自注意力结合上下文解耦的交通车辆检测

为应对车流量、时间地点和天气等因素给交通车辆检测带来的挑战,提出基于YOLOv5s模型的新算法。该改进模型适用于各种交通场景,其改进如下:在特征串联阶段引入高效的二维局部特征叠加自注意力(ELFSa),以增强模型对目标的感知能力;将YOLOv5s的检测头替换为简易特定于任务的上下文解耦(S-TSCODE),以实现分类和定位子任务之间的完美平衡,从而改善模型的收敛;为减少运算负担,模型中的大于3×3的部分卷积操作被替换成了GSConv。实验结果显示,改进的YOLOv5s在各方面均有提升,其中mAP_(@0.5)为98.9%,mAP_(@0.5:0.95)为87.0%,分别提升0.1%和1.5%。针对各种复杂的交通场景,所提出的方法增强了车辆检测的性能和鲁棒性。

基于YOLOv5的角度优化抓取检测算法研究

针对目前机器人抓取检测方法抓取角度预测过于离散,抓取过程可能产生较大偏角,降低抓取检测精度,甚至导致抓取失败的问题,提出了一种基于YOLOv5神经网络模型改进的机器人实时抓取检测方法。以单阶段目标检测模型YOLOv5为基础,提取抓取框坐标及抓取角度。对抓取角度进行更细致的划分,同时引入环形平滑标签以适应角度的周期性,建立相邻角度之间的联系,将YOLOv5检测头进行解耦,并对损失函数进行优化,提高检测精度。在Cornell数据集上进行实验验证。实验结果表明,与经典的抓取检测方法相比,所提算法能够更好地预测抓取角度,提升抓取检测精度;在Cornell数据集上,此模型达到了97.5%的准确率以及71FPS的检测速度。

基于改进YOLOv5s的输电线路螺栓缺销检测方法

针对无人机输电线路巡检图像中螺栓缺销检测精度较低、漏检较多的问题,提出了一种基于改进YOLOv5s的输电线路螺栓缺销检测方法。在Backbone部分嵌入Coordinate Attention注意力模块;在Neck部分原有的“FPN+PAN”结构的基础上,新增一条“自顶向下”的特征信息传递路径,跨越临近的同尺度特征层,与较浅层网络以加权融合的方式进行特征融合;将Head部分设置为解耦检测头,将对螺栓检测的分类任务与定位任务分开进行。改进后的YOLOv5s算法增强了对螺栓特征信息的学习能力。使用本方法在螺栓缺销数据集上实验,精确率提升了2.3%,召回率提升了3.4%,平均精度提升了3.1%,检测速度达到了41.1帧/秒,表明改进后的方法能提升输电线路螺栓缺销的检测能力,在智能巡检中具有一定的应用价值。

RepViTS-YOLOX:水下模糊及遮挡目标检测方法

针对水下目标检测中的目标模糊和遮挡问题,提出基于YOLOX改进的RepViTS-YOLOX水下目标检测方法。该方法采用RepViTS作为特征提取网络并通过结构重参数化,有效提升了对水下目标的特征提取能力和模型推理速度。引入空间和通道重构(spatial and channel reconstruction convolution,SCConv)模块,增强网络对模糊目标的关注。改进特征融合网络,通过跨尺度连接和多尺度融合,加强不同层次特征间的信息交流,使模型更好理解遮挡目标特征。针对定位和分类任务对特征的不同需求,引入上下文解耦头(task-specific context decoupling head,TSCODE),对遮挡目标更精准地定位和分类。实验结果证明,RepViTS-YOLOX方法在RUOD数据集上取得了85.7%的检测效果,较YOLOX提高了3.8个百分点。检测结果显示,该方法可以有效改善水下模糊和遮挡目标的检测情况,提高水下目标检测精度。

基于重参数化注意力的无人机航拍目标检测方法

针对无人机航拍图像目标尺度变化大、目标与背景相互干扰所导致的误检、漏检问题,提出一种基于重参数化注意力的目标检测方法,并将其应用于无人机航拍目标检测。首先,通过提出重参数化坐标注意力模块来增强相关特征,提升网络对上下文信息的捕捉能力;其次,设计多尺度感受野增强模块来重构骨干网络,从而增强特征图的接受域,提升网络的特征提取能力;接着,提出四尺度特征融合检测网络,提升网络对小目标的检测能力;最后,引入解耦检测头来解决分类与回归任务之间的冲突。在VisDrone2021数据集上进行实验,所提方法的mAP0.5相比原算法提高了7.6个百分点,召回率提升了5.5个百分点,与其他方法相比也具有明显优势。实验结果证明,改进方法能够较好地解决上述误检、漏检问题,具有良好的检测效果。

