基于改进轻量化YOLOv5s的卷烟厂烟草粉螟视觉检测方法

针对卷烟厂仓储车间在检测烟草粉螟时普遍存在的检测速度慢及检测精度低的问题,研发了一种基于改进轻量化YOLOv5s的卷烟厂烟草粉螟视觉检测方法。该方法利用特征图之间的相关性和冗余性设计EESP-Ghost模块,并以该模块为基础设计融合高效空间金字塔的双重注意力Ghost-bneck模块,将其引入到YOLOv5s模型中以实现深度神经网络模型的轻量化,同时提高检测精度。利用烟草粉螟数据集对该方法进行验证实验,结果表明,该方法在参数量仅为原始YOLOv5s参数量49.88%的情况下,检测平均精度(mAP)提升了4.37%。该方法在真实检测场景下对粘附到粘虫板上的烟草粉螟进行检测时,检测置信度、正确检测数均较高,可实现对卷烟厂烟草粉螟的高精度实时检测,为烟草粉螟的有效防治提供保障。

基于改进YOLOv5s的轻量化安全帽佩戴检测算法

针对基于神经网络的安全帽检测工作场景模型部署嵌入式设备困难的问题,提出了一种基于改进YOLOv5s的轻量化目标检测算法。首先将YOLOv5s的主干网络替换为轻量化网络MobilenetV3,降低模型的参数量和计算量,保留模型的SPPF模块以提高模型对不同尺寸目标的检测能力;其次,在模型的Neck和Head之间添加注意力机制,以更好地捕获图像中的目标信息,提高精确度和鲁棒性;最后,将模型损失函数替换为EIoU,加速模型收敛,提高模型检测精度。通过自建安全帽数据集对所提模型进行了训练和验证,实验结果表明,相较于原模型,检测精确度提升了1.2%,参数量降低了39.4%、计算量降低了56.3%,模型体积压缩了38.6%,为基于改进YOLOv5s的安全帽识别算法在嵌入式设备上部署提供了一种有效的方法。

基于改进YOLOv5s轻量化模型的红外场景目标检测方法研究

红外技术在防备夜间作战和隐蔽作战中发挥的作用是至关重要的,针对如何平衡红外图像检测精度与轻量化的问题,提出一种基于红外场景下的轻量化目标检测模型M-YOLOv5。该网络模型采用改进的ShuffleBlock模块替换原有的CSP骨干网络。此外,应用轻量级上采样算子CARAFE替换原有上采样模块,在C3模块中加入SE注意力机制,降低冗余信息,提高特征的区分性和表征能力,重新设计损失函数,E-IoU作为新的损失函数,加快模型收敛速度。在公开数据集FLIR上进行了实验,实验结果表明:改进之后网络模型的平均检测精度达到73.0%,仅降低2.9个百分点,而M-YOLOv5模型的网络参数数量、理论计算量分别减少40%、39%,模型的推理速度提高52%,满足部署于边缘设备的需求。

安全帽与反光衣的轻量化检测:改进YOLOv5s的算法

安全帽与反光衣检测对生产与交通环境的安全管理具有重要意义。针对目前安全帽和反光衣检测算法参数量大、计算量大和模型体积较大等问题,提出了一种基于YOLOv5s轻量化改进的检测算法。引入GhostNet网络结构中的Ghost模块代替原有的部分卷积与C3模块,大大降低了模型的复杂度。在主干网中增加CA注意力机制,抑制无效信息,增强对特征丰富区域的提取。用C3CBAM代替neck层的C3模块,既减少参数量,又提高了检测精度。实验结果表明,改进模型的mAP(平均精度)为93.6%,参数量为4.28×10^(6),计算量为9.2 GFLOPs,模型大小为8.58 MB。与YOLOv5模型相比较参数量减少了39%,计算量减少了41.7%,模型大小降低37.3%。该检测算法既保证了检测的识别准确率,又实现了检测算法的轻量化。

基于YOLOv5s室内目标检测轻量化改进算法研究

针对现有室内目标检测算法,存在结构复杂,计算量以及模型参数量过大等问题,难以部署到计算能力有限的室内机器人平台,实现高效的目标检测。为解决这一问题,提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征提取网络,并且在改进的主干网络基础上采用CA注意力机制,同时在颈部网络中采用GSConv和VOV-GSCSP模块。最后引入边框回归损失函数EIOU加快网络收敛。研究结果表明,改进后的目标检测算法,模型计算量减少了68.75%,模型参数量减少了62.2%,权重文件减少了59.7%,平均精确率mAP均值为0.653,改进后的目标检测模型能够在保证轻量化的同时保证检测精度。

