基于YOLOv7通道冗余改進(jìn)的飛機(jī)蒙皮損傷檢測(cè)*

吳 軍，單騰飛，黃 碩，張曉瑜，陳玖圣，郭潤(rùn)夏

（中國(guó)民航大學(xué)，天津 300300）

飛機(jī)蒙皮損傷檢測(cè)對(duì)于保障飛行安全至關(guān)重要。目前，飛機(jī)蒙皮損傷常用檢測(cè)方法是人工目視檢測(cè)[1]，但其效率低下，受人為因素影響較大，存在錯(cuò)檢和漏檢的情況[2]。隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，卷積網(wǎng)絡(luò) （Convolutional neural networks，CNN） 已經(jīng)廣泛應(yīng)用于目標(biāo)檢測(cè)和圖像分類。許多主流目標(biāo)檢測(cè)模型及其改進(jìn)算法被提出，并應(yīng)用于飛機(jī)蒙皮損傷檢測(cè)任務(wù)，例如SSD、Faster R–CNN、YOLO系列算法等[3–7]。

陳從翰[8]把YOLOv3引入飛機(jī)蒙皮表面損傷檢測(cè)，通過(guò)與Faster R–CNN對(duì)比，發(fā)現(xiàn)YOLOv3檢測(cè)更加迅速，但是精度低于Faster R–CNN。李慧[9]通過(guò)收集與人工標(biāo)注制作了飛機(jī)蒙皮損傷圖像數(shù)據(jù)集，并搭建了Faster R–CNN、YOLO和SSD目標(biāo)檢測(cè)模型，主要解決飛機(jī)蒙皮損傷數(shù)據(jù)集樣本不均衡、檢測(cè)目標(biāo)的形狀不規(guī)則而難以分類和定位的問(wèn)題，最后將損失函數(shù)替換成焦點(diǎn)損失函數(shù)（Focal loss），借鑒傾斜預(yù)測(cè)框機(jī)制并做出調(diào)整，以改善檢測(cè)結(jié)果。農(nóng)昌瑞等[10]將YOLOv4改進(jìn)算法應(yīng)用于飛機(jī)蒙皮損傷檢測(cè)，主要解決YOLOv4對(duì)小目標(biāo)難識(shí)別、原有先驗(yàn)框尺寸與真實(shí)框不匹配，以及正負(fù)樣本不能自動(dòng)劃分等問(wèn)題。王童等[11]提出基于BBAVectors改進(jìn)的旋轉(zhuǎn)目標(biāo)檢測(cè)方法，主要解決其制作的飛機(jī)蒙皮損傷數(shù)據(jù)集存在大量背景噪聲和蒙皮損傷分布方向任意等問(wèn)題。但是，以上這些工作都沒(méi)有關(guān)注到飛機(jī)蒙皮損傷數(shù)據(jù)集背景單一的特點(diǎn)，并且所用的目標(biāo)檢測(cè)模型存在檢測(cè)速度慢、參數(shù)量大、檢測(cè)精度低等缺點(diǎn)。

相較于COCO等背景復(fù)雜的數(shù)據(jù)集，飛機(jī)蒙皮損傷數(shù)據(jù)集存在背景單一的特點(diǎn)，圖像中其他部分對(duì)目標(biāo)的干擾較小。在物體檢測(cè)過(guò)程中，圖像通道表征的是目標(biāo)物體不同維度的信息，通道數(shù)越多描述目標(biāo)物體的維度越多，即有更多的信息去描述目標(biāo)與圖片中其他部分之間的聯(lián)系。這種多維的目標(biāo)信息描述，對(duì)于飛機(jī)蒙皮損傷數(shù)據(jù)集等圖片背景單一的數(shù)據(jù)集是冗余的。在相同體量下，YOLOv7模型的檢測(cè)精度和檢測(cè)速度均超過(guò)之前所有的檢測(cè)器，因此可選用YOLOv7作為基礎(chǔ)的檢測(cè)模型。

本文針對(duì)飛機(jī)蒙皮數(shù)據(jù)集圖片背景單一的特點(diǎn)，提出增強(qiáng)型頸部特征融合改進(jìn)算法；針對(duì)主干特征提取過(guò)程中卷積通道冗余的情況，提出主干特征提取網(wǎng)絡(luò)輕量化改進(jìn)，即將P–PWConv模塊融入YOLOv7主干特征提取網(wǎng)絡(luò)[12]，在顯著降低模型計(jì)算量的同時(shí)，減少頻繁的內(nèi)存訪問(wèn)，有效提高了模型的特征提取能力。

