基于改进YOLOv5s的水果图像识别

针对已有的水果识别模型在复杂场景下识别准确率低、推理耗时长、对硬件要求高等问题,提出了一种适用于复杂场景下轻量级的水果识别模型YOLOv5s_CB_CA。在YOLOv5s目标检测算法的基础上,对主干特征提取网络Backbone引入卷积注意力机制CBAM,丰富空间和通道维度的特征信息;并采用特征图上采样CARAFE替换原始上采样,减少计算量、提高识别速度。将改进算法与YOLOv5s算法在水果图像数据集作对比。实验结果表明:YOLOv5s_CB_CA算法平均精度(mAP)达到了96.5%、召回率(Recall)达到了93.5%,使模型体积缩小了约14%。YOLOv5s_CB_CA算法提高了检测精度和召回率、缩小了模型体积,证明了该算法的有效性。

基于改进YOLOv5的口罩佩戴检测算法

在公共场合密集人群场景下,由于目标遮挡导致的信息缺失及检测目标较小、分辨率低问题,使得人脸佩戴口罩检测算法的检测效果较差。为提高模型的检测精度和速度,减少硬件占用资源,提出一种基于改进YOLOv5s的口罩佩戴检测算法。将标准卷积和深度可分离卷积相结合替换传统卷积,并进行通道混洗的鬼影混洗卷积,以在保证精度的前提下提升网络速度。将最近邻法上采样替换为轻量级通用上采样算子,充分利用特征语义信息,在改进的YOLOv5s模型Neck层末端添加自适应空间特征融合,可以对不同尺度的特征进行更好的融合,提高网络检测精度,并通过自适应图片采样,缓解数据不均衡的问题,运用马赛克数据增强对小目标进行充分利用。实验结果表明,该算法在AIZOO数据集上的mAP值达到了93%,比YOLOv5原始模型提升了2个百分点,对于佩戴口罩的人脸检测精度达到了97.7%,优于同等情况下YOLO系列、SSD、RetinaFace的检测效果,同时在GPU上的运行推理速度提升了16.7个百分点,且模型权重文件的内存仅为23.5 MB,适用于实时口罩佩戴检测。

基于改进YOLOv5s的充电站内车辆起火检测

针对目前对于充电站内车辆起火现象的检测精度较低、检测速度慢等问题,从实用化角度出发,提出了一种基于YOLOv5s改进的车辆起火检测方法YOLOv5s-Fast。首先在Backbone网络中采用了全局上下文注意力机制与C3模块进行融合,成为一种新的特征提取的模块C3GC,增强模型提取特征的能力,减少了计算量;其次在Neck网络中采用了轻量级上采样算子,能够根据输入图像进行自适应的上采样,提升了检测精度;最后引入解耦头,提高了目标检测的准确率与效率。实验结果表明,所提出的方法YOLOv5s-Fast与原YOLOv5s相比,平均精度提升了4.9%、检测帧率由原先的46 fps提高到59 fps,方法更加实用化。