基于改进YOLOv5s的轻量化交通灯检测算法

针对目前交通灯检测算法网络模型参数量过大、实时性差的问题,提出了一种基于改进YOLOv5s的轻量化交通灯检测算法.首先,用轻量化网络MobileNetv3替换原主干网络并引入注意力机制,在对检测精度影响不大的前提下降低模型参数量;然后,使用深度可分离卷积替换颈部网络中的传统标准卷积,进一步降低模型参数量;接着,针对交通灯尺度小的特点,删除检测大目标的检测层;最后,改进边框回归损失函数,提升边框检测精度.同时,为了能实时部署在嵌入式平台,该算法对网络进行通道剪枝实现模型压缩和加速.实验结果表明,该算法在嵌入式平台NVIDIA Jetson Xavier NX上能达到48.1帧/s的检测速度,相比原始YOLOv5s牺牲了1.5%的mAP,但是该模型体积压缩了54.3%,检测速度提高为原来的2.6倍,可以满足在交通道路中实时对交通灯检测的需要.

基于改进YOLOv5s的轻量级绝缘子缺失检测

针对现有绝缘子缺失检测模型计算复杂度高和小目标难以检测等问题,提出一种基于改进的YOLOv5s轻量级检测模型。首先,移除主干网络中的C3模块来减少模型的参数量。其次,在多尺度特征融合网络中引入卷积块注意力机制来提高复杂背景下模型的特征提取能力。同时,采用加权双向特征金字塔网络结构对特征进行双向跨尺度加权融合,提升网络在遮挡物、相似目标干扰下目标的检测性能。最后,选用SIoU损失函数提升网络的收敛速度和检测精度。实验结果表明,所提模型的平均精准率为96.8%,浮点运算数为2.8 GFLOPS,而原始YOLOv5s在保证97.4%的平均精准率下的浮点运算数为16.3 GFLOPS。相较于原始模型,所提模型对小目标、遮挡目标以及模糊等场景有着较强的鲁棒性,且在保证近似检测精度的同时极大减少了计算量。

基于轻量化改进型YOLOv5s的玉米病虫害检测方法

针对复杂环境下目前现有的玉米病虫害检测方法的精度不理想、模型复杂、难以在移动端部署等问题,本研究提出了基于轻量化改进型YOLOv5s的玉米病虫害检测方法。首先,采用轻量级网络GhostNet替换原始YOLOv5s模型中特征提取网络和特征融合网络的卷积层,降低模型的计算量和参数量,提高运行速度,以满足移动端的部署要求;其次,为弥补GhostNet所带来的检测精度下降缺陷,在模型的主干特征提取网络中引入注意力机制,更加全面地评估特征权值,以增强玉米病虫害的特征,减弱无关信息的干扰,提升检测性能;最后,将模型的损失函数由CIOU替换为EIOU,以增强模型对目标的精确定位能力,从而提升模型的收敛速度和回归精度。试验结果表明,改进模型相比原始YOLOv5s模型在对供试玉米病虫害检测中,P、R和mAP分别提高了1.9个百分点、2.2个百分点和2.0个百分点,分别达到了94.6%、80.2%和88.8%;在保持较高检测精度的同时,模型的计算量、参数量和模型大小分别减少了50.6%、52.9%和50.4%,解决了检测模型在移动端的部署问题。

基于YOLOv5s轻量化改进的LCD缺陷检测方法

针对目前LCD缺陷检测速度较慢、检测精度较低的现状,本文提出一种YOLOv5s轻量化改进模型来检测识别LCD所存在的缺陷情况。通过改进上采样CARAFE算子进行Nearest的替换,并修改其kencoder与kreassembly两项参数进行对比;同时,增加CBAM注意力机制,更加关注目标区域特征信息以提升模型召回率;最后进行轻量化设计替换C3为C3_Ghost,以达到参数量、运输量以及模型大小的减小。实验结果说明,改进YOLOv5s算法在原模型基础上,准确率P提高了2.1%,召回率R提高了5.4%,模型平均精度mAP达到88.8%,相对于改进前提高了2.1%,参数量和运算量分别减少了15.6%和20.9%,并且模型大小减少了14.6%。整体而言,改进后的算法模型更加轻量化,模型MB减小并且参数量以及运算量相对减少,因此方便对低算力硬件进行部署,同时也为LCD工厂智能检测技术提供一定技术参考。