深度学习支持下的城市破损路沿石检测方法

针对破损路沿石在街景影像中受到目标多尺度、相似地物干扰以及遮挡等问题,提出了一种面向城市街道两侧破损路沿石检测的CDD-YOLO(convolutional swin transformer deformable decouple-YOLO,CDD-YOLO)模型。依据破损路沿石呈现形状尺度多样性特点,嵌入C3_STR(convolutional swin transformer,C3_STR)模块进行特征融合,增强模型对多尺度特征的感知性能;对于相似地物干扰导致的误检现象,加入可变形卷积模块,利用目标区域自适应特性,提升模型对相似地物的判别能力;为避免因遮挡引起的定位不准确问题,引入解耦检测头结构,增强模型对模糊边界特征的提取能力。在自制的街景破损路沿石数据集上进行验证,分析表明,该方法的precision、recall、F1、IoU 4项评价指标分别达到了82.45%、81.22%、81.01%和80.23%,显著优于其他主流目标检测方法,验证了该方法的有效性和可行性。

基于YOLOv5s的无人机图像车辆检测

无人机拍摄的车辆图像存在背景复杂、目标尺度变化大的问题,导致现有的网络模型在进行车辆检测时很难检测出小目标物体,容易造成小目标物体误检和漏检。为此,本文基于YOLOv5s网络进行改进。首先,用K-means++算法对数据集进行聚类,得到更优的锚框参数;其次,结合SPD-Conv小目标检测模块,降低误检漏检率,以提高车辆检测时的精度;最后,将原网络的检测头模块替换为检测头解耦模块,对分类和回归任务进行解耦,从而进一步提高分类精度。本文采用无人机拍摄图像数据集VisDrone-2019-DET来进行车辆检测,改进之后的网络均值平均检测精度(mAP)达到53.0%,相比于YOLOv5s模型提高了6.3个百分点,能够有效降低小目标误检漏率,从而能更加精准地进行车辆检测。

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。

改进YOLOv5n的管道DR缺陷图像检测方法

近年来,数字射线成像技术(digital radiography,DR)由于其独有优势已被广泛应用于工业管道无损检测。为提高管道DR缺陷图像检测精度,提出了一种改进的YOLOv5n管道DR缺陷图像检测方法。该方法有两点贡献,针对目标检测网络中分类和回归两个任务存在冲突的问题,设计了任务独立解耦检测头,通过分别为两类任务构建独立的特征图实现解耦。为了缓解解耦检测头模块带来的参数量增加问题,引入了轻量化的深度可分离卷积替代标准卷积,在保证精度的同时,减少模型参数量。实验结果表明,在管道缺陷数据集上,该方法的mAP@0.5比YOLOv5n提高0.9个百分点。与YOLOv4、Faster-RCNN和SSD等其他几种目标检测模型的对比实验表明,该方法在mAP@0.5、参数量和计算量上都达到最优,有效提高了管道DR缺陷图像检测的性能。

感受野扩展与多分支聚合的目标检测方法

目标检测旨在实现对图像中目标的精确识别和定位,是计算机视觉中一个重要的研究领域。基于深度学习的目标检测已取得长足的发展,但依然存在不足之处。大的下采样系数带来的语义信息有利于图像分类,但下采样过程中不可避免地会造成信息损失,导致模型特征提取不充分,从而检测准确性下降。针对上述问题,提出一种感受野增强与多分支聚合模型用于目标检测。首先,设计感受野增强模块,以扩大主干网络的感受野。该模块可以获取目标上下文线索,且不改变特征的空间分辨率,可以缓解下采样过程中目标信息丢失问题。然后,为了充分利用卷积神经网络的局部性以及自注意力机制的长距离特征依赖特性,构建感受野扩展复合主干网络,以保留局部特征以及提高模型的全局特征感知能力。最后,提出多分支聚合检测头网络,在3个预测分支之间形成信息流动,融合分支之间的特征信息,以提高模型检测能力。在MS COCO数据集上进行了验证实验,结果表明所提模型的平均精度优于多种主流目标检测模型。

