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算法的禁捕期长江渔船识别及应用研究

长江实行十年禁渔是长江生态环境修复的关键环节,针对禁渔期间长江非法捕捞渔船目标小、背景复杂、流动大等问题,提出了一种基于改进YOLOv5s的目标检测算法。该算法优化多尺度自适应锚框模块,采用改进的K-means++聚类算法,重新匹配适合长江船舶尺寸的锚框;使用轻量高效的坐标注意力(coordinate attention,CA)机制,提升模型关注目标通道信息特征的能力;采用SPPCSPPC(spatial pyramid pooling and context-aware spatial pyramid pooling combination)对特征图进行池化,提高小目标检测能力;通过构建长江船舶数据集训练得到最优权值模型。结果显示,改进后的模型在准确率、召回率、mAP0.5、mAP0.5∶0.9和原模型相比分别提高了1.5%、3.0%、2.4%、7.7%,且训练过程损失收敛更快,收敛值更低,能够准确快速识别出长江上的渔船目标。研究结果可为长江十年禁渔提供技术支持。

基于改进YOLOv5s算法的钢轨扣件状态检测方法

[目的]为提高轨道巡检效率以及优化巡检策略,有效避免漏巡、漏检等问题的发生,提出了一种基于改进YOLOv5s算法的钢轨扣件状态检测方法。[方法]介绍了YOLOv5算法的网络结构。在YOLOv5s算法的骨干网络中融入C3-CBAM(卷积注意力)模块以获取更多细节特征,然后采用BiFPN(加权双向特征金字塔)网络进行多尺度特征融合,形成改进YOLOv5算法。针对弹条断裂、弹条缺失、弹条移位和螺栓缺失4种状态进行了试验验证。[结果及结论]采用改进后的YOLOv5s算法比原YOLOv5s算法在测试精度、召回率、平均精度上都有所提高,表明该方法对钢轨故障扣件分类检测具有很好的工程应用价值。

改进YOLOv5s算法的无人机小目标检测方法

针对无人机视角小目标检测出现目标漏检、误检和精度不高的问题,研究适用于无人机视角下的YOLOv5目标检测算法。首先,为了使网络学习到更多的特征,在主干网络中引入轻量化的MobileNetV3_Small算法,增强模型特征提取能力的同时降低了参数量和运算量,方便部署到无人机设备。然后,为了加强模型在目标聚集的情形下以降低漏检并提升检测精度,替换原始非极大值抑制算法为Soft-NMS。实验结果表明,改进的模型在VisDrone2019数据集上检测精度达到34.7%,相比于YOLOv5s算法精度提高5.4个百分点,同时降低了模型的参数和浮点运算量,便于部署到无人机设备,使得改进后的算法可以更好的应用于无人机视角下的图像目标检测任务中。

基于改进YOLOv5s算法的隧道初期火灾检测模型

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明:YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检出率方面更具有优势,检测效果明显,满足实际火灾检测需要。

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展,人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测,可提高检查驾驶员手势执行情况的效率,保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题,提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块,加强重要特征信息,抑制次要特征信息;其次在颈部网络中引入BiFPN模块,在不过多增加计算量的情况下,更好地实现多尺度特征融合;最后通过改进的K-means聚类算法生成适合本文数据集的先验框,更好地提升预测框精准度,加强模型的识别性能。实验结果表明,本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势,对于实现工程部署有重要意义。

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。

基于改进YOLOv5s的仓储货物检测算法研究

针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

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。

基于改进YOLOv5s的CNN-Swin Transformer森林野生动物图像目标检测算法

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2~4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLOv3、YOLOXs、RetinaNet、Faster R-CNN等其他流行目标检测算法。【结论】针对陷阱相机所摄取森林野生动物图像背景与目标对比度低、遮挡重叠严重,致使检测误检率、漏检率高等问题,在检测算法中提出一系列改进措施,为我国森林野生动物的保护和数据获取提供一种新的可行性方案和思路。

改进YOLOv5s的无人机视角下小目标检测算法

无人机视角的小目标图像具有目标分布密集、类别不均衡以及特征不明显的特点,导致目标检测任务中出现漏检、误检的问题。针对这些问题,提出一种改进YOLOv5s小目标检测方法,以达到提高目标检测准确率与精确度的目的。重新聚类锚框,更精确地锁定检测区域。更改骨干网络结构,在空间金字塔池化层增加卷积,保证充分获取检测目标特征。同时,将网络结构中的C3模块替换成融合通道注意力机制的轻量级SEC2f模块,以提升网络对于小目标检测的局部特征捕获能力。融合解耦检测头,结合自适应锚框计算,有效提取目标区域的特征。在相同参数、相同环境条件下,在DOTA数据集上和VisDrone数据集上检测精度分别提升6.1%、5.2%,表明改进方法在小目标检测任务上的有效性;在公开数据集voc2007+2012上做通用性对比实验,结果表明改进算法具有通用性。

