共查询到20条相似文献,搜索用时 46 毫秒
1.
2.
为解决在自然环境中人工检测害虫精度低、速度慢的问题,提出了一种基于注意力机制与YOLOv5s的轻量化目标检测算法.首先,使用Ghost卷积替换YOLOv5s中的普通卷积,得到轻量化的主干特征提取网络.其次,在YOLOv5s中加入加权双向特征融合机制,从而实现高效的双向交叉连接和多尺度特征融合.最后,在主干网络中加入坐标注意力机制,从而增强网络模型对位置信息的关注.与原YOLOv5s算法相比,新算法在IP102农作物害虫检测数据集上的平均精度均值提升了2.1%,模型参数量和计算量分别减少了44.6%和44.3%,检测速度为64.8FPs.实验结果表明,基于注意力机制与YOLOv5s的轻量化目标检测算法不仅提升了农作物害虫检测精度,而且显著降低了模型参数量和计算量,能够满足农作物害虫检测的应用需求. 相似文献
3.
由于新型冠状病毒肺炎的爆发,口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩,提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activate or not, CA-A)提升网络的特征提取能力,解决了错误检测和漏检的问题。以新的损失函数AD-CIoU代替CIoU损失函数,作为回归损失函数,提升了边界框的定位精确度。实验表明,与原始模型算法相比,所提出的模型算法平均精度mAP值达到96.1%,提升了1.7%,具有较好的检测精度,可以满足目标检测应用需求。 相似文献
4.
在矿井生产中,作业环境复杂,安全生产风险较大,而传统的人工安全状态检测存在效率较低、漏检率较高等问题.因此,本文提出了基于卷积神经网络的下井人员安全状态快速检测方法.其间使用YOLOv3网络进行安全帽、工作服、工作鞋的多类别目标识别.试验表明,相比于传统人工检测方法,此算法具备更高的检测效率.在试验中,平均精度均值(m... 相似文献
5.
由于金属产品生产过程中各种因素的影响,金属工件可能会存在一些表面缺陷.这会降低材料强度,缩短工件寿命,并且增加安全风险.因此,需要对金属产品表面进行质量检测,这也是保证工业生产质量的关键环节.与传统人工检测相比,基于机器视觉的表面缺陷检测方法具有速度快、精度高等优点.提出了一种改进的YOLOv5算法,用于金属表面缺陷检测研究,在原YOLOv5算法的基础上将空间金字塔池化结构SPP替换成SPPCSPC,提高模型对金属表面缺陷的检测能力.为了验证算法的有效性,分别采用YOLOv3,YOLOv4,YOLOv5及改进的YOLOv5算法对1 800张金属表面缺陷样本图像进行对比测试.结果表明,与YOLOv3,YOLOv4,YOLOv5原算法相比,改进的YOLOv5算法平均目标检测精度均值分别提高了4.3%,3.3%,2%.通过大量图片的学习,可以获得更好的精确率. 相似文献
6.
【目的】针对目标检测算法在车辆检测领域中应用时存在模型复杂、检测精度较低的问题,基于改进YOLOv5s算法开展车辆检测研究。【方法】以Ghost模块来替换YOLOv5s中的主干网络,以达到模型剪枝的目的,改进后的网络模型复杂度有所降低,从而解决了网络模型较大的问题。同时,可引入挤压—激励注意力机制来提取更重要的特征信息,达到提高检测精度的目的。本研究所用到的数据集均为汽车图像,车辆检测数据集共有12 786张图片,将该数据集按照8∶1∶1的比例进行划分。其中,训练集为10 228张,测试集和验证集均为1 279张,采用对比试验法进行研究。【结果】试验结果表明,与原有的YOLOv5s相比,改进后的网络模型在车辆检测数据集上的平均准确率均值提升3%,查准率和召回率分别提升1.9%和3.2%,模型大小下降42%。【结论】改进后的网络模型有效降低了模型的复杂度,提高了检测精度,并节约成本。 相似文献
7.
针对指针式仪表自动检测和读取示数时背景环境复杂、目标检测性能不足和读取示数误差大等问题,提出了一种基于CBAM-YOLOv3的指针式仪表自动检测和读数的方法。在YOLOv3(You Only Look Once-v3)基础上,引入注意力机制模块CBAM(Convolutional block attention module),通过检测提取表盘区域,根据边界框位置信息剔除绝大部分背景。利用霍夫变换确定指针和表盘位置,采用模板匹配法寻找刻度起始点。以表盘中心为原点建立直角坐标系,根据指针和刻度间的角度关系读取示数。实验结果表明:仪表自动检测精度达到了99.72%,读数平均相对误差为0.44%。该算法具有较高的检测精度和较低的读数误差。 相似文献
8.