1 YOLOv7模型及YOLOv7通道冗余改進(jìn)

1.1 YOLOv7目標(biāo)檢測(cè)模型

因具有其較高的精度和較快的速度[7]，YOLOv7目標(biāo)檢測(cè)模型被廣泛應(yīng)用于系統(tǒng)的實(shí)時(shí)檢測(cè)。根據(jù)發(fā)布代碼的運(yùn)行設(shè)備不同 （邊緣GPU、普通GPU和云端GPU），相應(yīng)設(shè)置3種基礎(chǔ)模型，即YOLOv7–tiny、YOLOv7和YOLOv7–W6。本文選擇YOLOv7作為飛機(jī)蒙皮損傷檢測(cè)的基礎(chǔ)模型，其模型結(jié)構(gòu)如圖1所示。

圖1 YOLOv7目標(biāo)檢測(cè)模型框架Fig.1 Framework of YOLOv7 object detection model

YOLOv7包括輸入部分（Input）、主干部分 （Backbone）、頸部 （Neck）和頭部 （Head）模塊。首先，圖片經(jīng)過(guò)數(shù)據(jù)增強(qiáng)等操作進(jìn)行預(yù)處理，被送入主干部分；接著主干特征提取網(wǎng)絡(luò)對(duì)輸入的圖片數(shù)據(jù)進(jìn)行特征提??；隨后提取到的特征經(jīng)過(guò)頸部進(jìn)行特征融合，得到包含不同尺度信息的3個(gè)特征層；最后將這3種不同尺度的特征送入檢測(cè)頭進(jìn)行檢測(cè)，得到預(yù)測(cè)結(jié)果。

主干部分主要由E–ELAN（Extended–ELAN）模塊、MPConv（Maxpooling Conv）模塊和SPPCSPC模塊構(gòu)成，激活函數(shù)是Silu。E–ELAN模塊以ELAN為基礎(chǔ)，不改變?cè)瓉?lái)的過(guò)渡層結(jié)構(gòu)，保留了原來(lái)的梯度，以此增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力。在主干網(wǎng)絡(luò)部分第24、37層和50層，分別輸出8倍、16倍、32倍的下采樣，輸出3個(gè)不同大小的特征信息；頸部采用Concat融合方式，采用鄰近插值的上采樣方式；Head部分包含重參數(shù)化結(jié)構(gòu)REP[13]，會(huì)輸出3個(gè)不同的預(yù)測(cè)結(jié)果，方便后面的算法部署。

1.2 YOLOv7通道冗余的改進(jìn)

本研究提出YOLOv7通道冗余改進(jìn)算法，以降低飛機(jī)蒙皮損傷檢測(cè)應(yīng)用場(chǎng)景下的模型計(jì)算復(fù)雜度，并提高檢測(cè)精度。改進(jìn)部分主要包括增強(qiáng)型頸部特征融合改進(jìn)算法和Backbone輕量化兩部分，YOLOv7改進(jìn)的框架如圖2所示。改進(jìn)部分見圖2中紅色虛線框，首先在Backbone部分使用P–PWConv替換部分E–ELAN模塊中卷積核為3的常規(guī)卷積，其次在頸部應(yīng)用增強(qiáng)型頸部特征融合算法。

圖2 改進(jìn)之后的YOLOv7目標(biāo)檢測(cè)算法框架圖Fig.2 Improved framework of YOLOv7 object detection algorithm

1.2.1 增強(qiáng)型頸部特征融合改進(jìn)算法

Add和Concat是常用的特征融合操作[14–19]，兩者都可以整合特征層的信息，但是Add操作比Concat更加節(jié)省計(jì)算量，其簡(jiǎn)易過(guò)程如圖3所示。

圖3 特征層融合操作Add和Concat原理對(duì)比圖Fig.3 Schematic comparison diagram of feature layer fusion operation for Add and Concat

Add特征融合方式是將特征層對(duì)應(yīng)像素的值進(jìn)行相加，豐富了描述圖像自身特征的信息，但是不改變描述圖像的維度信息；而Concat特征融合方式是將圖像特征層在通道維度進(jìn)行堆疊，這種方式不易造成信息丟失，但是對(duì)于背景單一的數(shù)據(jù)應(yīng)用場(chǎng)景會(huì)存在信息冗余。另外，Add特征融合方式的計(jì)算量比Concat操作少，假設(shè)有兩路通道數(shù)相同的輸入，并且特征融合操作后都帶有卷積，則Add操作相當(dāng)于Concat操作后的對(duì)應(yīng)通道共享一個(gè)卷積核。

