基于改进YOLO v5的苹果叶部病害检测

针对YOLO v5检测模型存在的漏检率和误检率问题,改进目标检测技术,提升苹果叶部病害早期发现及定位的准确性和速度,从而减少经济损失。先采用加权双向特征金字塔网络(BiFPN)特征融合方法,有效改善PANet对多尺度特征融合的不良影响,并引入Transformer机制,有效改进原始网络结构,使其专注于有用的信息,并增强特征融合效果。再使用ATCSP模块和自上而下的特征融合方法,增强模型对多尺度疾病的检测效果,并将强大的语义信息传达至模型底层,进一步提高检测精度。使用数据集由实验室采集的苹果树叶样本构成,包含3 331张标记图像的矩形位置来标记病害。由于图像亮度分布不均匀,采用直方图均衡化和改进的直方图均衡化处理,使图像对比度得到增强,大幅降低后续图像特征提取的计算量。在训练和测试过程中,还对原始病害图像进行旋转、随机亮度增强、随机色度增强、随机对比度增强和锐化等数据增强操作。结果表明,改进的YOLO v5检测算法可以显著提高苹果叶部病害检测的精度,对比原始算法,平均精度mAP@0.5提高20.8%。改进YOLO v5苹果叶部病害检测算法能够及时发现和定位苹果叶部病害,进而为深度学习技术在农业病害监测中的广泛应用提供技术支撑。

基于改进YOLO v5方法的电力设备红外图像识别方法

为解决电力设备红外图像有遮挡、分类不准确和特征提取不充分等问题,本文提出一种改进的YOLOv5识别方法。首先通过迁移学习的方法,将电力设备可见光图像和红外图像相融合,接着将Triplet注意力机制嵌入到特征提取网络中,对关键特征信息进行加权强化,最后通过多尺度融合的方法实现不同目标的识别。研究结果表明:相对于Faster R-CNN和SSD,本文方法的识别精度和识别效率最高,且适应于复杂背景下的多类型电力设备识别;本文方法的模型仅4.1 MB,相较于SSD缩减了80.8%,实现了网络模型的轻量化。本文方法为电力设备红外图像智能检测提供了新颖可行的方案。

基于改进YOLO v8模型的烟草食叶性害虫识别

烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾是烟草上重要的食叶性害虫,它们的准确识别是虫情预报和防治的基础。提出了基于改进的YOLO v8模型的烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾的识别方法,首先在YOLO v8的C2f模块中加入了EMA注意力机制,提高了YOLO v8模型对于烟草害虫的关注度;其次使用SIoU Loss改进YOLO v8的边界框损失函数,提高模型定位的准确性并加速模型收敛;最后利用AFPN渐近特征金字塔网络改进了YOLO v8对非相邻特征的融合效果,提高了模型对烟草害虫特征提取的效率和准确率。与Faster R-CNN、SSD、Retinanet、YOLO v3-tiny、YOLO v4-tiny、YOLO v5s和YOLO v8等目标检测模型在本研究所构建的4种常见烟草害虫的数据集上进行对比,试验结果表明,本研究所提出的方法在精确率、召回率和平均精度均值(mAP)上比原有的YOLO v8模型及上述其他目标检测模型平均提高了6.24、6.53、7.22百分点,为烟草害虫的精准识别提供了技术支持。

基于YOLO v5s改进模型的玉米作物病虫害检测方法

针对玉米作物病虫害目标检测中由于图像背景复杂、无关因素干扰较多而导致的对病虫害目标检测效果不理想等问题,采用深度学习技术,提出一种基于YOLO v5s改进模型的玉米作物病虫害检测方法。该方法通过引入无参SimAM注意力机制对YOLO v5s模型进行改进,利用该机制能更全面地评估模型特征权重,以增强玉米病虫害的特征,削弱复杂背景和无关信息的干扰,从而提高模型的检测性能。同时,将模型的损失函数由CIOU替换为EIOU,可使病虫害预测框更加接近真实框,以提升模型检测的准确率。通过自建的玉米病虫害数据集对模型进行试验对比,结果表明,YOLO v5s(EIOU+SimAM)改进模型的精确率为94.6%,召回率为83.4%,平均精度均值为90.1%。经比较发现,改进模型比原始模型在上述3个指标方面分别提升了5.4、0.5、1.9百分点,说明YOLO v5s(EIOU+SimAM)模型对玉米病虫害检测具有较强的鲁棒性和泛化性。

