改进YOLOv5模型的轮胎标记点检测算法研究

为实现在轮胎标记点快速精准识别,提出了一种基于YOLOv5改进模型的标记点识别方法。通过引入CBAM和SimAM两种注意力模块来提高网络提取特征的能力,同时考虑到轮胎标记点在图片中为小目标,利用α-IoU损失函数代替GIoU损失函数,即为GIoU函数添加α次幂后通过不断调节α的值来获取较好的识别效果。试验结果显示:文中提出的模型平均精度为91.1%,比原YOLOv5的模型平均精度88%提升了3.1%,比原有的YOLOv5模型有更高的准确度。

改进YOLOv5的影响驾乘舒适性目标检测

当前自动驾驶技术主要集中在安全性方面,随着自动驾驶技术的发展,人们对驾乘舒适性的要求也会不断提高。提出一种改进YOLOv5的目标检测算法,对影响驾乘舒适性的中小型障碍物进行检测研究。对于影响驾乘舒适性的中小目标与背景十分相似的问题,引入坐标注意力(CA)模块,在实现模型轻量化的同时提升目标显著特征提取能力,提高了对重点信息的关注度;使用α-IoU损失函数替换CIoU损失函数作为边界框回归损失函数,提高了对不同层次目标的优化空间;设计新的卷积模块,在保留原有特征的同时融合了更深层次的特征信息,同时减少了参数量。实验结果显示,改进方法相比原YOLOv5在参数量与GFLOPs减少的情况下,平均检测精度由原来的87.8%提升至89.9%,在GPU上对单张图像的检测速度达到70 FPS,优于对比算法,在满足实时性的同时提高了检测效果。

基于改进YOLOv5的陶瓷表面缺陷检测算法

提出一种陶瓷表面缺陷检测算法YOLOv5-G。该算法在YOLOv5框架的基础上,将全局注意力机制(GAM)引入主干和颈部网络中,该机制能够在减少信息弥散的情况下放大全局交互特征,增强了网络的特征表达能力;使用α-CIoU作为改进算法的边界框回归损失函数,自适应地向上加权高IoU对象的损失和梯度,使得模型可以更加关注IoU高的目标,从而帮助提高定位精度。在工业相机成像的陶瓷表面缺陷数据集上进行测试,结果表明,与YOLOv5模型相比,基于α-CIoU的YOLOv5模型的平均精度均值(mAP50)和召回率(Recall)分别提升了2.3%、4.6%;改进算法的平均精度均值(mAP50)、精确率(Precision)、召回率(Recall)分别提升了3.9%、1.7%、5.1%。

基于BCE-YOLOv5的苹果叶部病害检测方法

针对自然环境中,人工目视解译苹果叶部病害耗时耗力、人为主观因素强的问题。本研究提出了一种融合自注意力机制和Transformer模块的目标检测算法——BCE-YOLOv5,实现对自然环境下对苹果叶片病虫害的自动识别与检测。该算法首先使用BotNet、ConvNeXt模块分别替换Backbone网络和Neck网络的CSP结构,增加自注意力机制对目标的特征提取能力。通过将改进的CBAM引入YOLOv5的特征融合网络之后,使注意力机制对特征融合信息更加地关注。最后,用α-IoU损失函数替换IoU损失函数,使得网络在模型训练过程中收敛的更加稳定。BCE-YOLOv5算法在传统算法YOLOv5基础上平均精准率均值提升了2.9百分点,并且改进后的算法的模型大小和计算量较传统算法分别减小了0.2 M和0.9 GFLOPs。平均精度均值比YOLOv4s、YOLOv6s、YOLOx-s和YOLOv7模型分别高2.5、1.3、3.5、2.2百分点。该方法能快速准确识别苹果叶部病害,为苹果种植过程中提供智能化管理做参考。

基于改进YOLOv5算法的可回收饮料瓶检测方法研究

针对YOLOv5算法目标检测存在重叠目标漏检率高、检测置信度低的问题,提出基于EA-YOLOv5m模型的可回收饮料瓶检测方法。采用EAM(efficient attention module)注意力模块提升重叠目标检测精度,采用α-IOU Loss函数对损失函数进行改进,提升检测框的定位精度及置信度。实验结果表明,EA-YOLOv5m模型训练的位置损失值和置信度损失值较YOLOv5m模型均有下降,测试的AP_0.5和AP_0.5-0.95较YOLOv5m模型分别提高了0.15%和1.28%,检测速度达到7.8帧/s。针对不同程度遮挡的重叠目标,EA-YOLOv5m模型的检测置信度得到明显提升,分别达到0.81及0.68。该算法可以大幅提升重叠目标检测能力,满足基于视觉的可回收饮料瓶检测应用。