基于改进YOLOv5s的轻量级葡萄目标检测融合算法

针对农业自动采摘机械对目标检测模型准确率、实时性及轻量化的需求,提出了一种轻量级葡萄目标检测网络YM-GDM(YOLOv5s-MobileNetV3 grape detection model)。使用MobileNetV3代替CSPDarknet53作为YOLOv5s的主干网络,以实现模型的轻量化;引入Res2Net_C2f模块和BiFPN(Bi?directional feature pyramid network)结构,以提高模型的多尺度特征融合能力;同时,改用VariFocalLoss损失函数对模型进行训练,以减少正负样本不均带来的影响。使用包含5类食用葡萄的自制数据集与包含5类酿酒葡萄的公开数据集(WGISD)作为试验数据集进行测试。结果表明,YMGDM网络对10个品种葡萄的目标检测平均精度均值(mAP50)达到90.8%,比YOLOv3-tiny、YOLOv5s分别提升6.2、2.2百分点;模型体积为9.72 MB,相比YOLOv3-tiny、YOLOv5s分别缩小44.4%、32.8%。此外,进一步减少参数量得到了轻量特化模型YM-GDM-tiny,模型体积缩小到4.73 MB,mAP50达到86.8%,以部署于算力更低的移动设备。

基于YOLOv5s的轻量化红外图像行人目标检测研究

基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。

基于机器视觉和改进YOLOv5s的鲫病害轻量级无损检测模型

以鲫(Carassius auratus)常见病害为例,从实际生产角度出发,提出了一种基于机器视觉和改进YOLOv5s的鲫病害轻量级无损检测模型,可实现鲫鱼体多种病害的同步无损快速检测。首先,通过利用Shuf-fleNetV2替换YOLOv5s主干网络,对模型进行轻量化改进;在此基础上,耦合一种基于卷积块的注意力机制[Convolutional block attention module(CBAM)]提高模型精准度;最后,结合空洞空间卷积池化金字塔[Atrous spatial pyramid pooling(ASPP)]提升模型鲁棒性。通过在自制鲫病害数据集上测试可知,文章所提出模型病害检测精确率可达92.0%,模型体积仅为14400 kb,优于当前相关主流模型(最高精确率为83.6%,最小体积为15750 kb),为水产养殖鱼类病害无损快速检测提供了技术支撑。

基于轻量化YOLOv5s的集装箱锁孔识别算法

为提高现有集装箱的锁孔识别检测效率,减少算法参数量以及减小模型大小,提出了一种基于轻量化YOLOv5s的集装箱锁孔识别算法。该算法将YOLOv5s的Backbone主干特征提取网络部分更换为轻量级神经网络模型MobileNetV3,并对neck部分的特征融合结构进行进一步的优化,减少了模型的参数量和计算量,并提高了检测速度。引入注意力机制SimAM层,提高了检测的准确率和效率。使用不同的改进方法对模型进行重构后,在自建的集装箱锁孔数据集上进行训练和测试,并与改进的YOLOv5s进行对比实验。结果表明,改进后的模型大小仅为2.4 MB,每幅图像的平均检测时间仅为5.1ms,平均检测精度达97.3%;与原始目标检测模型相比,该模型的大小减小了82.8%,检测速度提高了39%,在确保高检测精度的前提下展现出了较强的算法实时性。

基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。

基于轻量化YOLOv5s的售货柜商品识别方法

自动售货柜行业在中国内地地区大中城市中发展势头迅猛。传统的售货柜采用硬件分隔、重量判断和射频感应等商品识别方法,导致售货柜空间利用率低和购物体验较差。目前基于深度学习的目标检测方法如YOLOv5s等被应用于商品识别领域,而现有的目标检测算法网络模型参数多、计算量大,难以在售货柜嵌入式系统部署应用。针对上述问题基于YOLOv5s提出一种轻量化的商品识别算法模型。首先采用轻量化网络ShuffleNetv2替换YOLOv5s原来的主干网络,大量缩减网络模型的参数数量和计算量;然后在模型颈部的所有C3层引入注意力机制CBAM形成C3CBAM,提取图像中的关键信息进行自适应特征融合,提高网络检测精度;最后利用WIoU Loss代替CIo U Loss作为回归损失函数,借助WIo U的动态非单调聚焦机制重点关注普通质量的锚框,提高网络模型的整体性能。设置4组不同的实验进行验证分析,实验结果表明,利用ShuffleNetv2替换原始YOLOv5s的主干网络后,网络的参数量和计算量分别降低了84.3%和86.4%,有效减少了内存占有率,改进后的YOLOv5s算法实现了模型轻量化和检测精度的有效平衡,能够部署在售货柜嵌入式系统中进行商品识别,对商品智能识别算法方面的研究具有重要借鉴意义。

