基于改进YOLOv5s模型的车辆及行人检测方法

针对道路交通环境中车辆及行人目标较小或被遮挡造成的检测精度低以及误检、漏检问题,提出一种基于改进YOLOv5s模型的车辆及行人目标检测方法。针对小目标和遮挡目标,引入SIoU边界框损失函数,增加小目标检测层,增强对小尺度特征的获取;改进特征金字塔结构,增加横向特征图传递,并使用CSP stage替换C3_F特征提取网络,使其获得更多的语义信息和图形信息;改进后处理NMS算法,优化冗余边界框剔除方法,筛选出高质量检测结果。试验结果表明:改进YOLOv5s模型算法的Precision、Recall、mAP@0.5和mAP@0.5:0.95指标均优于Faster-RCNN、YOLOv3-tiny和YOLOv8s算法,与原YOLOv5s模型算法相比Precision下降了0.4%,但Recall、mAP@0.5和mAP@0.5:0.95提高了3.4%、2.1%和6.0%,分别达到了86.1%、92.9%和70.0%,对小目标和遮挡目标的检测效果明显提高,证明此改进方法有效解决了对小目标和遮挡目标检测精度低以及误检、漏检问题。

基于改进YOLOv5s模型的山地果园单轨运输机搭载柑橘的检测

由于山地果园运输机立地条件差,实时作业信息的获取、反馈、集中化管理较为困难,为了解7SYDD-200型山地果园单轨运输机搭载货物情况,合理调度运输装备,建立了基于改进的YOLOv5s模型的运输机搭载柑橘果筐的检测方法:在果园自然光环境下使用RGB相机(HSK-200)采集运输机搭载柑橘果筐的图像数据;建立和优化YOLOv5s模型,部署至嵌入式设备,实现对搭载过程中的“空果筐”“柑橘”“满果筐”状态的检测。在模型的颈部网络引入CBAM注意力机制,加强模型提取语义信息的能力,解决检测过程中出现的“双重标签”的问题,使用批归一化(BN)层稀疏的尺度因子衡量各通道对模型的表征能力,并对表征能力弱的通道进行剪枝压缩,以克服基模型YOLOv5s检测速度慢的问题,通过多尺度训练策略对模型进行微调,提高模型检测准确率。试验结果表明:改进YOLOv5s模型的检测方法在柑橘搭载数据集上平均精度均值(m AP)为93.3%;模型的浮点数运算量和大小分别为9.9GFLOPs和3.5 MB,比YOLOv5s的提高60.3%和21.3%;在嵌入式平台Jetson Nano部署,其检测速度为78 ms/帧。

基于改进YOLOv5s模型的客流密度分析系统设计与实现

客流密度分析是地铁运营管理、保障乘客安全、构建客流大数据平台的重要基础。针对运营方提出车站、列车车厢客流密度管理的需求,设计了基于改进YOLOv5s模型的客流密度分析系统。该系统通过改进YOLOv5s目标检测模型,引入注意力机制、改进主干网络结构,保持模型轻量化的同时提高人群检测精准度和推理速度。基于北京新机场线乘客信息系统项目测试应用表明,该系统识别速度快、分析精度高,有利于地铁运营对客流的全面监管。

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。

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。

基于改进YOLOv5s网络模型的火灾图像识别方法

提出了一种基于改进YOLOv5s网络模型的火灾图像识别方法。通过引入注意力机制改进特征提取网络,提高模型对特征的学习能力;通过添加大尺度检测层改进多尺度检测机制,执行K-Means聚类算法改进先验框,增强模型对小目标的识别能力。在实验数据集上的测试结果表明:改进的YOLOv5s网络模型相比原始模型在精确率、召回率和平均精度均值(mAP)指标上均有提升。改进模型的mAP为85.72%,帧率达54.66fps;在置信度上有了明显提升,对多目标和小目标的识别效果更好,并且有效降低了漏检和误检情况。所提出的火灾图像识别方法可适用于安防监控系统或智能机器人。

基于改进YOLOv5s模型的风电叶片内腔缺陷检测

针对风电叶片轻微裂纹难于检测的问题,提出一种基于改进YOLOv5s模型的检测方法:通过在主干网络部分使用空洞空间金字塔池化(ASPP)代替空间金字塔池化(SPP)以适应不同大小和比例的目标,将注意力机制模块(squeeze and excitation,SE)插入主干网络中以增加网络对微小缺陷的敏感度,使用结构化交并比损失(SIoU-Loss)代替完全交并比损失(CIoU-Loss),以进一步提高新网络的准确性和训练速度。针对以上检测方法采用自建数据集进行对比实验,实验结果表明,改进YOLOv5s模型的平均精度均值(mAP)为94.29%,与YOLOv5s模型相比提升了7.03个百分点,检测精度与其他的主流模型对比依然具有优势,检测速度为42.78 f/s。该方法在风电叶片内腔缺陷检测方面具有较好的使用性能和效果。

