基于YOLOv5水下目标检测算法研究与改进

在水下目标生物的检测过程中,由于水下环境恶劣,水中光线衰弱,以及大多水下生物以小目标的形态出现等问题,使得目前的水下目标检测带来了精度损失问题,为解决相应问题,给出了一种基于YOLOv5s改进的YOLOv5s-water算法来解决。首先通过STR(Swin-Transformer)旋转窗口来对YOLOv5s的主干层(Backbone)部分进行更改,提高模型的泛化能力,进而解决水下环境恶劣以及检测目标形态变化带来的问题。使用FReLU激活函数与CBAM注意力神经机制结合成的FCM注意力机制,将其嵌入到YOLOv5s的骨干网(Neck)部分,以用来突出目标特征并抑制次要信息,从而提高算法精度,加强小目标的特征提取。小目标检测方面,在YOLOv5结构上增加小目标检测头,以提高感受野,进而提高小目标的检测精度。仿真和实验结果表明:所提方法相较于YOLOv5s检测准确率P上升1.47%,精确度mAP@0.5上升2.76%,小目标检测效果明显,证明了方法的有效性。

基于改进YOLOv5的柑橘病虫害检测

[目的]柑橘叶片受到病菌感染或虫害侵袭后,导致柑橘树生长发育异常、产量减少甚至死亡。早期柑橘叶片病虫害检测有助于做好预防措施减少损失。[方法]实际检测过程中YOLOv5s模型存在定位不精确、背景复杂等问题,受VAN(visual attention network)模型的启发,引入LKA(large kernel attention)模块,对YOLOv5s模型进行改进。改进的YOLOv5s模型可实现对图像信息的集中关注和精细抽取;使用CARAFE轻量级算子替换常规的上采样方法,能够提高特征重建质量,解决尺度不匹配问题并提高检测性能;使用FReLU激活函数,能够捕捉更多的柑橘病虫害的关键特征,提高检测准确度。此外,还构建了一个包含炭疽病、溃疡病和受潜叶蝇病虫侵害的柑橘叶片数据集,采用该数据集进行试验。[结果]改进后的模型YOLOv5-LC对于柑橘病虫害的检测结果显示:平均检测精度mAP50达到94.5%,mAP50:95为84.3%,较原模型分别提高了2.0%和4.4%,模型大小仅为7.3 MB。准确率为93.8%,召回率84.5%,浮点运算次数仅为18.5 G。[结论]改进后的YOLOv5-LC模型可以更加准确检测出柑橘病虫害。

基于并行混合注意力的复杂背景小尺度手部检测方法

针对复杂背景中手部特征不明显及尺度变化较大,难以满足高精度水平检测,易出现误检、漏检的问题,以YOLOv5为基础结构提出一种小尺度手部检测方法。将并行混合机制的注意力模块(parallel mixed attention mechanism,PMAM)嵌入到主干网络中,提高对手部特征的提取能力;设计一种结合路径聚合网络(path aggregation network,PAN)和加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)改进的特征融合网络PB-FPN(path bidirectional-feature pyramid network),引入新的路径参与底部特征融合,提高算法对小尺度手部目标的检测能力;通过将骨干网络中的空间金字塔池化(spatial pyramid pooling-fast,SPPF)引入特征融合网络并与模型预测头连接,进一步提高算法的性能。在此基础上,使用FReLU作为网络模型的激活函数,增强网络的空间敏感度,提高网络鲁棒性。为验证所提方法的有效性,构建了更符合研究背景的新的数据集TV-COCO-Hand,并在此数据集上进行了相关实验,结果表明,改进后的模型在构建的数据集上mAP达到91.4%,比基线网络模型提高了3.8个百分点,且检测效果优于目前主流检测网络模型。在公开数据集上进行了数据集对比实验以及真实场景的检测实验,验证了模型的泛化性。

