基于改进YOLOv5算法的无人机巡检图像智能识别方法

提出一种基于改进YOLOv5算法的无人机巡检图像智能识别方法。该方法构建无人机巡检图像的相邻图像独立坐标系,并利用相对定向法确定图像中共同目标的位置关系。将巡检目标统一转换至同一坐标系下,采用先进的分割技术提取目标纹理特征向量,为后续的图像识别提供了有力支持。在改进YOLOv5算法的过程中,特别注重多尺度网络的选择与融合激活函数及损失函数的优化组合。采用大疆无人机获取建筑裂缝巡检图像进行实验。结果表明,该方法能够在高效率下实现不同类型建筑裂缝的高精度识别,展现出优异的稳定性能。这一研究成果为无人机巡检图像的智能识别提供了新的思路和方法,具有广泛的应用前景和实际价值。

基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪

针对因受水面波纹、反光及目标外观特征相似而导致的游泳池中目标检测跟踪困难的问题,提出一种基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪方法;通过引入注意力机制改进YOLOv5算法,增强算法对目标特征的提取能力;将检测结果输入到DeepSort算法中,在级联匹配中引入K邻域限制筛选目标检测框,减少因目标外观特征不明显引起的身份切换问题;利用匈牙利算法对检测框和预测框进行匹配,对未匹配成功的检测框采用距离交并比代替交并比进行二次匹配,提高DeepSort算法的跟踪性能;通过对比实验和消融实验验证所提出的多目标检测跟踪算法的性能。结果表明:改进的YOLOv5算法平均精准度提高2%,结合DeepSort算法跟踪检测,身份切换平均减少58次,多目标跟踪精确率为80.26%,比原始YOLOv5算法和Deepsort算法跟踪准确率提升了3.85%。

基于改进YOLOv5算法的水稻病害识别研究

针对传统深度学习算法难以在复杂环境下准确且高效地识别水稻病害问题,提出一种改进的YOLOv5算法,对水稻常见的白叶枯病、稻瘟病、东格鲁病和褐斑病的病斑进行检测。在原YOLOv5算法上结合混合域注意力机制进行特征校正,提高模型对水稻叶片和病斑位置信息的定位能力。在损失函数部分将原CIoU_loss更换为SIoU_loss,弥补CIoU_loss未关注边界框和真实框角度偏移的问题。选用Soft-NMS筛选预测框,缓和传统NMS因不同病斑重叠区域过大而发生预测框误删造成的漏检情况。在消融试验中,改进算法在水稻病害识别任务中mAP达到0.884,比原YOLOv5算法提升2.9个百分点,在针对褐斑病病斑的识别上提升较大。证明改进的YOLOv5算法在水稻病害识别任务中的有效性。

基于改进YOLOv5算法的实木板材表面缺陷检测

实木板材在世界范围内被广泛地应用于建筑、家居、艺术等领域,由于板材表面存在着影响其性能的不同种类的缺陷,而人工去除实木板材缺陷生产效率较低,质量无法保证。为了解决实木板材表面缺陷检测中存在的效率低下及过分依靠工人主观判断的问题,将机器视觉和深度学习方法相结合,利用机器代替人对实木板材进行缺陷检测。具体使用彩色CCD相机采集了赤松和樟子松两种实木板材,裁剪成共计1500张大小为2048×2048像素的木材图片,图片中包含着活节、死节、髓心及裂缝缺陷。在YOLOv5结构基础上,受到了Vision Transformer的启发,在主干网络中使用了全局注意力模块来改进算法,并且针对实木板材的横向锯切方式修改了损失函数,以求在实木板材缺陷检测锯切这一任务中获得更好的效果。充分训练后在测试集上整体mAP达到0.974,召回率达到0.946,较未改进的YOLOv5分别提高了5.98%和9.36%,表现出一定优越性。