基于改进YOLO v5s的马铃薯种薯芽眼检测方法

芽眼检测是马铃薯种薯智能切块首先要解决的问题,为实现种薯芽眼精准高效检测,提出了一种基于改进YOLO v5s的马铃薯种薯芽眼检测方法。首先通过加入CBAM注意力机制,加强对马铃薯种薯芽眼图像的特征学习和特征提取,同时弱化与芽眼相似的马铃薯种薯表面背景对检测结果的影响。其次引入加权双向特征金字塔BiFPN增加经骨干网络提取的种薯芽眼原始信息,为不同尺度特征图赋予不同权重,使得多尺度特征融合更加合理。最后替换为改进的高效解耦头Decoupled Head区分回归和分类,加快模型收敛速度,进一步提升马铃薯种薯芽眼检测性能。试验结果表明,改进YOLO v5s模型准确率、召回率和平均精度均值分别为93.3%、93.4%和95.2%;相比原始YOLO v5s模型,平均精度均值提高3.2个百分点,准确率、召回率分别提高0.9、1.7个百分点;不同模型对比分析表明,改进YOLO v5s模型与Faster R-CNN、YOLO v3、YOLO v6、YOLOX和YOLO v7等模型相比有着较大优势,平均精度均值分别提高8.4、3.1、9.0、12.9、4.4个百分点。在种薯自动切块芽眼检测试验中,改进YOLO v5s模型平均召回率为91.5%,相比原始YOLO v5s模型提高17.5个百分点。本文方法可为研制马铃薯种薯智能切块芽眼识别装置提供技术支持。

基于YOLO v5-IBX网络模型的公路隧道衬砌裂缝检测方法研究

目的 针对传统隧道衬砌裂缝检测效率低、成本高、周期长以及当前基于计算机视觉、图像处理技术的裂缝智能检测方法效率低、精度低、检测结果不准确等问题,提出一种改进的网络模型YOLO v5-IBX对公路隧道衬砌裂缝进行智能检测。方法 在原始YOLO v5网络模型的检测层中新增一个低维尺度和在特征提取层中融入注意力机制,提高特征融合利用和对小目标的检测精度,降低网络参数的计算量,达到减少裂缝细节信息丢失的目的;对采集到的公路隧道衬砌裂缝图像,通过图像翻转、裁剪、调整图像饱和度、对比度等随机转换方式来进行数据增强,增加数据特征样本,建立数据集,以满足模型检测的需求;在建立的隧道衬砌裂缝数据集上进行试验,以精确率、召回率、计算平均精度及平均精度均值作为检测精度的综合评价指标,将笔者提出的网络模型YOLO v5-IBX与原始的YOLO v5等其他网络模型进行对比。结果 采用改进的网络模型YOLO v5-IBX检测隧道衬砌裂缝,在迭代300次的情况下,训练损失可以降到0.014,裂缝检测精度率达到97.8%左右,召回率达到97.7%左右,精度均值达到98.6%左右,均优于其他模型,检测精度得到有效提高。结论 相比较传统的人工检测方法和原始YOLO v5检测算法,改进的网络模型YOLO v5-IBX可以更快速、准确地识别出隧道衬砌裂缝,为隧道衬砌裂缝检测提供新的更加实用的检测方案。

基于改进YOLO v5s的经产母猪发情检测方法研究

为解决限位栏场景下经产母猪查情难度大、过于依赖公猪试情和人工查情的问题,提出了一种基于改进YOLO v5s算法的经产母猪发情快速检测方法。首先,利用马赛克增强方式(Mosaic data augmentation, MDA)扩充数据集,以丰富数据表征;然后,利用稀疏训练(Sparse training, ST)、迭代通道剪枝(Network pruning, NP)、模型微调(Fine tune, FT)等方式重构模型,实现模型压缩与加速;最后,使用DIOU_NMS代替GIOU_NMS,以提高目标框的识别精度,确保模型轻量化后,仍保持较高的检测精度。试验表明,优化后的算法识别平均精确率可达97.8%,单幅图像平均检测时间仅1.7 ms,单帧视频平均检测时间仅6 ms。分析空怀期母猪发情期与非发情期的交互行为特征,发现母猪发情期较非发情期交互时长与频率均显著提高(P<0.001)。以20 s作为发情检测阈值时,发情检测特异性为89.1%、准确率为89.6%、灵敏度为90.0%,该方法能够实现发情母猪快速检测。

基于YOLO v5s的作物叶片病害检测模型轻量化方法

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构(Lightweight convolutional neural networks,LCNN)替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层(Batch normalization layer)的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0 f/s,移动端检测帧率1.2 f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。

