基于改进YOLOv5的菌落计数算法研究

针对菌落计数问题,人工计数方法存在效率低、精度不高的问题。为了解决这些问题,提出了一种改进YOLOv5的模型,即YOLOES。该模型通过添加小目标检测层,并将Kmeans算法替换为Kmeans++算法,以更好地适应不同尺寸的目标;同时,采用Focal-EIoU损失函数解决难易样本的问题,引入了SPPCSPS(Spatial Pyramid Pooling Convolutional Spatial Pyramid Convolution)模块以增强特征表示能力,并在特征提取阶段引入了置换注意力机制。通过在大肠杆菌菌落数据集进行实验验证,结果显示相较于初始的YOLOv5模型,YOLOES的mAP@0.5提升了17.3百分点,表明YOLOES在菌落检测任务上具有更优越的性能。

轻量化瓦楞纸板表面缺陷检测算法的研究

针对瓦楞纸板表面缺陷检测速度慢和识别准确率低等问题,提出基于改进YOLOv5s的轻量化瓦楞纸板表面缺陷检测算法YOLOv5s-GCS。将YOLOv5s骨干网络中原有的Conv模块替换为GhostConv模块,用C2f模块替换C3模块,并集成置换注意力机制(SA)模块;在YOLOv5s颈部网络末端引入SA模块;通过构建瓦楞纸板表面缺陷数据集进行试验验证。试验结果显示,YOLOv5s-GCS算法平均精度均值达到95.0%、召回率达到89.2%、精确率达到92.5%,较原始YOLOv5s分别提高2.3%,1.3%,2.8%;检测速度达到19.9帧/s,较原始YOLOv5s提高5.7帧/s。YOLOv5s-GCS算法更有利于迁移部署与实际应用。研究为表面缺陷领域的实时检测提供参考。

基于深度学习的交通标志检测与识别方法研究

为克服交通标志检测与识别中交通标志目标小、尺寸多样、获取相关特征信息困难且易受到复杂背景干扰等挑战,基于YOLOv5s网络提出一种基于深度学习的交通标志检测与识别方法。针对当前交通标志识别算法在背景复杂的小目标识别方面存在的问题,将置换注意力机制嵌入YOLOv5s模型主干网络末端的C3层,提出了一种基于注意力机制的交通标志检测与识别算法,以提高对关键区域的聚焦能力,有效消除背景噪声干扰。针对目前目标检测算法在处理尺寸多变的交通标志图像时存在特征融合局限性的问题,提出了加权特征融合网络算法。该算法使主干网络中包含丰富语义信息的同尺寸浅层特征图,分别与深层的中等和大目标检测层进行加权融合,以增强多尺寸特征融合能力。实验结果表明,改进后算法在交通标志检测数据集CCTSDB 2021上,相较于原YOLOv5s方法,精确度和召回率分别提升了0.5个百分点和3.6个百分点,平均精度提升了2.8个百分点,检测速度达到123.46帧/s。因此,提出的算法能够有效提高交通标志检测和识别的准确性,同时保持原有的检测速度。

智能车交通标志的改进YOLOv5识别算法

在硬件平台受限条件下,为提高智能车的性能,权衡实时识别交通标志的精度和速度,在YOLOv5的基础上,提出了针对嵌入式边缘设备的智能车交通标志识别的YOLOv5s_ghost_bi_sa算法。使用GhostConv替代部分普通卷积,在减少卷积结构参数的同时提高网络的拟合能力;添加置换注意力机制(Shuffle Attention,SE),在空间注意力与通道注意力的基础上加入了特征分组与通道置换,提高对小目标的关注度;采用加权双向特征金字塔网络结构,加强特征融合。由华为ModelArts平台协同Hilens_kit设备收集制作数据集,实验结果表明:针对数据集大图像中的小目标采用双向跨尺度连接,将表层特征与深层特征融合,配合注意力机制,增加重要特征的权重,从而提高算法对于小目标检测的精度,YOLOv5s_ghost_bi_sa算法的mAP0.5达到98.8%,召回率达到97.9%,模型大小仅为11.6 MB,Hilens_kit平台上预测速度为62帧/s。在相同的测试环境下,与原YOLOv5s算法相比,精度高出0.8%,浮点运算量下降58%,模型体积压缩4.6倍,预测速度提升2.7倍。YOLOv5s_ghost_bi_sa算法可以有效地实现智能车交通标志的实时识别。