基于改进YOLOv5算法的水淹电厂检测算法研究

为能实现对电厂水淹或设备漏水等现象快速、准确的检测与识别,通过利用区域上下文信息补充特征信息,采用改进的多尺度检测部分融合浅层的位置信息,提出了一种基于改进YOLOv5的水淹电厂图像检测算法;此外,针对水淹电厂现象构建一个电厂设备的水渍渗漏数据集并使用了数据增强策略;经实验测试表明,算法在检测效果上提升明显,相比于基于原始YOLOv5算法的水淹电厂模型的平均精度均值mAP提升了5.24%,满足了工程实际需求,具有较高的实用性。

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。

面向小目标检测的改进YOLOv5算法

针对当前小目标检测中识别率较低、检测精度较差的问题,提出基于轻量级卷积注意力模块(CBAM)与采用加权双向特征金字塔网络模块(Bi-FPN)的改进YOLOv5算法。该算法通过引入Bi-FPN结构模块,可简单、快速地进行多尺度特征融合,更好地平衡不同的尺度信息,更有效地提取小目标的特征信息;输出预测结果之前再加入CBAM注意力机制以提高网络对小目标的特征表达和检测能力。将改进的算法在公开数据集(VisDrone)进行实验分析,小目标检测精度提高了4.1%,表明改进后的算法相比于传统的YOLOv5算法和其他算法对小目标检测效果更好。

基于改进YOLOv5算法的直拉法单晶硅位错检测模型研究

表征和测量单晶硅位错密度是检测晶体生长品质和研究位错形成机制的重要参量。基于位错腐蚀坑形貌差异大、背景复杂等非典型性特征,以及传统人工光学显微检测准确度不高、效率低下等问题,提出一种改进的YOLOv5算法检测单晶硅位错腐蚀坑密度分布。在原始的YOLOv5算法基础上引入注意力机制,优化网络结构,加强模型推算能力;进一步通过强化特征融合,提升网络检测精度;优化损失函数增强定位准确率,提升训练速度。实验结果表明:改进后的算法,对两种不同腐蚀液的单晶硅位错腐蚀坑检测精度分别达到93.52%和98.82%,检测平均精确率均值(mAP)能够达到96.17%,帧率(FPS)能够达到47帧/s,满足实时检测的需求。

基于改进YOLOv5算法的电力施工场景安全帽视觉图像检测方法

为了判断施工人员是否佩戴安全帽,确保电力施工现场安全,本文提出基于改进YOLOv5算法的电力施工场景安全帽视觉图像检测方法,采用可分离卷积方法改进YOLOv5算法的输入端,并在输入端内增加马赛克数据增强过程,以提升电力施工场景安全帽视觉图像的清晰度;采用模糊C-均值聚类算法获取YOLOv5算法输出端的候选框设定值,并在卷积层内引入注意力机制模块,使卷积层提取到的电力施工场景安全帽视觉图像特征更加精准;利用感知量化方法对YOLOv5算法归一化融合层和卷积层实施量化,使YOLOv5算法输出结果更为准确,将电力施工场景安全帽视觉图像输入到改进后的YOLOv5算法内,经过算法迭代输出安全帽视觉图像检测结果。实验表明:该方法具备良好的候选框有效类和无效类分类能力,并且可在电力施工场景安全帽视觉图像存在遮挡和缺失时有效监测施工人员是否佩戴安全帽,具备较好的应用效果。

基于改进YOLOv5算法的农村公路路面裂缝检测研究

随着交通的发展,采用一定的检测技术对路面病害进行检测非常重要。以对河南省某农村公路路面裂缝的检测为例,对比分析了不同检测算法的检测效果。首先,对YOLOv5算法进行改进,在YOLOv5算法的主干网络(backbone)中添加CA注意力机制,增强对待测目标的表示和定位能力,提高识别精度,改善目标漏检的问题;在CIOU损失函数的基础上引入Focal EIOU损失函数,加快目标检测过程中的收敛速度,提高BBox的回归精度。然后,用改进的YOLOv5算法和其他常用的检测算法通过计算机对沥青路面裂缝进行检测。结果表明:改进的YOLOv5算法与YOLOv5算法相比在检测精度、召回率、平均精度均值以及检测速度等方面均有所提高,同时与目前常用的检测算法相比在平均精度均值与检测速度上也具有一定的优越性。