基于改进YOLO v5s算法的大豆叶片虫洞的识别

鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害,提出了一种大豆叶片虫洞的识别方法:以YOLO v5s网络作为基础,在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理,提取虫洞边缘不规则信息;将特征信息输入空间注意力机制,提取时空融合信息,进而捕获野外不同背景下的颜色信息;针对大豆叶片虫洞目标远近不一的问题,重构特征金字塔结构,增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图,并将其与浅层同尺寸特征图进行拼接,提高虫洞目标识别定位的准确性;将融合后的总特征输入目标检测模块,输出单个对象的检测外框,得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试,结果对大豆叶片虫洞的平均识别准确率最高达95.24%,模型存储空间为15.1 MB,每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比,对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。

基于YOLO v5的探地雷达地下空洞与管线图像自动识别技术

为了提高探地雷达图像中的病害自动识别的效率和准确度,通过现场实测和正演模拟的方法获得并扩充训练数据集,用于训练YOLO v5模型,以实现对探地雷达图像中地下空洞与管线的快速准确分类。结果表明:①YOLO v5模型能较好的定位和区分地下空洞、金属管线和混凝土管线三类地下目标。②使用正演模拟对数据集增广能提升模型的精准度和召回率,但数据增广比例不宜过高。③由于混凝土相对介电常数更接近土壤,因此混凝土管道的识别准确率较低。研究可为地下病害检测和识别工作提供一定参考。

基于改进YOLO v5s算法的沥青路面裂缝病害识别

以沥青路面裂缝病害为研究对象,旨在以及时发现路面损伤并进行针对性养护决策为视角,通过基于YOLO v5s神经网络结构的方法,为沥青路面病害识别提供参照。在裂缝病害特征提取过程中增加自适应注意力模块和特征增强模块,通过减少特征通道和增强特征金字塔,提取裂缝边缘不规则信息,可以有效提高裂缝识别准确率。同时,针对裂缝目标尺寸差异的挑战,通过重构特征金字塔结构,能够有效提高裂缝目标检测与定位的精确度。实验证明,改进算法对沥青路面裂缝识别准确率高达90.75%,相较于YOLO v3、YOLO v4及YOLO v5s识别算法,裂缝识别的平均准确度分别提高了11.58%、8.9%、1.98%,表明改进后的YOLO v5s算法在沥青路面裂缝识别上拥有更优的准确率。

基于改进YOLO v5的矿山石块实例分割算法

随着工业工程的发展,矿山挖掘作业的安全性要求越来越高,挖掘机械的智能化已经成为未来发展的趋势。破碎目标物的高效识别,是实现破碎锤挖掘机无人驾驶的关键技术之一。本文提出了一种基于改进YOLO v5的实例分割网络模型Rock-YOLO v5,分别从通道注意力机制与空间注意力机制两方面对原始YOLO v5算法进行改进。通过对采集到的图像进行预处理,产生训练样本,构建出石块图像数据集。相较于其他方法,本文方法可以准确地分割出石块区域,在测试图像集上显示出更好的分割精度,对于复杂环境下的目标堆积和遮挡问题具有一定的鲁棒性。通过试验验证,Rock-YOLO v5的目标精度达到90.3%,相较于YOLO v5l-seg,优化后的模型在分割精度上提高了5.3%,能够高效的完成矿山石块的分割任务。

基于YOLO v5-Jetson TX2的秸秆覆盖农田杂草检测方法

玉米苗期杂草的实时检测和精准识别是实现精准除草和智能农业的基础和前提。针对保护性耕作模式地表环境复杂、杂草易受地表秸秆残茬覆盖影响、现有算法检测速度不理想等问题,提出一种适用于Jetson TX2移动端部署的秸秆覆盖农田杂草检测方法。运用深度学习技术对玉米苗期杂草图像的高层语义信息进行提取与分析,构建玉米苗期杂草检测模型。在YOLO v5s模型的基础上,缩小网络模型宽度对其进行轻量化改进。为平衡模型检测速度和检测精度,采用TensorRT推理加速框架解析网络模型,融合推理网络中的维度张量,实现网络结构的重构与优化,减少模型运行时的算力需求。将模型迁移部署至Jetson TX2移动端平台,并对各模型进行训练测试。检测结果表明,轻量化改进YOLO v5ss、YOLO v5sm、YOLO v5sl模型的精确率分别为85.7%、94%、95.3%,检测速度分别为80、79.36、81.97 f/s,YOLO v5sl模型综合表现最佳。在Jetson TX2嵌入式端推理加速后,YOLO v5sl模型的检测精确率为93.6%,检测速度为28.33 f/s,比模型加速前提速77.8%,能够在保证检测精度的同时实现玉米苗期杂草目标的实时检测,为硬件资源有限的田间精准除草作业提供技术支撑。

