基于改进YOLOv5算法的无人机巡检图像智能识别方法

提出一种基于改进YOLOv5算法的无人机巡检图像智能识别方法。该方法构建无人机巡检图像的相邻图像独立坐标系,并利用相对定向法确定图像中共同目标的位置关系。将巡检目标统一转换至同一坐标系下,采用先进的分割技术提取目标纹理特征向量,为后续的图像识别提供了有力支持。在改进YOLOv5算法的过程中,特别注重多尺度网络的选择与融合激活函数及损失函数的优化组合。采用大疆无人机获取建筑裂缝巡检图像进行实验。结果表明,该方法能够在高效率下实现不同类型建筑裂缝的高精度识别,展现出优异的稳定性能。这一研究成果为无人机巡检图像的智能识别提供了新的思路和方法,具有广泛的应用前景和实际价值。

基于OBE理念的Yolov5算法实例教学研究

针对深度学习课程理论知识多、教师讲解困难、学生难于理解的教学实际,重点研究深度学习课程中有关图像处理的最新算法Yolov5的实例教学策略,以提高学生对深度学习课程的学习兴趣,增强学生发现问题并解决问题的能力。本实例讲解了基于OBE理念的Yolov5口罩佩戴识别算法,首先进行教学方法阐述与分析;其次进行教学实例的选择和算法的实现讲解;最后通过教学反思和教学评价促进教学质量的提升。

基于YOLOv5算法的多尺度小目标船舶识别方法

为提高海面多尺度小目标船舶的识别性能,提出一种数据集划分方法,并在YOLOv5算法中改进数据增强方法,融合注意力机制,改进损失函数。实验结果表明,该方法能更好地识别海面上的多尺度小目标船舶,平均精度(mAP)、精确率(P)、召回率(R)分别为99.1%,98.5%,97.5%,识别性能比经典深度学习算法和近几年的方法都高。

基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪

针对因受水面波纹、反光及目标外观特征相似而导致的游泳池中目标检测跟踪困难的问题,提出一种基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪方法;通过引入注意力机制改进YOLOv5算法,增强算法对目标特征的提取能力;将检测结果输入到DeepSort算法中,在级联匹配中引入K邻域限制筛选目标检测框,减少因目标外观特征不明显引起的身份切换问题;利用匈牙利算法对检测框和预测框进行匹配,对未匹配成功的检测框采用距离交并比代替交并比进行二次匹配,提高DeepSort算法的跟踪性能;通过对比实验和消融实验验证所提出的多目标检测跟踪算法的性能。结果表明:改进的YOLOv5算法平均精准度提高2%,结合DeepSort算法跟踪检测,身份切换平均减少58次,多目标跟踪精确率为80.26%,比原始YOLOv5算法和Deepsort算法跟踪准确率提升了3.85%。

基于改进YOLOv5算法的实木板材表面缺陷检测

实木板材在世界范围内被广泛地应用于建筑、家居、艺术等领域,由于板材表面存在着影响其性能的不同种类的缺陷,而人工去除实木板材缺陷生产效率较低,质量无法保证。为了解决实木板材表面缺陷检测中存在的效率低下及过分依靠工人主观判断的问题,将机器视觉和深度学习方法相结合,利用机器代替人对实木板材进行缺陷检测。具体使用彩色CCD相机采集了赤松和樟子松两种实木板材,裁剪成共计1500张大小为2048×2048像素的木材图片,图片中包含着活节、死节、髓心及裂缝缺陷。在YOLOv5结构基础上,受到了Vision Transformer的启发,在主干网络中使用了全局注意力模块来改进算法,并且针对实木板材的横向锯切方式修改了损失函数,以求在实木板材缺陷检测锯切这一任务中获得更好的效果。充分训练后在测试集上整体mAP达到0.974,召回率达到0.946,较未改进的YOLOv5分别提高了5.98%和9.36%,表现出一定优越性。

