参数;引入EMA增强了网络的特征融合能力,同时提高了检测精度。经COCO2017Indoors障碍物数据集验证,Tiny-YOLO算法拥有比yolov8n更高的性能,对于室内障碍物识别具有一定的有效性。

摘要：针对复杂场景下道路病害检测模型占用内存空间大、计算复杂度高和检测速度难以满足实时目标检测要求等问题,提出一种面向复杂自然场景的轻量级道路病害检测模型DGE-YOLO-P。将网络中的C2f融合可变形卷积设计C2f_DCnv3模块增强对物体形变的建模能力,并对输入特征信息进行降维处理,有效降低模型参数量和计算复杂度。设计GS-Decoupled head检测模块,降低检测头参数的同时实现全局信息的有效聚合。同时,设计E-Slide Loss权重函数,为困难样本分配更高权重,充分学习道路病害中的难样本数据,进一步提高模型检测精度。采用通道剪枝减少模型冗余通道,有效压缩模型体积并提高检测速度。实验结果表明,DGE-YOLO-P模型相较于yolov8n模型mAP提高2.4个百分点,而模型参数量、计算量和模型大小分别降低58.1%、66.7%和55.5%。检测速度FPS由34帧/s提高到51帧/s。