Jul, 2023

人造革中高性能微细缺陷检测的双特征池目标检测

PDF
TL;DR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。
yolov5structural problemsartificial leatherfine defect detectionyolod
发现论文，激发创造
  • 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

    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％。

    Jun, 2023

  • 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

  • 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

  • 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

  • DiffYOLO：基于 YOLO 和扩散模型的抗噪声目标检测

    利用 DiffYOLO 框架提取特征图以增强已训练模型，从而使在高质量数据集上微调 YOLO 模型并在低质量数据集上进行测试成为可能。该框架不仅能在嘈杂的数据集上提升性能，还能在高质量测试数据集上证明检测结果。

    Jan, 2024

  • 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

  • YOLOv5, YOLOv8 和 YOLOv10：实时视觉领域首选检测器

    本文综述了 YOLO（You Only Look Once）目标检测算法的演进，着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展，并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。

    Jul, 2024

  • 基于 YOLO 的工业 4.0 Fischertechnik 模型环境下的目标检测

    本文以 YOLO 架构为基础，针对 Fischertechnik 工业 4.0 应用中的流程监控展开研究，通过采用不同大小和复杂度的 YOLO 架构以及不同的先前形状分配策略，结合丰富的数据集进行实验，研究结果表明了所提出方法的有效性及所采用的培训和验证策略能够解决该问题天然存在的色彩相关性。

    Jan, 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

  • DeepSeaNet: 利用 EfficientDet 提升水下物体检测

    该研究使用现有的水下数据集 Brackish-Dataset，评估了多种目标检测模型（包括 EfficientDet，YOLOv5 等）在含盐度高、可见度低的自然复杂环境下的效果，其中，通过修改 EfficientDet 的机制，实现了对抗性干扰下高 Iou 的复杂特征融合，并提供了针对模型黑盒性的类激活映射解释。研究结果表明，修改后的 EfficientDet 在五倍交叉验证下，比其他模型表现更好，具有更高的 IoU。

    May, 2023