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。

基于改进Yolov5模型的纱筒余纱量检测方法

为实现针织圆纬机纱架上纱筒余纱量的实时检测,提出一种深度学习与传统图像处理相结合的检测方法。通过优化Yolov5的主干网络并加入Shuffle-Attention注意力机制,利用改进后模型在图像中检测并框出纱筒位置;然后利用透视变换、均值偏移、canny轮廓检测、闭操作等处理获取纱筒内外圆轮廓,设计基于梯度下降的圆拟合算法,拟合纱筒内外圆的轮廓,得到纱筒的内外圆半径;最后结合小孔成像的原理完成纱筒余纱量的测量。结果表明:改进后的Yolov5模型在纱筒检测精度上达到99.5%,检测速度可达20帧/s,同时模型参数减少至3.255×106可检测的最小纱筒余纱量为3 mm,当纱筒余纱量小于3 mm后,将其视为空筒,进行延时更换。本文算法拟合圆所花费时间是传统霍夫圆检测算法的1/4左右,因此可满足针织车间的实际应用需求。

改进YOLOv5s的钢材表面缺陷检测算法

为提高钢材表面缺陷检测的准确率,提出一种改进YOLOv5s的钢材表面缺陷检测算法。首先,在特征提取网络中引入Swin Transformer结构,增强网络对特征的感知能力;其次,添加坐标注意力机制,加强对重要特征信息的关注;最后,针对钢材缺陷的特点增加检测层,提升多尺度目标检测能力,并使用SIOU损失函数评估检测效果。将所提出的算法在公开数据集NEU-DET上进行消融实验,结果表明:所提算法能有效提高钢材表面缺陷目标检测的准确率。

一种基于改进YOLOv5s的手势识别算法

手势识别作为一种重要的人机交互技术,在智能设备、智能交通等领域具有广泛应用前景。然而,现有基于YO⁃LOv5s的手势识别算法在目标检测准确率和效率方面存在一定问题。这是由于YOLOv5s在目标检测阶段存在相似手势区分能力较弱以及检测结果重叠和重复的原因。为解决这一问题,本研究提出了一种改进YOLOv5s模型的手势识别算法。通过在目标检测阶段引入动态稀疏注意力BiFormer模块来优化长序列数据处理,对YOLOv5s模型进行改进,从而提高了手势识别的准确率和效率。实验结果表明,改进后的模型在处理小目标和相似手势时表现更为优异,同时能够有效避免检测结果的重叠和重复现象。

基于改进YOLOv5s的复杂环境下新梅检测方法

为解决新梅在树干树叶遮挡、果实重叠情况下难以准确检测的问题,该研究建立了新梅目标检测模型SFFYOLOv5s。在真实果园环境下构建新梅数据集,以YOLOv5s模型作为基础网络,首先在Backbone骨干网络C3模块中引入CA(coordinate attention)注意力机制以增强模型对新梅关键特征信息的提取能力并减少模型的参数量;其次在Neck层中引入加权双向特征金字塔网络,增强模型不同特征层之间的融合能力,从而提高模型的平均精度均值;最后使用SIoU损失函数替换原模型中的CIoU损失函数提高模型的检测准确率。试验结果表明,SSF-YOLOv5s模型对新梅检测准确率为93.4%,召回率为92.9%,平均精度均值为97.7%,模型权重仅为13.6MB,单幅图像平均检测时间12.1ms,与Faster R-CNN、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8s检测模型相比平均精度均值分别提升了3.6、6.8、13.1、0.6、0.4、0.5个百分点,能够满足果园复杂环境下对新梅进行实时检测的需求,为后续新梅采摘机器人的视觉感知环节提供了技术支持。

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的轻量级车辆检测系统

基于深度学习的车辆检测在智慧交通中起着重要作用,现有模型结构复杂、计算量大,难以布置在嵌入式系统的边缘设备。本文提出一种基于YOLOv5s的轻量级车辆检测算法,通过GhostNet和剪枝优化策略对YOLOv5s进行了改进,实现系统的轻量化和检测的实时性;损失函数Focal-EIoU Loss的引入解决了样本不平衡和纵横比模糊定义问题,从而提高目标检测的性能。在UA-DETRAC数据集上的实验结果表明,所提算法与原YOLOv5s算法相比参数量、模型体积和浮点运算次数分别减少了63%、50.6%和64.7%,检测速度提升了50%,同时保持了较高精度、召回率,为空间、能源、资源有限的边缘检测设备提供了一种实时性算法选择。