對(duì)飛機(jī)蒙皮損傷等單一背景數(shù)據(jù)集的特征層進(jìn)行逐像素相加，可以增加通道的信息量，使模型進(jìn)一步聚焦前景目標(biāo)，降低模型的參數(shù)量。因此針對(duì)飛機(jī)蒙皮損傷等背景單一數(shù)據(jù)集，提出增強(qiáng)型頸部特征融合改進(jìn)算法，即將YOLOv7模型中頸部的PANet結(jié)構(gòu)中Concat圖像特征融合方式換成Add方式[20]。頸部其他模塊按照原來(lái)各特征層輸出形狀進(jìn)行適當(dāng)調(diào)整，改進(jìn)后的模型框架如圖4所示。由于Add操作不會(huì)改變特征層的通道數(shù)，僅將Concat換成Add之后，會(huì)破壞YOLOv7原來(lái)的頸部結(jié)構(gòu)，經(jīng)過(guò)不斷試驗(yàn)將YOLOv7原有的ELAN–W結(jié)構(gòu)換成YOLOv7中最基本的CBS結(jié)構(gòu)，并且適當(dāng)調(diào)整各個(gè)特征層輸出的形狀。

圖4 基礎(chǔ)頸部框架與增強(qiáng)型頸部特征融合改進(jìn)算法原理圖Fig.4 Basic neck frame and framework of improved algorithm for enhanced neck feature fusion

為了進(jìn)一步說(shuō)明增強(qiáng)型頸部特征融合改進(jìn)算法在單一背景的數(shù)據(jù)集具有良好的應(yīng)用優(yōu)勢(shì)，增加該改進(jìn)點(diǎn)的可解釋性，本文在飛機(jī)蒙皮損傷數(shù)據(jù)集上，使用Grad–CAM算法對(duì)僅使用增強(qiáng)型頸部特征融合改進(jìn)算法的模型，進(jìn)行特征層可視化?？梢暬恢萌鐖D4中的位置1～4。Grad–CAM特征層可視化如圖5所示，其中的線框標(biāo)注為掉漆損傷，可以看出，改進(jìn)之后的模型在目標(biāo)區(qū)域的顏色更深，即在目標(biāo)部分的權(quán)重值更大，其他部分的權(quán)重值較小，即僅使用增強(qiáng)型頸部特征融合改進(jìn)算法更關(guān)注目標(biāo)物體區(qū)域內(nèi)的像素。同時(shí)相比于Concat操作，Add使模型描述目標(biāo)物體的通道數(shù)更少，同時(shí)增加了對(duì)應(yīng)通道內(nèi)目標(biāo)的權(quán)重。在模型檢測(cè)過(guò)程中，過(guò)多的目標(biāo)信息描述對(duì)于飛機(jī)蒙皮損傷數(shù)據(jù)集等圖片背景單一的數(shù)據(jù)集是冗余的。因此在YOLOv7模型頸部特征融合時(shí)，Add特征融合方式更加適用，驗(yàn)證了增強(qiáng)型頸部特征融合改進(jìn)算法的有效性。

圖5 飛機(jī)蒙皮損傷數(shù)據(jù)集改進(jìn)前后Grad–CAM特征層可視化對(duì)比Fig.5 Visualization and comparison of Grad–CAM feature layers before and after improvement of model for aircraft skin damage dataset

1.2.2 Backbone輕量化

由于在特征提取網(wǎng)絡(luò)的卷積運(yùn)算過(guò)程中，不同通道的特征層具有很高的相似性。部分卷積PConv利用了特征圖中的通道冗余[21–23]，僅在一部分輸入通道上應(yīng)用常規(guī)卷積，同時(shí)不影響其他通道的信息傳遞。因此PConv可以在降低FLOPs（Floating point of operations）的情況下，保持高FLOPS（Floating-point operations per second）[12]。

為了充分有效地利用所有通道的信息，在部分卷積PConv模塊后附加一個(gè)逐點(diǎn)卷積PWConv，將它們組合成P–PWConv，作為一個(gè)獨(dú)立的模塊融入YOLOv7主干特征提取網(wǎng)絡(luò)的E–ELAN。改進(jìn)之后的主干特征提取網(wǎng)絡(luò)如圖6所示。