基于改进YOLOv5s的生活垃圾检测算法

针对目前生活垃圾检测算法在背景复杂、目标尺寸多样的情况下检测精度低,模型参数量大的问题,提出了基于改进YOLOv5s的生活垃圾检测算法.基于密集连接与GhostConv,设计了C3_GD与C3Ghost模块,主干中使用C3_GD模块以提升模型在背景复杂、目标遮挡情况下的特征提取能力,颈部的C3Ghost模块用以减少模型参数量.构建融入Involution算子的I-BiC模块,对多尺度特征融合网络进行了优化,提高算法对不同尺寸目标检测能力.引入SimAM注意力机制,抑制背景噪声影响.实验结果表明,在自制数据集上,改进后模型较原始模型mAP@0.5提高2.9%,精度提高4.3%,召回率提高2.8%.在公开的TrashNet数据集上,改进模型mAP@0.5∶0.95增加4.9%.改进后模型表现出更好的检测效果,能较好地完成生活垃圾检测任务需要.

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小目标检测算法

目的:针对现有目标检测算法进行小目标检测时检测效果不理想、漏检率高的问题,提出一种改进的YOLOv5s检测算法,提升小目标检测效果。方法:在原有模型基础上,引入BottleneckCSP模块并增加大尺度特征融合结构,提升模型小目标特征捕捉能力;同时在网络结构中融合SE注意力机制,使得网络自主学习更关注小目标特征通道,增强网络模型对小目标的检测效果。结果:在同一自制小目标检测数据集上进行训练验证,与已有算法比较,能够有效提升YOLOv5s目标检测算法的mAP值和训练收敛速度,拓展小目标检测范围(由原有算法的0.002 5~0.010 0缩小至0.000 8~0.001 4),提高小目标检测性能(平均检测率提升46%)。结论:改进算法能够有效提升小目标的检测能力。

改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度(average precision)和每秒传输帧数(frame per second,FPS)达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07个百分点。结果表明,该方法能够实现病理学图像中猪只小肠绒毛自动化检测,保证复杂图像检测速度的同时,提高了小肠绒毛的检测精度。

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。

一种改进YOLOv5s的自爆绝缘子检测算法研究

针对绝缘子缺陷巡检过程中,传统算法因背景复杂难以同时兼顾检测精度与模型大小的问题,提出一种基于改进YOLOv5s的绝缘子缺陷检测模型。首先,采用Bottleneck CSP结构,引入轻量型空间与通道卷积注意力机制,强化绝缘子特征并抑制复杂背景特征;然后,提出一种改进的BiFPN结构,实现多尺度特征融合,提升小目标检测能力;最后,采用K-means++算法重新聚类先验框,并设计轻量型GhostC3和Ghost Conv模块,保证网络精度的同时减小模型大小。实验结果表明:改进算法在Insulator2022数据集上的mAP值达到92.3%,提升了3.6%,参数量减少了26.73%,浮点运算量减少了23.17%,漏检率降低了5.47%;在公开数据集上,缺陷绝缘子mAP值达到99.5%,各项评估指标值优于Faster-RCNN、SSD、YOLOv3和YOLOv3-tiny主流算法以及绝缘子检测相关算法。

YOLOv5s-CBAM算法在福寿螺虫卵识别中的应用分析

福寿螺是我国重点关注的入侵物种,对农作物生长和生态环境会造成不利影响。及时获取福寿螺虫卵的分布信息,对于提前防治其入侵能起到有效的帮助作用。基于YOLOv5s基础网络模型,引入CBAM(Convolutional Block Attention Module)注意力机制模块,以提高在复杂的自然环境下对福寿螺虫卵特征信息的提取,提出YOLOv5s-CBAM模型进行福寿螺虫卵识别方法。试验结果表明,引入CBAM的识别效果要好于引入CA和SE注意力模块。同时,引入CBAM的YOLOv5s-CBAM模型,识别效果优于原基础YOLOv5s模型,一定程度上能够克服倒影、植物遮挡等因素干扰。且平均精度均值达到83.8%,相比原模型提升2.5个百分点。基于深度学习的方法对复杂自然环境中的福寿螺虫卵进行识别是切实可行的,为福寿螺等入侵物种的监测防控提供新的思路。