基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法研究

马铃薯作为一种产量可观、营养丰富的农作物,已经成为全球不可或缺的食物之一。但恰恰因为其体量庞大的特点在对马铃薯进行分类出售时需要耗费大量的人力和物力以及时间。为了实现对马铃薯品质的自动分类,解放人力物力,提升效率。我们提出了一种基于计算机视觉及改进特征融合YOLOv5s算法的马铃薯表皮缺陷程度检测方法,我们把YOLOv5s的颈部网络中的特征金字塔网络结构替换为加权特征金字塔网络结构,采用这种双向加权特征网络能够更好的提取特征信息,更好的融合特征。并且我们加入了二分K均值聚类算法,该算法的加入极大提升了检测时的收敛速度和精度,并且有效避免了K均值聚类算法因初始聚类点质心选取不适所带来的影响。经过我们的实验表明,本项技术能够对马铃薯表皮检测的正确率达到98%。由此可见,本项基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法可行性较强,可以用于市场对马铃薯检测分类。

基于改进YOLOv5算法绝缘子缺陷检测研究

针对目前无人机巡检中绝缘子缺陷检测的目标算法识别精度不高的问题,提出了一种改进的YOLOv5算法,该方法将注意力机制融入YOLOv5s算法中获取更多细节特征,采用BiFPN替换原本的特征金字塔结构,并用改进的损失函数和非极大值抑制提升检测精度。实验结果证明,相比于传统算法,改进算法的检测平均精度和召回率分别为96.6%和97.1%,检测速度FPS达到了28.5,满足输电线路绝缘子缺陷检测准确性、轻量性及鲁棒性要求。

基于改进YOLOv5算法的块状磨屑识别方法

针对钢轨打磨车作业产生的块状磨屑的处理方式效率低、智能化程度低、安全隐患大等问题,提出一种基于改进YOLOv5算法的块状磨屑智能识别方法。在原有YOLOv5算法基础上,增加更大尺度的检测层,提升小尺寸块状磨屑的检测效果;在骨干网络嵌入卷积注意力模块(Convolutional Block Attention Module,CBAM),增强块状磨屑的特征表达;选择EIoU(Efficient Intersection over Union)替代CIoU(Complete Intersection over Union)作为目标框回归的损失函数,加快模型的收敛速度,提高块状磨屑预测框的精度。利用某轨道巡检小车采集的数据进行测试试验,结果表明:改进后的YOLOv5算法对于块状磨屑的检测能力有所提高,召回率提升了4.55%,均值平均精度提升了8.6%,对小尺寸块状磨屑有更好的检测效果。

基于改进YOLOv5算法的地铁车辆转向架螺栓缺失检测

目前,地铁车辆的检修主要依赖于人工检测,不仅效率低,而且可能因漏检等原因造成严重的行车安全事故。因此提出了一种基于改进YOLOv5算法的地铁车辆转向架螺栓缺失检测算法。首先,在YOLOv5算法的骨干网络和特征提取网络中添加Ghost模块,轻量化网络结构,提升检测效率和速度;其次,采用改进的YOLOv5算法对螺栓进行定位训练,并插入CBAM注意力模块,增加网络对目标的关注度,从而获得良好的螺栓定位检测模型;最后通过模板匹配的方法,对比网络检测结果与正常转向架螺栓数量及分布,获得缺失螺栓数目与位置信息。实验结果显示,改进后的YOLOv5网络模型检测精度提升3.9%,模型参数量减少了近1/2,检测速度提升9 fps,螺栓缺失检测准确率为86.2%。因此,文中提出的改进YOLOv5算法的地铁车辆转向架螺栓检测模型满足螺栓缺失定位的检测任务要求,取得了良好的应用效果。

基于改进YOLOv5算法的升降机人员不安全行为识别方法

为研究施工升降机人员超载、非内部人员闯入等不安全行为,设计了基于深度学习人员数量检测和非内部人员识别的软件系统。通过增大感受野、加深CSP2网络层数、引入形变卷积、Retinex图像增强对YOLOv5检测模型进行优化。对比分析YOLOv3、YOLOv4、YOLOv5、改进YOLOv5算法在不同光照强度下的平均检测准确率和鲁棒性。实验结果显示,改进YOLOv5算法的准确率和鲁棒性有较大幅度提升,其中,超员检测正确率为100%,非内部人员检测正确率为95%。