圖6 Backbone輕量化結(jié)構(gòu)圖Fig.6 Diagram of backbone lightweight structure

由于PConv的卷積核大小是3×3，步長(zhǎng)為1，因此把部分E–ELAN結(jié)構(gòu)中有相同大小卷積核和步長(zhǎng)的常規(guī)卷積，替換成P–PWConv，并將PConv中的部分卷積通道比例設(shè)置成4。為了不犧牲檢測(cè)精度，盡可能地減少模型的參數(shù)量，同時(shí)考慮到主干特征提取網(wǎng)絡(luò)的淺層部分通道數(shù)較少不適合使用P–PWConv，通過(guò)不斷試驗(yàn)，最終確定將P–PWConv應(yīng)用在深層的特征提取網(wǎng)絡(luò)中，即應(yīng)用于主干特征提取網(wǎng)絡(luò)后3個(gè)E–ELAN模塊。

2 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)

2.1 試驗(yàn)環(huán)境與參數(shù)設(shè)置

該項(xiàng)目所使用的是雙卡GPU，單卡配置是NVIDIA RTX3090渦輪版，具有24 GB顯存和10496個(gè)CUDA核心，CPU使用的是Intel（R） Xeon（R）W–3245，3.2 GHz主頻，128 GB內(nèi)存。操作系統(tǒng)是Ubuntu20.04，Pytorch1.8.0，Python3.7版和CUDA11.1版。試驗(yàn)過(guò)程使用的超參數(shù)見表1。

表1 試驗(yàn)超參數(shù)Table 1 Experimental hyperparameters

2.2 飛機(jī)蒙皮損傷數(shù)據(jù)集

飛機(jī)蒙皮損傷數(shù)據(jù)集包含了5類常見的蒙皮損傷，為腐蝕損傷（Rust）、鉚釘損傷 （Rivet_damage）、劃痕 （Scratch）、變形損傷 （Deform）和掉漆損傷 （Paint_peel），共2401張圖片。數(shù)據(jù)集所有圖片都是在中國(guó)民航大學(xué)停機(jī)坪上拍攝的，要求手持設(shè)備離飛機(jī)蒙皮表面約1 m進(jìn)行拍攝，同時(shí)進(jìn)行多尺度和多角度拍攝，即對(duì)于同一個(gè)損傷會(huì)采集不同角度和尺度的圖片，約5張。把數(shù)據(jù)集以訓(xùn)練集：驗(yàn)證集為9∶1的比例進(jìn)行劃分。實(shí)物照片如圖7所示。

圖7 飛機(jī)蒙皮損傷數(shù)據(jù)集損傷類別實(shí)物圖Fig.7 Physical map of damage categories for aircraft skin damage dataset

2.3 評(píng)價(jià)指標(biāo)

用于目標(biāo)檢測(cè)的常用度量指標(biāo)是交并比 （Intersection over union）、準(zhǔn)確率 （Precision）、召回率 （Recall）、平均精度AP （Average-precision），以及更加重要的mAP（Mean average precision）、FPS（Frames per second）、模型參數(shù)量等。IOU用于度量目標(biāo)預(yù)測(cè)框和目標(biāo)真實(shí)框之間的重疊程度，計(jì)算方法是檢測(cè)結(jié)果與目標(biāo)真實(shí)值之間的交集和并集比率，計(jì)算公式為

在試驗(yàn)時(shí)，通常會(huì)設(shè)置一個(gè)閾值。當(dāng)IOU值大于該設(shè)置的閾值時(shí)，預(yù)測(cè)結(jié)果會(huì)被認(rèn)為是真陽(yáng)性 （TP），表示目標(biāo)識(shí)別是準(zhǔn)確的；當(dāng)IOU值小于該設(shè)置閾值時(shí)，預(yù)測(cè)結(jié)果會(huì)被認(rèn)為是假陽(yáng)性 （FP），即表示錯(cuò)誤的識(shí)別；沒(méi)有檢測(cè)到的目標(biāo)的數(shù)量，被稱為假陰性 （FN），即沒(méi)有對(duì)應(yīng)匹配檢測(cè)結(jié)果的真實(shí)目標(biāo)數(shù)量。

