基于改进YOLOv5的地下排水管道缺陷检测算法

针对地下排水管道缺陷检测存在效率低和精度差等问题,本文提出了一种基于改进的YOLOv5模型的地下排水管道缺陷识别方法。首先,为了提高检测精度,引入卷积块注意力机制模块(Convolutional Block Attention Module,CBAM)解决了部分缺陷过小的问题,同时设计了一种新的空间金字塔池化模块,解决不同类型缺陷大小、形状和颜色相差较大的问题。其次,在特征融合层引入加权双向特征金字塔网络结构(bi-directional feature pyramid network structure,BiFPN)以充分利用不同尺度的特征,提高了特征融合能力。最后,针对图片模糊的问题,对原始图像进行了直方图均衡化、锐化处理。实验结果表明,改进后的算法能很好对障碍物、错口、裂缝、树根和错口等5种缺陷进行识别,平均精度(Mean Average Precision,mAP)相比原始YOLOv5算法提升了2.5%。

基于改进YOLOv7的番茄果实目标检测

针对农业采摘机器人在采摘过程中面临果实重叠、果实遮挡和果实体积小难以识别等一系列问题,提出一种改进YOLOv7网络对番茄果实进行目标检测。首先在YOLOv7网络结构中增加SimAM注意力模块和CA注意力模块,提高网络特征提取能力;其次结合特征融合网络的张量拼接操作与加权特征金字塔,提高特征融合能力;再用Soft-NMS算法代替NMS算法,增加网络对重叠区域的检测能力;最后将CIOULoss替换成EIOULoss,优化网络性能。实验结果表明,改进后的YOLOv7网络mAP值可达96.7%,准确率为96.2%,召回率为99.0%,满足网络对番茄检测精度的要求。

基于改进YOLOv5羊只目标检测方法

针对羊的群居特性导致羊只重叠程度较高、检测效率低,且易造成漏检错检等问题,提出一种基于改进YOLOv5羊只目标检测方法。将YOLOv5的耦合头部替换为解耦头部,用来提升收敛速度;引入C3SE注意力模块,使网络可以更专注学习羊只特征;将NMS(Non-Maximum Suppression)更换为DIOU-NMS(Distance Intersec⁃tion Over Union-Non-Maximum Suppression),解决羊群因重叠检测不精确问题,提升定位与检测精度。实验结果表明,改进后的YOLOv5精准度P提升2.8%,召回率R提升3.5%,平均精度均值mAP提升3.0%,满足实际场景对羊只的检测要求。