要:提出一种基于掩码区域卷积神经网络的文本检测模型。首先从扩大模型感受野并尽可能保持模型效率的角度出发,针对残差神经网络中的瓶颈结构进行优化,构建基于结构优化的残差神经网络(residual network based on structural optimization, ResNetSO);然后去除冗余特征以提高融合后特征质量,并将空间注意力机制应用于特征金字塔网络,构建了基于下层特征指导的特征金字塔网络(feature pyramid network based on lower feature guidance,FPNetLFG)。在两个公开数据集上的实验结果表明:包含ResNetSO和FPNetLFG两个模块的模型应用在级联区域卷积神经网络、递归特征金字塔和可切换空洞卷积的目标检测模型中,分别可以带来0.8%和0.3%左右的F1值提升,从而说明了该方法的有效性和普遍适用性。 相似文献
9.
10.
11.
目前对路面裂缝的检测效率低下且费用昂贵。针对这一问题,提出一种改进YOLOv4的路面裂缝目标检测模型。首先,将MobileNetv2作为主干网络并将其他普通卷积用深度可分离卷积代替;其次,将坐标注意力机制与空间注意力机制分别植入Backbone和Neck部分。试验结果表明:改进模型在进一步提升了对路面裂缝检测精度的同时检测速度大幅度提升,FPS可达到61.48帧/s,同时mPA达到了67.26%,比原模型有较大提升。 相似文献
12.
在基于深度学习的行人重识别算法中,通道特征易被忽视而导致模型表达能力降低。为此,以ResNeSt50为骨干网络,借鉴SENet通道注意力特点在残差块末尾接入SE block,增强网络对通道特征的提取能力;针对ReLU函数因缺少控制因子而限制不同通道特征图对激活值的准确响应问题,引入一个动态学习因子来丰富通道特征权重信息,以形成新的加权激活函数Weighted ReLU(WReLU);基于分组卷积特征图局部而设计新的激活函数Leaky Weighted ReLU(LWReLU),有效提高不同位置的深度特征表达能力;在Split-Attention和SE block中应用LWReLU,改善Split-Attention对各组特征图的权重学习能力;利用circle loss改进损失函数,优化目标收敛过程,从而提高模型精度。实验结果表明:在CUHK03-NP、Market1501和DukeMTMC-ReID数据集上,所提方法的Rank-1比原骨干网络分别提高了19.08%、0.98%、2.02%,且其m AP比原骨干网络分别提高了17.13%、2.11%、2.56%。 相似文献
13.
14.
目前,甘蔗种植耗时长、劳动强度大,人们需要提高种植过程的机械化和智能化水平,而YOLOv3算法可以为机械数据采集和实时处理提供有力支持,因此有必要基于YOLOv3对甘蔗茎节实时动态识别与机械臂轨迹仿真进行研究.本文通过提取甘蔗茎节信息和构建YOLOv3网络结构对甘蔗茎节进行实时动态识别,提高识别效率和精确度;通过建立机... 相似文献
15.
为改进稀疏集目标检测方法存在的特征图缺乏空间细节信息、目标特征没有做到全局上下文实例交互、全局语义信息没有得到充分学习等问题,设计了一种结合自适应特征增强和实例特征交互的稀疏集目标检测算法。自适应特征增强模块在特征提取过程中利用不同尺度的池化和卷积来丰富高级语义信息,减小低级语义信息背景噪声的干扰,降低目标错检率和漏检率。实例特征交互模块在边界框回归设计中结合transformer的多层注意力,并融合通道注意力和动态卷积网络对建议框的通道信息进行增强,改善了目标的边缘信息,提高了网络的实例特征交互效率。最后在COCO2017数据集与原始网络进行实验对比,平均精度提升了4.2%,其中在大目标上提升了4.6%,在PASCAL VOC数据集上提升了2.7%。 相似文献
16.
为了实现对遥感图像目标检测,对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法,搭建辅助网络,使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起,采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证,以准确率等评价指标来评价改进网络的性能。实验结果表明,检测的能力在改进后有着明显的提升,比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。 相似文献
17.
为了实现对遥感图像目标检测,对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法,搭建辅助网络,使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起,采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证,以准确率等评价指标来评价改进网络的性能。实验结果表明,检测的能力在改进后有着明显的提升,比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。 相似文献
18.
本文提出多组耦合字典及其交替学习算法,实现图像超分辨率重建. 在字典学习阶段将训练图像视为高分辨率图像,将它先缩小再放大得到低分辨率图像. 两图像之差为残差图像. 从残差图像块和低分辨率图像块特征的联合数据中学习耦合字典,得到残差图像和低分辨率图像间的映射关系. 针对图像块具有不同纹理和结构以及
字典学习效率的问题,提出多组耦合字典和字典交替学习算法. 在重建阶段先将输入图像插值放大,视为低分辨率图像. 求出低分辨率图像块对于每组耦合字典中低分辨率部分的稀疏表示误差,取表示误差最小的耦合字典中残差部分重建残差图像,与低分辨率图像融合得到高分辨率图像. 实验结果表明该方法具有良好的重建效果. 相似文献