基于改进YOLOv5s的人脸疼痛表情识别

针对目前疼痛表情识别模型结构复杂、计算量大、检测速度慢、不易移植等问题,提出一种针对移动端设备的轻量化人脸疼痛表情识别算法。首先引入GhostNet网络结构中的Ghost模块卷积,压缩模型的参数量,减小计算开销;之后用改进的FReLu激活函数替换SiLu激活函数,提升识别精度与检测效率;最后引入CA注意力机制,对人脸疼痛表情特征区域增加关注度,提升算法对疼痛表情模型的识别精度。实验结果表明,改进后的模型对疼痛表情识别精度达到96.9%;每张图片检测时间为53 ms,相比YOLOv5s模型用时缩短18%;模型大小相比YOLOv5s下降41.3%。适用于移动端设备的实时疼痛表情识别。

基于SwinT-YOLOX模型的自动扶梯行人安全检测算法

自动扶梯被广泛应用在公共场合,乘客摔倒事故如果不能被及时发现并处理,会造成严重的人身伤害,因此实现自动扶梯智能化监控管理势在必行。受自动扶梯运行环境复杂、行人多以及局部遮挡情况的影响,传统的人体姿态特征摔倒检测模型效果不佳且检测速度减慢。融合Swin Transformer和YOLOX目标检测算法的优秀策略,提出一种基于SwinT-YOLOX网络模型的自动扶梯行人摔倒检测算法。采用Swin Transformer模型作为骨干网络,颈部网络使用添加注意力机制的YOLOX模型,进一步提升特征图的多样性和表达能力。此外,利用漏斗修正线性单元视觉激活函数构建CBF模块,改进颈部网络和Head网络结构,从而获得更优的特征检测性能。实验结果表明,针对自建扶梯行人摔倒数据库和网络采集实际扶梯行人摔倒事故,与AlphaPose、OpenPose、YOLOv5等算法相比,该算法检测性能明显提高,行人摔倒平均检测精度可以达到95.92%,检测帧率为24.08帧/s,能够快速、精准地检测到乘客摔倒事故发生,监控管理平台立刻采取安全急停措施以保证乘客安全。

基于MEF-YOLO的轻量手势识别算法

针对非接触式的人机交互中手势识别精度低速度慢的问题,提出一种轻量化MEF-YOLO(MobileNetV3-ECA-FReLU YOLO)算法。将YOLOv5s的主干网络CSPDarknet53替换成轻量化的Mobielnetv3,在主干网络的最后一个卷积层之后融入ECA注意力机制,规避因参数减少而导致的特征信息丢失问题,同时使模型更好地融合不同通道间的信息,接着在输出层添加FReLU激活函数,增加模型的非线性,使特征的表达能力增强。在自制数据集上验证了MEF-YOLO算法的可行性,并与YOLOv5算法进行了对比。结果表明,轻量化MEF-YOLO算法的模型大小减小了78.4%,检测速度提升了61帧/s,同时平均识别精度较YOLOv5算法提升了3.6%。

基于改进YOLOv5的番茄成熟度检测方法

番茄成熟度的检测对番茄自动化采摘具有重要的意义和价值,针对目前检测识别精度低以及漏检等问题,提出了一种基于改进YOLOv5的番茄成熟度检测方法。先在原始的YOLOv5加入SE注意力模块和BiFPN网络,使其能够同时关注通道和空间中小目标物体的特征,从而增强网络特征的融合能力。再用FReLU激活函数将原来网络结构中的激活函数替换,可以实现像素级的空间建模能力,进一步提高检测精度,增加了该模型的鲁棒性。通过试验表明,改进的YOLOv5模型的精确率、召回率和平均精度均值分别提升了4.8%、4.0%和3.0%。虽然改进后的模型参数量与计算量增加了0.2M和0.6G,但是提升了不同成熟度番茄的检测效果,可以为自动化采摘提供技术支持。

基于宽接收域的实时人体姿态估计网络

为解决人体姿态估计任务的准确率和实时性问题,提出一个卷积宽接收域、检测实时的人体姿态估计网络。构建稠密残差步进网络(dense residual steps network,DRSN),提高模型对输入图像空间信息的提取和全局特征的把握。在激活函数上,以改进的FReLU激活函数替换原始的激活函数,通过采用二维卷积的方式改变ReLU函数中的激活条件,扩大模型的接收域,关键点分类更加准确。该网络在标准MPII数据集上进行测试,在满足较高定位精度的条件下,模型在NVIDIA RTX 2080Ti GPU上的检测速度达到38 FPS,可有效解决检测实时性问题。

