基于改进YOLOv5的室内楼梯检测方法研究

移动机器人视觉SLAM的楼梯建图过程需要对楼梯特征进行检测识别,传统的边缘检测、直线提取等楼梯检测技术往往视角较为理想、背景较为简单,无法实现栏杆遮挡、复杂背景下的楼梯特征提取;为了解决以上问题,提出了一种可用于移动机器人的改进YOLOv5的楼梯目标检测方法,在输入端引入FenceMask数据增强策略,增加对遮挡楼梯的训练样本数量;通道注意力模块CAM与空间注意力模块SAM采用并行连接的方式组成注意力模块CBAM,加强在复杂环境下对楼梯的特征提取能力;在预测端将NMS与WBF结合,将NMS筛选之后置信度较高且位置相邻的边框进行融合为新的边框,在满足精度要求的情况下改善了Faster-RCNN与SSD检测算法存在的单段多阶楼梯检测速度问题;仿真表明改进的YOLOv5s可以在模型大小18.4 MB的情况下达到82.9%的平均精度,改进的YOLOv5m在增大模型为45.5 MB的情况下平均精度提高为86.5%,均可有效识别栏杆遮挡、复杂背景以及单段长阶梯。

一种改进YOLOv5的X光违禁品检测模型

针对X光行李图像安全检测过程中存在物品高度重叠遮挡及复杂背景干扰等问题,提出了一种融合注意力机制、数据增强策略与加权边框融合算法的改进YOLOv5网络模型用于X光违禁品检测。模型在Neck部分引入卷积注意力模块加强网络对违禁品深层重要特征的提取,抑制背景干扰;训练阶段采用Mixup数据增强策略模拟带有高度重叠及遮挡物品的检测场景,加强模型复杂样本的学习能力;测试阶段采用加权边框融合算法对冗余预测框进行优化,提高模型精准预测能力。所提模型在3个大型复杂数据集SIXray、HiXray、OPIXray进行了测试,平均精度均值分别达到了89.6%、83.1%和91.6%。结果表明:所提模型能够有效提高YOLOv5检测复杂违禁品的能力,与现有诸多先进算法相比,具有较高的准确率和稳健性。