準(zhǔn)確率也叫查準(zhǔn)率，定義為在圖像的目標(biāo)檢測(cè)中真陽(yáng)性的比例，計(jì)算公式為

召回率也叫查全率，是在所有測(cè)試集樣本中所有陽(yáng)性樣本識(shí)別正確的比例，計(jì)算公式為

準(zhǔn)確率反映了模型區(qū)分陰性樣本的能力。精度越高，模型區(qū)分陰性樣本的能力越強(qiáng)。召回率表示目標(biāo)檢測(cè)算法準(zhǔn)確找回陽(yáng)性樣本的能力。召回率越高，模型識(shí)別陽(yáng)性樣本的能力越強(qiáng)。

平均精度表示在每個(gè)召回條件下最高精度的平均值，計(jì)算公式為

在目標(biāo)檢測(cè)中，模型通常檢測(cè)許多類別的目標(biāo)，每個(gè)類別都可以計(jì)算一個(gè)AP值。mAP由所有類別的AP求均值得來(lái)，計(jì)算公式為

式中，n為模型預(yù)測(cè)類別數(shù)量。

除了檢測(cè)準(zhǔn)確度，模型檢測(cè)速度和模型參數(shù)量也是目標(biāo)檢測(cè)算法非常重要的評(píng)估指標(biāo)。FPS值越大，模型檢測(cè)速度越快。浮點(diǎn)運(yùn)算次數(shù)FLOPs用來(lái)衡量模型的算法復(fù)雜度。

3 試驗(yàn)與結(jié)果分析

3.1 基于不同增強(qiáng)型頸部特征融合改進(jìn)策略的飛機(jī)蒙皮損傷數(shù)據(jù)集驗(yàn)證試驗(yàn)

相比于特征層Concat操作，Add操作可以豐富特征層的信息，同時(shí)減少通道數(shù)。直接將YOLOv7頸部特征金字塔Concat特征融合方式替換成Add，會(huì)破壞YOLOv7原有ELAN–W結(jié)構(gòu)的輸入輸出通道數(shù)。為了探究更適合的模型改進(jìn)策略，在飛機(jī)蒙皮損傷數(shù)據(jù)集上，對(duì)增強(qiáng)型頸部特征融合改進(jìn)算法的各個(gè)改進(jìn)策略進(jìn)行測(cè)試。各模型改進(jìn)結(jié)構(gòu)如圖8所示。具體改進(jìn)辦法是將Concat操作替換為Add，并且適當(dāng)調(diào)整YOLOv7頸部其他模塊結(jié)構(gòu)，且各組試驗(yàn)的參數(shù)設(shè)置完全相同。

圖8 增強(qiáng)型頸部特征融合改進(jìn)算法對(duì)比圖Fig.8 Comparison chart of improved algorithm for enhanced neck feature fusion

圖8中“改進(jìn)Ⅰ”將頸部特征融合部分的Concat操作替換成Add，改變了ELAN–W模塊的輸出通道數(shù)比例，其他部分未變；“改進(jìn)Ⅱ”在“改進(jìn)Ⅰ”的基礎(chǔ)上，將第1個(gè)上采樣后的ELAN–W舍棄，將后續(xù)的ELAN–W替換成CBS模塊，其卷積核大小是3×3，步長(zhǎng)為1；“改進(jìn)Ⅲ”僅僅改變特征融合金字塔的特征融合方式，不改變頸部其他結(jié)構(gòu)的輸入輸出通道數(shù)比例。不同模型對(duì)比試驗(yàn)結(jié)果見表2，組別1～4分別對(duì)應(yīng)圖8（a）～（d）；第2組破壞了頸部ELAN–W模塊的輸入輸出通道數(shù)比例，取得mAP0.5分?jǐn)?shù)負(fù)增長(zhǎng)，參數(shù)量增加了1.8%；第3組取得的mAP0.5分?jǐn)?shù)提高了1.9%，參數(shù)量減少了20.49%；第4組mAP0.5分?jǐn)?shù)提高了0.6%，參數(shù)量減少了34.67%；綜上所述，選擇第3組改進(jìn)模型作為增強(qiáng)型頸部特征融合改進(jìn)算法。Parameters表示模型的參數(shù)量，試驗(yàn)結(jié)果均是在輸入圖像大小為640×640像素下計(jì)算得到。FLOPs只和模型有關(guān)，衡量模型/算法復(fù)雜度，表示模型的計(jì)算量大小。