一种基于Inception-V4的车位状态检测方法

针对城市停车难,车位检测环境复杂等情况,研究了一种基于Inception-V4算法的车位状态检测方法。在Inception-V4网络结构基础上使用Leaky_ReLU代替ReLU作为激活函数,解决ReLU激活函数引起的神经元失活问题;在网络分类层前添加FReLU激活函数层和多个全连接层,使其获得有更丰富语义信息的特征向量,防止了网络过拟合问题,提高车位状态检测模型的整体性能。基于PKLot停车场数据集的实验结果表明,该方法对车位状态检测准确率较原模型有较大程度的提升。

基于U-Net的遥感图像语义分割

遥感图像由于包含的地物尺度差别大、地物边界复杂等原因,造成准确提取遥感图像特征具有一定难度,精确分割遥感图像比较困难。针对这一问题,提出了一种编码-解码器的AFU-Net网络。在U-Net基础上使用一个自下而上、自上而下的结构,并引入密集跳跃连接得到融合不同层次的多尺度特征。使用非对称卷积块强化水平和垂直方向的平方卷积核,并采用残差单元加深网络深度。利用FReLU激活函数提升网络解析能力,从而提高遥感图像语义分割精度。在ISPRS的Vaihingen数据集实验结果表明,AFU-Net结构的性能要优于FCN,U-Net等算法。

基于EfficientNet模型的糖尿病视网膜图像分类方法研究

目的:糖尿病性视网膜病变(diabetic retinopathy, DR)是导致糖尿病患者失明的主要原因。临床上主要通过医生对DR图像进行分析来判断患者是否需要进行治疗。但基于人工的分类性能受到医生主观因素及图像不同等级之间差异微小的影响,会出现误诊漏诊等情况。由此提出融合空间注意力机制的EfficientNet网络模型(A-U EfficientNet)实现DR图像自动准确五分类。方法:空间注意力机制使用FRelu作为激活函数实现像素级的空间信息建模能力。该机制将生成的注意力图与EfficientNet网络的特征进行元素点乘,对患病区域的特征进行增强,使模型自动关注微动脉瘤等相关区域特征并提供分类依据;针对交叉熵函数(cross entropy, CE)未能考虑到样本不均衡问题,引入Focal Loss损失函数,减少易分类样本的权重,使得模型在训练时更专注于难分类的样本。结果:在Kaggle数据集上进行实验后证明,A-U EfficientNet在测试集上的ACC、SP和SE分别为95.2%、97.9%和93.7%,比原始网络分别提高了2.8%、2.6%和3.7%。结论:融合空间注意力机制的EfficientNet网络模型能够有效提高DR分类准确性并向医生提供病灶位置,在临床上避免发生误诊漏诊的情况,防止因治疗不及时而造成严重的视力损伤。

复杂纹理布匹五类典型瑕疵图像检测算法研究

针对复杂纹理布匹瑕疵检测这一纺织工业质检环节中的技术难点,基于深度卷积神经网络提出一种图像检测算法模型。首先对比选用YOLOv7-tiny模型为算法参考框架然后进行优化改进,包括使用SimAM模块重构特征融合层,以提升模型对瑕疵局部特征的提取能力并抑制背景特征;采用SIoU优化坐标定位损失函数,以加快目标框的回归效率;引入FReLU激活函数,以增强非线性激活层对空间信息的利用能力,提升激活函数的空间敏感性。实验结果表明,该模型在复杂纹理布匹五类典型瑕疵的检测任务上的查准率和查全率都优于现有其他算法,mAP达到最高值80.5%,且模型大小仅为9.2 M,在PC端上单帧图像检测只需21.13 ms。

基于改进YOLOv7算法的钢表面缺陷检测方法

阐述一种基于改进YOLOv7的钢表面缺陷检测方法,通过引入K-means++聚类算法提高网络检测精度,利用FReLU替换原有的激活函数增强网络的空间灵敏度,引入了CBAM注意力机制,提高网络对缺陷目标的关注度。