基于YOLOv5s的多场景安全帽检测算法

针对目前无法实时准确地监测工人是否佩戴安全帽的问题,提出一种基于YOLOv5s的多场景安全帽佩戴检测算法(YOLOv5s-SDSNR)。首先,在YOLOv5s基础上采用最优传输理论将局部匹配策略改进为全局匹配策略,增加正样本的数量,使模型更有针对性训练;然后,利用解耦检测头对分类和定位进行解耦,分别提升分类和定位的准确性;最后,使用结构重参数化将主干网络的训练和推理等效转换,以此来提升特征提取能力和推理速度。实验结果表明,相比原YOLOv5s模型,YOLOv5s-SDSNR的mAP达到97.83%,提升了8.01个百分点,在NVDIA Tesla T4上FPS达到67.77,相较于Faster RCNN、YOLOX,改进的模型更适用于多场景安全帽检测需求。

改进YOLOv5的轻量化塑料餐具缺陷检测方法

针对塑料餐具表面缺陷人工检测效率低和深度学习模型计算量大布置成本高的问题,提出了一种基于YOLOv5的轻量化检测方法 FED-YOLOv5。在YOLOv5的骨干网络部分引入新型轻量级网络FasterNet,减少参数和计算量;同时添加高效注意力机制ECA,增强网络通道间的信息交流,最后在头部网络用解耦检测头替换耦合检测头,将分类和回归任务解耦,提高模型效率。实验结果表明,改进后的FED-YOLOv5与YOLOv5s相比参数量和计算量分别减少59.7%和63.3%,检测精度达91.6%,单张图片检测时间仅为4.6 ms,能够用于塑料餐具的外观检测工序,适合在有限计算资源的环境中部署。

基于改进YOLOv5网络模型的无人机影像道路目标检测

针对无人机遥感道路影像内目标分布混乱且尺寸差异大、负样本所占比例较高等问题,提出了基于YOLOv5X的无人机遥感影像道路目标检测模型RA_YOLOv5。采用感受野-坐标注意力卷积替换骨干网络内的常规卷积核,然后以空洞-空间金字塔池化-通道注意力层替换原始特征金字塔池化层;在特征融合网络中引入自适应特征融合层,通过特征图加权融合解决不同尺寸检测图之间样本、背景矛盾的问题;使用解耦检测头分别计算回归、分类任务,并替换损失函数以缓解正负样本不均衡问题。实验结果表明,RA_YOLOv5在VisDrone数据集上平均精度均值达到90.42%,较YOLOv5X提高了7.85%,在测试环境下,检测帧数达到35.46帧每秒,能够实际输出检测结果,同时具有良好的稳定性,能够在道路巡检、交通流量监控、应急事故处理等多种场景下发挥重要作用。

基于改进YOLOv5s的无人机航拍小目标检测算法研究

目前,无人机航拍目标检测技术在军事和民用领域得到广泛的应用,但复杂场景中小目标密集,易出现误检和漏检的情况。为此,文章提出一种基于改进YOLOv5s的无人机航拍小目标检测算法,用分组卷积取代两个普通卷积,用解耦检测头取代耦合检测头,去除了原始算法中的P5检测头,在PANet结构中增加一层新的P2检测头。仿真结果表明,改进算法具有较好的检测效果,mAP50较原始算法提高了9.3%,同时能够满足无人机实时性检测需求。

改进YOLOv3的轧钢表面缺陷检测方法

针对轧刚表面缺陷种类多样、形状多变导致检测效率低、精度差的问题,提出了一种改进YOLOv3的轧钢表面缺陷检测算法。首先,对骨干网络提取的特征采用PSA金字塔拆分注意力模块进行多尺度融合。其次,采用PAN结构代替FPN,使得浅层语义和深层语义的特征能充分融合。接着采用Decoupled_Head,将回归预测和逻辑预测分离以避免之间的干扰。最后,在损失函数方面,根据真实框大小赋予不同权值,以提高网络对小目标的检测效果。实验表明改进后的YOLOv3在NEU-DEU数据集上的平均检测精度为80.01%,比原始的YOLOv3提高了3.05%,且相较于YOLOx、YOLOv5等算法也有较大的检测精度优势。

