Jun, 2023

轻量级木板缺陷检测方法，结合注意力机制和特征融合网络

PDF
TL;DR提出了一种轻量级木质面板瑕疵检测方法 ——YOLOv5-LW，该方法结合了注意力机制和特征融合网络，并采用多种技术提高检测能力和计算效率，在自主开发的实验数据集上取得了 92.8% 的准确率，减少参数数量 27.78％，压缩计算体积 41.25％，提高检测推理速度 10.16％。
deep learningdefect detectionwood panelfeature fusion networkcomputational efficiency
发现论文，激发创造
  • 利用通道洗牌的深度学习加速金属表面缺陷检测

    基于 YOLOv5 的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

    Jun, 2024

  • 人造革中高性能微细缺陷检测的双特征池目标检测

    基于 YOLOv5 模型的结构问题的分析，设计了四种创新的结构（DFP, IFF, AMP, EOS），提出了高性能的人造皮革细小缺陷检测模型 YOLOD，在人造皮革数据集上表现出色，在 AP_50 方面相比 YOLOv5 提升了 11.7%-13.5% 并且错误检测率降低了 5.2%-7.2%。此外，YOLOD 在一般的 MS-COCO 数据集上也表现出色，在 AP 方面相比 YOLOv5 提升了 0.4%-2.6% 以及在 AP_S 方面相比 YOLOv5 提升了 2.5%-4.1%，展示了在人造皮革缺陷检测和通用目标检测任务方面的卓越性能，使其成为实际应用中高效、有效的模型。

    Jul, 2023

  • 融合注意力特征金字塔网络的焊点缺陷检测中的 YOLO 算法

    为了提高生产制造过程中焊点缺陷检测的准确性和降低计算成本，本研究提出了一种混合关注机制，该机制由增强的多头自注意力和坐标注意力机制组成，能够提高网络感知上下文信息和学习局部特征的能力，从而使焊点缺陷检测的均方平均精度（mAP）达到 91.5%，比其他版本的算法要高。同时，在满足实时检测要求的前提下，也对平均精度、精确率、召回率和帧每秒指标进行了改善。

    Jan, 2024

  • 基于 Transformer 预测头改进 YOLOv5 的计算机视觉损伤检测模型

    提出了一种基于 DenseNet 块和 CBAM 的实时深度学习伤害检测模型，采用先进的自我注意机制实现多尺度目标检测，并减少计算复杂度，结果显示该模型性能优于当前最先进模型，是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。

    Mar, 2023

  • Fostc3net: 一个基于网络结构优化的轻量级 YOLOv5

    本文介绍了一种针对移动设备的增强轻量级 YOLOv5 技术，用于识别与输电线相关的物体。该方法通过引入 C3Ghost 模块和 FasterNet 模块改进了 YOLOv5 的性能，并采用 wIoU v3 LOSS 损失函数解决了数据集中简单和挑战样本的不平衡问题。实验证明，与现有的 YOLOv5 相比，该模型在检测准确性上提高了 1%，降低了 13% 的 FLOPs，模型参数减少了 26%。而在消融实验中，Fastnet 模块和 CSghost 模块提高了原始 YOLOv5 基准模型的精度，但导致了 [email protected] 度量的下降，而 wIoUv3 损失函数的改进显著减轻了该度量的下降。

    Mar, 2024

  • YOLO9tr：一种利用广义高效层聚合网络和注意力机制的轻量级路面损坏检测模型

    本研究提出了 YOLO9tr，一种基于深度学习的新型轻量级目标检测模型，用于道路损坏检测，其在特征提取和注意力机制方面引入了部分注意力块，以提高在复杂情况下的检测性能，并通过多国的道路损坏图像数据集进行训练，扩展了损坏分类范围，并与 YOLO8、YOLO9 和 YOLO10 等先进模型相比具有更高的精度和推断速度，达到高达 136FPS 的帧率，适用于实时应用，该研究进一步验证了部分注意力块的有效性，突出了 YOLO9tr 在实时道路状况监测中的潜力，为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。

    Jun, 2024

  • 使用 YOLOv5 从图像和视频中进行火灾检测

    通过改进的 YOLOv5 火灾检测深度学习算法，可以有效地处理室内、室外和森林火灾图像中的火灾目标检测，并且可以在不同的自然光照条件下进行火灾检测。

    Oct, 2023

  • 金 - YOLO：通过聚集与分发机制实现高效物体检测

    在本研究中，我们提出了一种先进的 Gatherand-Distribute 机制（GD 机制），该机制借助卷积和自注意操作实现。我们设计的新模型 Gold-YOLO 在跨所有模型尺度上提升了多尺度特征融合能力并在延迟和准确性之间实现了理想的平衡。此外，我们首次在 YOLO 系列中实现了 MAE 风格的预训练，使得 YOLO 系列模型能够从无监督预训练中受益。Gold-YOLO-N 在 COCO val2017 数据集上取得了出色的 39.9％ AP 和在 T4 GPU 上的 1030 FPS，超过了以前的 SOTA 模型 YOLOv6-3.0-N 的相似 FPS +2.4％。

    Sep, 2023

  • LeYOLO，用于目标检测的新型可扩展高效 CNN 架构

    基于 FLOP 的高效目标检测计算的神经网络架构设计选择和优化方法，LeYOLO 提供了在不同资源限制下性能优越的计算负载和准确率比例。

    Jun, 2024

  • DANet：通过高效的变形注意力网络提升小目标检测

    在制造环境中，高效准确地检测小型物体，如缺陷和裂纹，对于确保产品质量和安全至关重要。我们提出了一种综合策略，通过将 Faster R-CNN 与先进的方法结合起来，有效解决了这个问题。我们的模型在 NEU-DET 和 Pascal VOC 数据集上进行了严格评估，验证了其鲁棒的性能和通用性。在 NEU-DET 数据集上，我们的模型表现出对钢铁缺陷的深入理解，在识别各种缺陷方面实现了最先进的准确性。同时，在 Pascal VOC 数据集上评估时，我们的模型展示了在复杂且小型场景中检测各类对象的能力。

    Oct, 2023