基于YOLOv5水下目标检测算法研究与改进

在水下目标生物的检测过程中,由于水下环境恶劣,水中光线衰弱,以及大多水下生物以小目标的形态出现等问题,使得目前的水下目标检测带来了精度损失问题,为解决相应问题,给出了一种基于YOLOv5s改进的YOLOv5s-water算法来解决。首先通过STR(Swin-Transformer)旋转窗口来对YOLOv5s的主干层(Backbone)部分进行更改,提高模型的泛化能力,进而解决水下环境恶劣以及检测目标形态变化带来的问题。使用FReLU激活函数与CBAM注意力神经机制结合成的FCM注意力机制,将其嵌入到YOLOv5s的骨干网(Neck)部分,以用来突出目标特征并抑制次要信息,从而提高算法精度,加强小目标的特征提取。小目标检测方面,在YOLOv5结构上增加小目标检测头,以提高感受野,进而提高小目标的检测精度。仿真和实验结果表明:所提方法相较于YOLOv5s检测准确率P上升1.47%,精确度mAP@0.5上升2.76%,小目标检测效果明显,证明了方法的有效性。

基于注意力与量化感知的航拍红外目标检测

针对航拍场景下红外目标对比度低、识别精度差、检测难度大等问题,提出一种基于注意力与量化感知的航拍红外目标检测算法.首先,利用DCNv2替代ELAN模块中的3×3卷积,构建了DC-ELAN模块,有效提升了模型捕捉局部和全局特征的能力,进而强化了网络的特征表达能力;其次,通过巧妙地将SE注意力机制融入SPPCSPC模块和ELAN模块中,设计出了SE-SPPCSPC模块和SE-ELAN模块,有助于增强特征图的空间自注意力,模型能够更好地关注目标区域;此外,引入QARepVGG模块,提升模型的量化感知能力并增强其对量化误差的鲁棒性;最后,引入DyHead模块,该模块可以根据输入图像的不同动态调整检测头,提高模型对不同大小、形状目标的检测能力,从而进一步提高红外目标检测的准确性和鲁棒性.实验结果表明,相较于原模型,改进后的YOLOv7-tiny模型在计算量未增长的情况下, mAP@0.5值提升了3.4%, mAP@0.5:0.95值提升了4.8%,显著提高了模型检测精度.

基于小目标检测的YOLOv5的静止水面垃圾检测与分类算法

针对现有水面垃圾检测模型精确率低、运算速度慢以及鲁棒性差的问题,提出一种基于改进型YOLOv5的水面垃圾检测与分类算法,将小目标检测头引入改进型网络框架以提高目标检测准确率,通过融入DeepSORT算法以提升检测速度,加入SENet注意力机制并更改损失函数为SIoU以提高模型的鲁棒性。通过对洞庭湖水域垃圾检测结果展开改进前后对比分析,实验结果表明,与原始YOLOv5相比,改进后的YOLOv5的mAP@0.5达到92.1%,较改进前提高了5.37%,同时平均帧率提高至47.8FPS,较改进前提升19.20%,为后续开展水面垃圾自适应处理可行性方案奠定了坚实基础。

基于YOLO-V5改进的遥感图像目标检测

针对遥感图像中目标的像素占比小,用传统方法难以有效检测的问题,提出一种改进的YOLO-V5遥感图像目标检测方法。在Backbone部分,将SPPF模块替换为SPPFAM模块来抑制图像中的无关信息,增强网络对感兴趣区域的学习能力。在Neck部分,将原始的PANet结构改进为BiFPN结构以提高网络的多尺度特征融合能力。在Head部分,增加小目标检测头,使网络能够检测到尺度更小的目标。最后使用EIoU损失函数替换原来的CIoU损失函数。改进后的网络在UCAS-AOD和RSOD数据集上进行了实验,验证了该方法的有效性。

化工园区场景下安全帽佩戴状态检测算法研究

针对现有基于深度学习的安全帽佩戴状态检测算法在化工园区复杂场景下小目标检测效果差等问题,提出了一种基于YOLOv5s改进的安全帽佩戴状态检测算法SEE-YOLOv5s。通过增加小目标检测头,以更好地捕捉和定位小目标,从而提高模型对复杂场景小目标的识别和检测能力;将YOLOv5s所有的C3模块融合轻量ECA(efficient channel attention)注意力机制,有效整合全局特征信息,提升小目标检测能力,并降低模型复杂度;引入EIoU(efficient intersection over union)损失函数,提升模型训练效果。在自建的SHWD-HG数据集上进行实验,实验结果表明,改进后YOLOv5s比原始模型的P(precision)、R(recall)、mAP0.5(mean average precision 0.5)和mAP0.5:0.95分别提高了0.5、6.5、5.9和3.2个百分点,且模型大小降低了0.7 MB。