改进YOLOv5s算法的车辆目标实时检测方法

针对城市道路车辆检测中小目标车辆漏检率高和存在异类冗余框的问题,提出一种改进YOLOv5s的车辆实时检测算法。对YOLOv5s算法网络结构进行优化,采用增加小目标检测层,将浅层特征图与深层特征图拼接后进行检测的方法,提升小目标车辆的检测率;针对异类冗余框问题,采用加权非极大值抑制融合两边框信息的方法,提升检测准确性。实验结果表明,改进YOLOv5s算法的平均检测精度(mAP@0.5∶0.95)达到64.17%,相比YOLOv5s算法,查准率、召回率分别提高1.72%、0.72%;在小目标车辆检测中,正检率提高5.95%,漏检率降低4.63%。改进YOLOv5s算法能有效改善小目标车辆的检测精度和准确率。

基于改进yolov5s网络的火焰检测算法研究

火灾因其破坏范围大,蔓延速度快等特点给人们的生命带来了威胁,使人们的财产遭到破坏,而准确的火灾检测在一定程度上能够避免灾难的发生,该文提出了一种基于改进yolov5s的目标检测模型。该模型在主干网络中加入CBAM注意力机制,使模型更加关注火焰信息,提高检测正确率;将主干网络中的C3模块改进为Ct2f模块,该模块通过ELAN的思想进行设计,让模型可以在保证轻量化的同时,通过更多的分支跨层链接获得更加丰富的梯度流信息;针对火灾视频检测,根据火焰燃烧时的动态特征,在该模型检测头部分加入帧间差分的思想,有效降低了对火灾视频检测的误判。实验结果表明,改进的yolov5s模型火焰检测平均精度更高,比yolov5s原模型平均精度提高了4.2%。通过火焰视频检测实验,表明该模型能够有效降低对火灾视频检测的误判。

基于CWT和改进YOLOv5s的港口机械轴承故障诊断策略分析

轴承故障诊断常用的方法是振动分析,分析和预处理收集的振动信号。然而,轴承的振动信号具有不均匀的特性,这使得提取特性特别困难。在此基础上,本文将CWT和改进的YOLOv5S结合港口机械轴承故障进行研究,然后研究基于CWT和改进的YOLOv5S港口机械轴承故障诊断策略,旨在为有关人员提供参考帮助。

基于改进YOLOv5s对苹果叶片病害的检测识别

苹果是一种备受欢迎且营养丰富的水果,市场需求也在持续增长。然而,苹果叶片病害严重威胁着苹果的产量和质量。准确、快速地识别病害对苹果产业的发展尤为重要,因此,本文利用YOLOv5s模型构建了一个改进的病害检测识别模型,通过引入SE注意力机制、Res2Net和解耦检测头结构,改进了模型的注意力、感受野和检测效果。探索了在苹果叶片病害检测中提高准确性和性能的方法。构建出YOLOv5s-SRD模型,准确率、召回率、平均检测精度分别达到84.8%、83.3%、86.0%,相比原模型分别提高了1.3%、1.5%、1.8%,提升效果显著,模型检测效果较好。有助于苹果叶片病害的检测识别,从而提高苹果产量。

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。

基于改进YOLOv5s的航拍红外图像目标识别方法

为了提高无人机在黑暗条件下的识别效率,降低在复杂环境及路况方面存在漏检及延时效果等问题,本文提出了一种改进的YOLOv5s-GN-CB红外图像识别方法,该方法可以提高无人机红外航拍图像对车、人等多类目标识别效率。本文对YOLOv5s的主要改进包括以下3个方面:将Ghost引入到YOLOv5s主干网络中,并将NWD loss损失函数融入至Ghost中;添加注意力机制CA;添加加权双向特征金字塔BiFPN。经验证,改进的YOLOv5s-GN-CB检测模型在InfiRay红外航拍人车检测数据集下目标识别平均精度均值(mAP@0.5)达到95.1%,FPS提高至75.188帧/s。相较于YOLOv5原始模型的平均精度均值和FPS分别提高了4.2%和12.02%。在对同一场景中无人机航拍红外图像目标识别的检测精度有明显提升,延时率有所下降。