基于改进YOLOv5的车辆与行人目标识别方法

为改进无人驾驶技术部署困难问题,该文提出一种基于YOLOv5的目标识别算法。算法引入Ghost Bottleneck模块,CBAM模块,将网络参数压缩,减少模型整体的计算量,同时提升模型推理速度;将原始模型CIoU损失函数替换为α-IoU损失函数,使得模型训练过程中更快收敛;用DWConv层替代原有网络中Neck部分的Conv层,可大大降低网络参数数量以及运算成本,同时可提取不同大小的特征信息,提升模型在物体识别方面的鲁棒性。实验证明,原始模型的参数量为7095906,权重文件为14.4 MB,mAP@0.5达到86.11%,检测速度为30.30 f/s;改进后模型参数量缩减为2546136,参数量减少了64.12%,权重文件为5.8 MB,权重文件大小减小了59.72%,mAP@0.5达到89.44%,检测速度提升至40.00 f/s,检测速度提升了32.01%。将改进后的模型部署至RK3399嵌入式移动端,算法识别速度较原始算法提升了约35.04%。

改进型CenterNet的高铁无砟轨道板表面裂缝检测算法

针对传统的高铁无砟轨道板表面裂缝检测方法存在检测精度低、速度慢的问题,提出一种改进型CenterNet的高铁无砟轨道板表面裂缝检测算法。该算法在编解码网络之间加入空洞空间金字塔池化模块(ASPP),以此扩大特征图的感受野,充分提取不同尺度的上下文信息;然后在特征提取网络中加入多光谱通道注意力模块(MCA),使网络可以更好学习每个通道的权重,捕获图像丰富的输入特征信息;最后使用α-IoU损失函数来提高边界框预测的准确度。实验结果表明,本算法平均检测精度(mAP)达到84.12%,相比传统算法平均检测精度提升了3.37%,对于轨道板表面裂缝具有较好的检测效果。

基于改进YOLOv5s6的母胎外周血细胞检测

母胎外周血细胞的检测和计数为医务人员的产前诊断提供了高效、可靠的技术支持。本文提出了一种改进YOLOv5s6的目标检测模型REPYOLO-TS2,用于母胎外周血细胞的检测。首先,我们通过对HSV颜色空间中的色调(H),饱和度(S),亮度(V)三个通道添加扰动来丰富数据集的环境背景,以实现图像增强并通过马赛克数据增强方法以提高模型的泛化能力。其次,我们在主干网的尾部用C3TR模块代替原模型的C3模块并将主干网的前两个C3模块替换成Repvggblock模块,然后在模型的颈部添加了一种高效的空间转移注意力机制(S2Attention)以提高模型对不同环境背景细胞的检测精度。最后,我们将α-CIoU替换原模型的坐标损失函数CIoU,使检测器能够更快地学习高IoU目标。经过参数调试和实验验证,我们最终确定α值为0.15。最终的实验数据显示,REPYOLO-TS2模型对母体和胎儿外周血细胞的mAP值@0.5为94.2%。

改进后的YOLOv5用于跌倒行为检测

随着全球人口老龄化不断加剧,由于跌倒致死的比例也随之增加,及时发现跌倒行为对降低死亡风险至关重要。针对现有跌倒检测算法在实际应用场景中出现漏检、准确率低等问题,本文将改进后的YOLOv5目标检测方法用于跌倒行为检测。具体改进措施:将YOLOv5的边界框损失函数GIoU更换为α-IoU;引入卷积块注意力机制模块(CBAM),使网络可以更专注地学习跌倒特征;在特征融合层引入加权双向特征金字塔网络结构(BiFPN)以充分利用不同尺度的特征,从而提高检测精度。实验结果表明,改进的YOLOv5模型对跌倒行为的检测精度mAP达到了98.8%,比改进前提高了4%,满足对实际应用场景下跌倒检测的要求。

基于YOLOv5改进模型的柑橘果实识别方法

为实现在自然环境下对柑橘果实的识别,提出一种基于YOLOv5改进模型的柑橘识别方法。通过引入CBAM(convolutional block attention module,卷积注意力模块)注意力机制模块来提高网络的特征提取能力,改善遮挡目标与小目标的漏检问题;采用α-IoU损失函数代替GIoU损失函数作为边界框回归损失函数,提高边界框定位精度。结果显示:本研究提出的模型平均精度AP值达到91.3%,在GPU上对单张柑橘果实图像的检测时间为16.7 ms,模型占用内存为14.5 Mb。结果表明,本研究基于YOLOv5的改进算法可实现在自然环境下快速准确地识别柑橘果实,满足实时目标检测的实际应用需求。

基于YOLOv5改进模型的水稻害虫检测算法研究

阐述基于YOLOv5的改进水稻害虫目标检测算法的特点,该方法将协调注意力模块引入骨干网络,加强网络对方向和位置信息的感知度,引入特征融合因子和空间跳跃连接,采用设计的a-CIoU作为边界框回归损失函数,提高边框的回归精度。