表2 不同增強(qiáng)型頸部特征融合改進(jìn)算法在飛機(jī)蒙皮損傷數(shù)據(jù)集上的試驗(yàn)結(jié)果Table 2 Experimental results of various improved algorithms for enhanced neck feature fusion on aircraft skin damage datasets

3.2 YOLOv7通道冗余改進(jìn)算法消融試驗(yàn)

為了驗(yàn)證本文所提出的各項(xiàng)改進(jìn)的有效性，在飛機(jī)蒙皮損傷數(shù)據(jù)集上進(jìn)行了3組消融試驗(yàn)。消融試驗(yàn)結(jié)果如表3所示?？梢钥闯?，第1組試驗(yàn)是YOLOv7基準(zhǔn)模型，其在飛機(jī)蒙皮損傷數(shù)據(jù)集上的檢測(cè)精度是61.7%，模型FPS值是125 f/s；第2組試驗(yàn)應(yīng)用了增強(qiáng)型頸部特征融合改進(jìn)算法，參數(shù)量減少了20.49%，模型檢測(cè)速度增加了13.9 f/s，檢測(cè)精度提升了1.9%；第3組試驗(yàn)在原始模型上增加了Backbone輕量化，參數(shù)量減少了13.64%，F(xiàn)PS增加了6.6 f/s；第4組試驗(yàn)是最終改進(jìn)后的YOLOv7模型，參數(shù)量減少了34.13%，模型檢測(cè)精度提升了2.3%，檢測(cè)速度增加了22.1 f/s。

表3 不同方法在飛機(jī)蒙皮損傷數(shù)據(jù)集上的消融試驗(yàn)結(jié)果Table 3 Results of ablation experiments with different methods for aircraft skin damage dataset

3.3 不同檢測(cè)器對(duì)比試驗(yàn)

為了驗(yàn)證YOLOv7通道冗余改進(jìn)算法的先進(jìn)性，在飛機(jī)蒙皮損傷數(shù)據(jù)集上比較了現(xiàn)有的主流目標(biāo)檢測(cè)模型。為了公平起見，試驗(yàn)采用相同的訓(xùn)練和測(cè)試方案。試驗(yàn)結(jié)果如表4所示，相比于YOLOv5（L）模型，改進(jìn)之后的YOLOv7模型mAP提高了3.6%，檢測(cè)速度提高了124.93 f/s；相比于YOLOv7–e6模型，改進(jìn)后的模型mAP提高了0.1%，F(xiàn)PS提高了47.1 f/s。由此可見改進(jìn)之后的YOLOv7模型具有更好的性能。

表4 不同檢測(cè)器試驗(yàn)對(duì)比Table 4 Comparative experiments with different detectors

4 結(jié)論

本文針對(duì)飛機(jī)蒙皮損傷數(shù)據(jù)集等單一背景的特點(diǎn)，以及主干特征提取網(wǎng)絡(luò)中卷積運(yùn)算通道冗余的問(wèn)題，對(duì)YOLOv7目標(biāo)檢測(cè)模型進(jìn)行了改進(jìn)，使模型適用于飛機(jī)蒙皮損傷檢測(cè)等應(yīng)用場(chǎng)景。

（1）提出增強(qiáng)型頸部特征融合改進(jìn)算法，提高背景單一數(shù)據(jù)集的損傷識(shí)別精度和檢測(cè)速度。

（2）針對(duì)卷積運(yùn)算通道冗余的問(wèn)題，引入P–PWConv模塊，提出Backbone輕量化，以進(jìn)一步減少模型的參數(shù)量，提高損傷的識(shí)別效率。

（3）設(shè)計(jì)了基于不同增強(qiáng)型頸部特征融合改進(jìn)策略的飛機(jī)蒙皮損傷數(shù)據(jù)集驗(yàn)證試驗(yàn)、YOLOv7通道冗余改進(jìn)算法消融試驗(yàn)及不同檢測(cè)器對(duì)比試驗(yàn)，驗(yàn)證了改進(jìn)后的YOLOv7在飛機(jī)蒙皮損傷數(shù)據(jù)集上的性能優(yōu)于原YOLOv7模型。

未來(lái)將會(huì)針對(duì)現(xiàn)有的飛機(jī)蒙皮損傷數(shù)據(jù)集存在的長(zhǎng)尾問(wèn)題和過(guò)多的模型參數(shù)量進(jìn)行改進(jìn)，并將改進(jìn)的算法應(yīng)用到實(shí)際工作任務(wù)中。