基于轻量化YOLOv5s的安全帽佩戴检测算法

在各种高危行业,人员在施工中佩戴安全帽是很好的安全保护措施之一。为解决检测模型参数大无法在移动端和嵌入式设备部署等问题,提出YOLOv5-MN检测算法用于安全帽佩戴检测。首先,将GhostNet的轻量级模块Ghost引入YOLOv5的主干网络中进行优化,通过将输入特征图分为两个部分,分别进行不同程度的卷积操作,以减少计算复杂度。其次,采用新的特征融合网络结构BiFPN,将不同层级的特征图进行融合,以获取更丰富的语义信息。最后,增加ECA注意力机制,通过在特征图上引入通道注意力模块,动态地调整通道之间的重要程度,以提升模型的感知能力。实验结果表明,轻量化后的YOLOv5模型复杂度显著减小,推理速度大幅提高。

基于改进YOLOv5的乒乓球轻量化网络检测模型

球类运动是传统体育竞技中受关注度最高的一类运动,球类的目标检测可以用于提高体育比赛的分析、监控系统的安全性以及虚拟现实体验的真实感。YOLOv5作为优秀的单阶段检测算法,因其平台移植方便与检测步骤简易,是计算机视觉领域近年来使用频率最高的目标检测算法之一。但是YOLOv5模型参数量较大,为了减少参数量以便更快地移植到其他平台上,文章提出一种轻量化的改进YOLOv5算法,该算法以YOLOv5s为基础模型,通过将主干网络替换为改进的MobileNetv3、在颈部引入CBAM注意力机制并改进C3模块等方法,减少计算量并提升精度。对训练完成后的改进模型进行验证,实验结果表明改进后的检测算法参数量大致下降了65%,平均精度提升了0.5%,满足乒乓球实际应用场景的精度要求和实时性。

基于改进YOLOv5s的轻量级水下鱼群检测与识别

为进一步提高水下鱼群检测与识别的检测精度和工作效率,提出了一种改进DCG-YOLOv5s的轻量化水下鱼群检测算法。首先为了增强网络模型的特征提取能力及识别准确性,在Backbone主干网络的卷积层中引入可变形卷积;其次采用轻量级上采样算子CARAFE,在增大感受野的同时进一步提高模型对于水下鱼群的识别效果;最后引入了GhostBottleneck替换原结构中的部分C3结构,在不影响精度的前提下实现了轻量化。实验结果表明,改进后模型的平均检测精度、计算量均有明显提高,达到了轻量化的效果。

基于YOLOv5的车辆目标检测算法轻量化改进

针对传统路端车辆目标检测算法参数多、检测速度较慢等问题,提出了基于YOLOv5的车辆目标检测算法轻量化改进。首先,选用轻量化EfficientnetV2卷积神经网络对原骨干网络进行重构,同时在网络中引入GAM注意力机制;其次,为平衡CIoU损失和IoU损失在损失函数中的权重,引入α-CIoU损失代替原有的CIoU损失;最后,使用soft-NMS算法替换原有的NMS非极大值抑制算法。结果表明:相比原算法,改进后算法的精度提升了2.51%,检测速度提升了8.6%,模型大小降低了31.7%;改进后的模型在提升检测速度的同时,还提高了路端车辆目标的检测性能。

改进YOLOv5的轻量化RGB-IR融合小目标检测

针对RGB-IR图像中的目标检测问题,文章提出一种基于YOLOv5的轻量化RGB-IR融合小目标检测算法。该算法首先使用单应性变换对齐RGB与IR图像,并拼接为四通道张量输入检测网络,以实现联合特征提取。其次,使用SE注意力机制分配特征通道权重,以实现特征级融合,减少特征矛盾并提高检测的鲁棒性,并进一步改进网络连接,使用浅层特征以增强小目标检测准确性。最后,使用Ghost卷积替代传统卷积,以降低计算量与参数量。实验结果表明,该融合检测算法在小目标数据集上验证改进结果明显,并实现嵌入式部署验证,在2TOPS算力NPU上实现30fps帧率的实时检测。