基于改进YOLO v5的夜间温室番茄果实快速识别

为实现日光温室夜间环境下采摘机器人正常工作以及番茄快速识别,提出一种基于改进YOLO v5的夜间番茄果实的识别方法。采集夜间环境下番茄图像2000幅作为训练样本,通过建立一种基于交并比的CIOU目标位置损失函数,对原损失函数进行改进,根据计算函数anchor生成自适应锚定框,确定最佳锚定框尺寸,构建改进型YOLO v5网络模型。试验结果表明,改进YOLO v5网络模型对夜间环境下番茄绿色果实识别精度、红色果实识别精度、综合平均识别精度分别为96.2%、97.6%和96.8%,对比CNN卷积网络模型及YOLO v5模型,提高了被遮挡特征物与暗光下特征物的识别精度,改善了模型鲁棒性。将改进YOLO v5网络模型通过编译将训练结果写入安卓系统制作快速检测应用软件,验证了模型对夜间环境下番茄果实识别的可靠性与准确性,可为番茄实时检测系统的相关研究提供参考。

轻量级多场景群养猪只行为识别模型研究

针对现有猪只行为识别模型体积大、识别场景单一、部署应用硬件要求高等问题,本文提出轻量级多场景群养猪只行为识别模型YOLO v5n-PBR(YOLO v5n for pig behavior recognition)。首先通过拍摄和收集不同养殖场景、不同猪只数量及不同角度的群养猪只行为数据构建多场景群养猪只行为数据集,并根据该数据集中猪只行为目标的特点引入迁移学习方法和OTA(Optimal transport assignment)标签分配方法对YOLO v5n模型进行训练,加快模型收敛速度并提升模型精度,构建高精度多场景群养猪只行为识别模型;然后利用L1-norm剪枝算法筛选并删减模型中不重要的通道,去除冗余参数;最后通过微调训练和中间特征知识蒸馏去除剪枝带来的性能劣化,从而得到轻量级多场景群养猪只行为识别模型YOLO v5n-PBR并进行嵌入式设备部署。实验结果表明,YOLO v5n-PBR模型平均精度均值(mean average precision,mAP)为96.9%,参数量、计算量和内存占用量分别为4.700×10^(5)、1.20×10^(9)和1.2 MB,在两种不同系统和不同硬件配置的嵌入式设备上的部署实时识别帧率分别为12.2帧/s和66.3帧/s,与原始模型YOLO v5n相比,mAP提高1.1个百分点,参数量、计算量和内存占用量分别减少73.3%、70.7%和68.4%,部署实时识别帧率分别提高74.3%和83.1%。此外,基于多场景群养猪只行为数据集训练得到的YOLO v5n-PBR模型在4个单场景或双场景的群养猪只行为数据集上的mAP均能达到98.1%,对2种不同养殖场景的6段猪只行为视频的嵌入式设备部署识别统计结果与人工统计结果相近,平均精确率和平均召回率均为95.3%,以较少的参数达到较强的泛化性。本文提出的YOLO v5n-PBR模型具有精度高、体积小、速度快、泛化性强等优点,可满足嵌入式设备部署要求,为猪只行为的实时、准确监测及猪只行为识别模型的部署应用提供技术基础。

融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别

及时、准确地监测奶牛发情行为是现代化奶牛养殖的必然要求。针对人工监测奶牛发情不及时、效率低等问题,该研究提出了一种融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别方法。在保证模型检测精度的基础上,基于通道剪枝算法,对包括CSPDarknet53主干特征提取网络等在内的模块进行了修剪,以期压缩模型结构与参数量并提高检测速度。为了验证算法的有效性,在2239幅奶牛爬跨行为数据集上进行测试,并与Faster R-CNN、SSD、YOLOX-Nano和YOLOv5-Nano模型进行了对比。试验结果表明,剪枝后模型均值平均精度(mean Average Precision,mAP)为97.70%,参数量(Params)为0.72 M,浮点计算量(Floating Point operations,FLOPs)为0.68 G,检测速度为50.26帧/s,与原始模型YOLOv5-Nano相比,剪枝后模型mAP不变的情况下,参数量和计算量分别减少了59.32%和49.63%,检测速度提高了33.71%,表明该剪枝操作可有效提升模型性能。与Faster R-CNN、SSD、YOLOX-Nano模型相比,该研究模型的mAP在与之相近的基础上,参数量分别减少了135.97、22.89和0.18 M,FLOPs分别减少了153.69、86.73和0.14 G,检测速度分别提高了36.04、13.22和23.02帧/s。此外,对模型在不同光照、不同遮挡、多尺度目标等复杂环境以及新环境下的检测结果表明,夜间环境下mAP为99.50%,轻度、中度、重度3种遮挡情况下平均mAP为93.53%,中等尺寸目标和小目标情况下平均mAP为98.77%,泛化性试验中奶牛爬跨行为检出率为84.62%,误检率为7.69%。综上,该模型具有轻量化、高精度、实时性、鲁棒性强、泛化性高等优点,可为复杂养殖环境、全天候条件下奶牛发情行为的准确、实时监测提供借鉴。

