基于改进YOLOv5的海洋生物检测算法

对于水下机器人捕捞行业,提高对海洋生物的识别准确率可以有效减少对海洋生态环境的破坏。针对现有海洋生物检测模型在复杂环境下对小目标存在特征提取能力不足、检测精度低的问题,提出了一种基于改进YOLOv5的海洋生物检测算法。该算法通过改进马赛克数据增强,生成更多的小目标数据样本;在YOLOv5的主干网络引入SimAM(Simple,Parameter-Free Attention Module)无参注意力机制,该注意力机制对海洋生物特征图分配3D注意力权值,从而增强模型提取特征的能力。实验结果表明,对比原始YOLOv5算法,在没有引入额外参数的情况下,查准率、查全率、平均检测精度分别提高了2.8%、1.7%、1.6%,为水下机器人进行精准识别和捕捞提供了技术支持。

基于YOLOv5的遥感图像目标检测

为了解决在遥感图像目标检测任务中目标背景繁杂难以识别且目标尺寸复杂的问题,提出一种基于YOLOv5的遥感图像检测优化模型。首先,对输入数据进行马赛克增强,增加样本多样性,同时采用自适应锚框计算,寻求最优初值锚框;然后,把通过主干网络提取到的特征层进行特征融合得到最优特征层,再对定位损失进行优化,采用CIoU loss作为定位损失函数,Focal loss作为分类损失函数;最后,在测试时对输入图片采用自适应图片缩放,以减少信息冗余,加快模型检测速率。该模型能有效捕捉图像特征,实现快速精准的目标定位。对公开10类地理空间物体检测数据集(NWPU-VHR 10)和RSOD数据集进行了训练测试,对比试验表明,优化模型mAP达到0.9896,比优化前的模型mAP提升了2.31%,与使用相同数据集的其他模型的最优值进行比较,其mAP提升了8.19%,该方法能有效提高遥感图像检测精度。