改进YOLOv5的绝缘子缺陷检测算法

针对在复杂背景下绝缘子缺陷检测中出现的漏检、误检问题,提出了一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,在原算法上加入全维动态卷积,在不增加计算量的前提下提高算法的特征提取能力与检测精度;然后,引入解耦检测头,避免因头部耦合带来的检测精度下降问题;最后,融合通道注意力模块(CA),并探究CA在算法不同部位对算法性能的影响,进一步提高算法的特征提取能力,增强算法对小目标的检测能力。实验表明,该算法在公开数据集上的检测精度达到了95.0%,相比于原算法提升了2.5%,平均检测速度达到8.4ms,有着较好的检测精度和实时性,且有效解决了漏检与误检的问题。在主流目标检测算法比较中,改进后的算法综合性能有很大的优越性。

基于改进YOLOv5s的遥感目标检测

优化遥感目标检测对于军事民生方面都有着重要意义;由于遥感数据中成像模糊、目标较小、检测对象数量多,导致检测精度不高,现提出一种新网络:新网络在YOLOv5s原网络的基础上使用Mish激活函数代替SiLU激活函数;为解决遥感图像中小目标的问题,采用了对小目标、低分辨率友好的SPD-Conv模块;考虑到使用耦合检测头会存在回归、分类两个任务之间的冲突问题,采用YOLOX中解耦的检测头,提高了模型查准率;实验结果表明,相比于原始YOLOv5s,新网络在mAP平均精度均值方面提升了7%,查全率(recall)提升了10.9%,检测速度FPS提升了16.95%;改进后的网络模型相对于原始模型具有明显优越性,识别效果提升明显。

基于可变空间感知的目标检测算法

检测场景中目标数量不定且随机分布,目标之间尺寸差异大,使得检测难度增加。为此,文中利用可变形卷积对位置偏差的学习能力,构建两个能够建模局部几何特征的可变空间感知模块(Variable Spatial Perception Module, VSPM)。VSPM1用于特征下采样阶段,减少分辨率降低引起的信息损失,从而有效提升检测器的颈部特征融合能力,使输入检测头的特征包含更多有益预测的信息。VSPM2用于检测头部分,通过大核卷积获取全局信息,另外,通过解耦的检测头解决分类和回归任务之间的冲突。所提算法在PASCAL VOC数据集上检测精度达到84%,相比基准算法YOLOv4提高2%,能够有效提高检测性能。

基于CA-YOLOv5的热轧带钢表面缺陷检测方法

针对当前热轧带钢表面缺陷检测中存在精度低及复杂背景干扰等问题,提出一种基于坐标注意力(coordinate attention,CA)的CA-YOLOv5缺陷检测方法。主要对YOLOv5的输入端、外加模块和检测端3个方面进行改进:在输入端,采用随机拼接4张或9张图片的方法对训练数据进行增广,并利用遗传算法(genertic algorithm,GA)对网络超参数进行寻优,使得YOLOv5更适用于带钢缺陷检测;在主干网络和外加模块之间引入CA机制,加强网络对缺陷深层特征的提取能力;最后,在检测端,对每一检测分支进行解耦,将检测的分类和位置回归两类任务分开,提升网络对缺陷的检测能力。在NEU-DET热轧带钢表面缺陷数据集上进行了验证实验,实验结果证明,CA-YOLOv5的均值平均精度(mean average precision,mAP)达到84.36%,不仅较原YOLOv5算法提升6.68%,而且优于其他先进的检测算法。

对比特征增强的高架库小目标检测方法

针对高架库区场景下安全帽检测中目标特征信息少、分类精度低等问题,提出小目标对比特征增强网络。首先提出快速空间金字塔池化跨层融合模块,减少空间维度上的目标信息丢失。然后提出小目标对比特征增强模块,使用双路并行空洞卷积获取不同感受野,利用通道注意力获取特征图在通道维度上更为精准的特征信息,采用浅层特征图减去深层特征图的方法削弱浅层特征图中大目标信息,以增强小目标特征信息表达。加入高效通道注意力解耦检测头,通过将检测头解耦为分类和回归分支,分别学习目标的语义信息和位置信息。实验结果表明,在TT100K数据集上,所提方法的mAP@0.5比基准网络YOLOv5提高了6.4个百分点,比YOLOv7提高了1.9个百分点。在自建高架库数据集上,所提方法的mAP@0.5相比基准网络提高了4.9个百分点,其中安全帽的mAP@0.5相比基准网络提高了6.9个百分点。