基于改进YOLOv8s算法的胸环靶弹孔检测技术

TP391; 为了解决传统胸环靶弹孔检测技术在自然条件下易受光照强度、复杂背景影响的问题,设计了一种基于YOLOv8s的改进算法.首先,在数据集的制作过程中引入图形分割将背景与胸环靶分离,避免了复杂环境对弹孔识别精度的影响.其次,为提升模型对弹孔的检测能力,在 C2f中引入 CBAM 注意力机制,通过对空间和通道特征赋予不同的权值提高网络对弹孔目标的识别能力;增加检测尺度为 160×160 的小目标输出层,减少了弹孔特征在下采样过程中的信息损失并降低弹孔漏检的概率;考虑到原有卷积层对小目标不敏感,采用 SPD-Conv模块替换原有卷积层,提取更多的特征信息提升检测精度.最后,将边界框损失函数更...

Full description

Saved in:
Bibliographic Details
Published in郑州大学学报（工学版） Vol. 45; no. 5; pp. 16 - 22
Main Authors 苏宇锋, 边锋, 张玉堂
Format Journal Article
LanguageChinese
Published 郑州大学 机械与动力工程学院,河南 郑州 450001%郑州纬达自动化科技有限公司,河南 郑州 450052 2024
Subjects
损失函数
loss function
bullet hole detection
YOLOv8s
CBAM注意力机制
CBAM attention mechanism
弹孔检测
SPD-Conv
Online AccessGet full text
ISSN1671-6833
DOI10.13705/j.issn.1671-6833.2024.05.013

Cover

More Information
Summary:TP391; 为了解决传统胸环靶弹孔检测技术在自然条件下易受光照强度、复杂背景影响的问题,设计了一种基于YOLOv8s的改进算法.首先,在数据集的制作过程中引入图形分割将背景与胸环靶分离,避免了复杂环境对弹孔识别精度的影响.其次,为提升模型对弹孔的检测能力,在 C2f中引入 CBAM 注意力机制,通过对空间和通道特征赋予不同的权值提高网络对弹孔目标的识别能力;增加检测尺度为 160×160 的小目标输出层,减少了弹孔特征在下采样过程中的信息损失并降低弹孔漏检的概率;考虑到原有卷积层对小目标不敏感,采用 SPD-Conv模块替换原有卷积层,提取更多的特征信息提升检测精度.最后,将边界框损失函数更改为 WIoU以减弱正负样本数量不均衡的影响,提高了预测框的回归精度.在自制胸环靶数据集的实验结果表明:改进算法的准确率 P 为 96.9%、召回率R为 96.4%、平均精度 mAP50 为 98.0%,相较于原算法,分别提升 8.8 百分点、25.4 百分点、15.3 百分点.实验结果证明改进的 YOLOv8s模型在复杂环境和密集弹孔的检测方面具有更好的性能.
ISSN:1671-6833
DOI:10.13705/j.issn.1671-6833.2024.05.013