基于改进YOLOv5算法的管道漏磁信号识别方法

长输油气管道作为能源运输的主要方式,安全问题至关重要;管道漏磁内检测技术作为管道缺陷检测的重要方法之一,在管道安全保障中发挥着重要作用;人工智能技术可实现管道内检测数据的自动识别,对于减少人力工作量,减少人为误差,提升数据判读准确性具有重要意义;通过引入损失函数Distance-IoU对目标检测算法YOLOv5进行改进,利用改进YOLOv5算法对管道漏磁数据进行训练,使之具有对漏磁缺陷信号自动识别的能力;通过实验,对实际漏磁内检测数据进行识别;结果表明,改进的YOLOv5算法实现了管道缺陷漏磁信号的自动检测识别;并且在相同的训练条件下,改进的YOLOv5算法相较于原始算法准确率有明显的提升,在识别缺陷数量上其精度达到92.8%,比原算法提升了3.22%,改进后的模型损失函数平均损失率为3.6%,比原始YOLOv5模型降低了2.2%,表明该方法在管道缺陷漏磁数据自动识别检测方面具有较好的可行性。

基于改进YOLOv5算法的火灾图像检测研究

针对传统的火灾检测系统检测时间长、容易误报等问题,提出了一种基于改进YOLOv5的火灾检测算法.首先,针对卷积操作受到感受野的限制,增加Involution算子来扩大感受野;其次,在模型中引入CA(coordinate attention)注意力机制,重新分配特征图高度和宽度上的权重;最后,使用定位损失函数α-CIoU替换CIoU,以提高模型回归精度.改进的YOLOv5算法的平均精度达到了68.4%,相较于标准算法的平均精度提高了3.9%,定位框更加准确,且检测速度提高了14%.实验结果表明改进后的算法模型明显提高了火灾检测的准确性和实时性.

基于改进YOLOv5算法的复杂场景交通目标检测

实时的交通场景目标检测是实现电子监控、自动驾驶等功能的先决条件.针对现有的目标检测算法检测效率不高,以及大多数轻量化目标检测算法模型精度较低,容易误检、漏检目标的问题,本文通过改进YOLOv5目标检测算法来进行模型训练,再使用伪标签策略对训练过程进行优化,然后在KITTI交通目标数据集上将标签合并为3类,对训练出的模型进行测试.实验结果表明,改进的YOLOv5最终模型在该所有类别上的mAP达到了92.5%,对比原YOLOv5训练的模型提高了3%.最后将训练的模型部署到Jetson Nano嵌入式平台上进行推理测试,并通过TensorRT加速推理,测得平均每帧图像的推理时间为77 ms,可以实现实时检测的目标.

基于改进YOLOv5算法的织物疵点检测系统

为了解决织物疵点检测基本靠人工目测、检出效率低的问题,设计基于改进YOLOv5算法的织物疵点检测系统。该系统以YOLOv5算法为基础,通过引入CBAM网络模型,在通道和空间上增强特征图重要信息的表达能力,并直接融合拥有更丰富感受野信息的SPPF特征层,提高对细微疵点的检测精度与检出效率。通过对比试验发现,改进后的算法比原始YOLOv5算法的mAP@0.5值提高了2.1个百分点。认为:该研究提出的算法更适合织物疵点检测,能够满足工业需求。

基于改进YOLOv5算法的珊瑚礁底栖生物识别方法

现有珊瑚礁底栖生物识别方法存在提取特征困难、实时性较差等问题,导致珊瑚礁底栖生物的识别精度不高。本文引入YOLOv5算法,通过设计跳转连接操作向深层网络传递清晰目标特征,解决了由真实近海图像的退化特性带来的底栖生物特征模糊的问题。同时,引入卷积注意力机制模块,解决了无效特征影响识别精度的问题。实验结果表明:本文提出的改进算法无论是识别精度还是识别速度均优于基准算法和目前较先进的单激发多框探测器等算法,从而证明了本文算法的有效性和先进性。