基于YOLO v5与层次化分类算法的生活垃圾识别研究

目前我国传统生活垃圾分类工厂的工作方式仍然以人工分拣为主,为解决工人工作效率低和工作环境恶劣等问题,自动化垃圾分类工厂应运而生,而作为其技术支撑的生活垃圾检测算法则是衡量自动化工厂分拣效率的一个重要指标。文章提出一种基于YOLO v5与层次化分类算法,首先将特征相似、难以区分的垃圾图片整合后作为新的类别数据,裁剪后训练得到分类模型。其次将YOLO v5网络的输出经分类网络得到细分的预测类别,再重新赋予YOLO v5的输出完成识别,最终将此算法应用于生活垃圾的识别工作中。实验结果表明改进算法较原算法模型的AP88提高0.5个百分点,AP89提高1.7个百分点,AP90提高2.8个百分点,能够有效提升生活垃圾的识别率。

深度学习的红外热成像电路板元器件识别研究

针对现有YOLO目标检测算法在自建数据集漏检率高、图像受复杂环境影响造成检测准确率低等问题,提出一种基于YOLO v5改进的红外图像识别算法。根据红外数据图片的独特性质,重新设计主干网络部分,引入全维动态卷积(OMNI-Dimensional Dynamic Convolution, ODConv)模块和改进坐标注意力(Coordinate Attention, CA)机制,提高模型对小目标的检测精确度并减少参数量;其次,引入解耦头(Decoupled Head, DH)模块,提高模型训练的收敛速度;最后,加入GSConv(Graph-Shifted Convolution) Slim模块,以降低模型的复杂度,提高预测速度。实验结果表明:改进后的算法模型漏检率降低40.22%,每秒浮点运算次数(Floating-point Operations Per Second, FLOPs)提升了25%,平均准确率提升了28.32%。

基于机器视觉的啤酒金属盖表面缺陷检测方法

目的为了提高啤酒金属盖表面缺陷检测的精度和准确率,提出一种基于机器视觉的金属盖表面缺陷检测方法。方法以不同类型的啤酒金属盖表面缺陷为研究对象,利用滤波抑噪和高反差保留算法对图像进行处理,运用YOLO–v5网络完成瓶盖的缺陷检测。通过添加注意力机制SE模块、改进模型损失函数和预测框筛选方式等技术手段对原YOLO–v5模型作出优化,抑制图像中的不重要特征,提升小目标检测的准确率和模型的特征提取能力。结果改进后的YOLO–v5模型与常用的检测模型的对比结果表明,改进YOLO–v5模型在测试集上的mPA指标为93.10%,检测速度达到了294张/min,优势较为明显。结论针对不同类型的金属盖表面缺陷,基于机器视觉的检测模型均有较高的检测精度和识别准确率,小目标缺陷的漏检率和误检率情况较少,满足生产线实时、高精度的检测要求。

基于轻量化网络与注意力机制的育肥猪采食行为识别方法研究

[目的]针对育肥猪采食行为识别误差大、检测速度慢等问题,提出一种具有轻量化结构的育肥猪采食行为检测模型,实现对育肥猪采食行为的快速检测与采食时长统计。[方法]以YOLO v5L目标检测算法为基础,构建侧视视角下的猪只采食行为检测模型。对比更换不同轻量化主干网络后对模型检测效果的影响,选取性能最优的模型;改进ShuffleNet V2网络结构基本单元,采用Mish激活函数提高模型泛化能力与推理速度,引入SE注意力机制给予目标特征更高的权重以提高目标识别精度;对比分析模型增加非营养性访问行为检测前、后的采食行为识别准确率。[结果]优化后的育肥猪采食行为检测模型大小为38.2 MB,计算量为37.8 GFLOPs,视频检测平均帧耗时7.6 ms。与非营养性访问行为进行区分识别后,猪只采食行为检测识别准确率为96.4%,召回率为92.5%。模型检测采食时长与人工统计采食时长相对误差为6.1%。[结论]改进的YOLO v5L-ShuffleNet网络模型检测速度和模型大小均能满足实际生产需求,可在复杂养殖环境中全天候识别育肥猪采食行为。