基于改进YOLOv5算法的水稻病害识别研究

针对传统深度学习算法难以在复杂环境下准确且高效地识别水稻病害问题,提出一种改进的YOLOv5算法,对水稻常见的白叶枯病、稻瘟病、东格鲁病和褐斑病的病斑进行检测。在原YOLOv5算法上结合混合域注意力机制进行特征校正,提高模型对水稻叶片和病斑位置信息的定位能力。在损失函数部分将原CIoU_loss更换为SIoU_loss,弥补CIoU_loss未关注边界框和真实框角度偏移的问题。选用Soft-NMS筛选预测框,缓和传统NMS因不同病斑重叠区域过大而发生预测框误删造成的漏检情况。在消融试验中,改进算法在水稻病害识别任务中mAP达到0.884,比原YOLOv5算法提升2.9个百分点,在针对褐斑病病斑的识别上提升较大。证明改进的YOLOv5算法在水稻病害识别任务中的有效性。

基于改进YOLOv5算法的水淹电厂检测算法研究

为能实现对电厂水淹或设备漏水等现象快速、准确的检测与识别,通过利用区域上下文信息补充特征信息,采用改进的多尺度检测部分融合浅层的位置信息,提出了一种基于改进YOLOv5的水淹电厂图像检测算法;此外,针对水淹电厂现象构建一个电厂设备的水渍渗漏数据集并使用了数据增强策略;经实验测试表明,算法在检测效果上提升明显,相比于基于原始YOLOv5算法的水淹电厂模型的平均精度均值mAP提升了5.24%,满足了工程实际需求,具有较高的实用性。

基于YOLOv5算法的无人机伤员搜救系统设计

无人机伤员搜救系统是一种利用无人机在灾难现场搜索,并基于高清相机图像定位伤员的技术,该方法可以高效搜索受伤或者昏迷的伤员,提高搜救效率、减少救援人员的风险。该文介绍一种基于YOLOv5目标检测算法的无人机伤员搜救系统,该系统使用卷积神经网络模型,能够实现对伤员的目标检测,并使用PyQt5框架设计图形用户界面,将关键图像和文本信息显示在屏幕上,便于搜救人员开展工作。介绍四旋翼无人机的硬件组成、YOLO算法的原理、神经网络模型训练和GUI软件开发的过程,并模拟伤员拍摄照片进行识别实验,验证该系统的有效性和可行性,为无人机伤员搜救技术的发展提供一种新的思路和方法。

基于YOLOv5算法的农业机器人设计

在农业发展中,虫害和环境等因素导致农作物受损,引发对生态保护和食品安全的关切,生产效率急剧下降,农业陷入低谷。为解决这一问题,设计了一款基于YOLOv5算法的智能监控识别机器人,以STM32C8T6最小系统板和树莓派为主控,结合蓝牙和USB摄像头进行信息采集与传输,并运用YOLOv5算法进行数据分析。通过轻量级网络设计、剪枝技术和量化方法[1],降低模型计算需求,解决小平台算力不足的问题。实验证明,该机器人在农田中识别植物和害虫方面具有高级视觉识别能力,实时监控环境,智能管理与控制,显著提升农业生产安全性和工作效率,为农业发展做出积极贡献。

基于改进YOLO-V5算法的烟火检测方法

为减少自然环境中云、水雾、沙尘、灯光、日出、日落等干扰因素对烟雾、火焰目标检测准确性的影响,提出一种基于改进YOLO-V5算法的烟火检测算法。采用现场采集和网络爬取的方法获取烟雾、火焰目标图像和干扰类图像数据集,均衡学习训练样本,提高模型泛化能力;使用加权双向特征金字塔网络(BiFPN)替换原有的特征金字塔网络(FPN)+路径聚合网络(PAN)结构,对目标进行多尺度特征融合,加强模型特征融合能力;同时,运用距离交并比(DIoU)非极大值抑制(NMS)替代原有的NMS,加快检测框损失函数收敛速度,加强模型推理能力。结果表明:改进后的算法准确率为79.2%,召回率为68.6%,平均精度均值(mAP)为74.2%,误报率(FPR)为12.8%;相比于原YOLO-V5算法,改进后的算法准确率、召回率、mAP分别提高1.9%、0.9%、2.7%,检测识别FPR降低3.7%。

基于YOLOv5算法的智能剥锌机预开口识别技术研究

预开口作业是锌电解智能剥锌系统的核心工序,预开口效果直接决定后续工序是否能够自动化连续运行。本文以矿冶科技集团研发的新一代智能剥锌机为研究对象,对智能剥锌机基本机构及开口原理进行了分析,提出了一种基于YOLOv5算法的智能剥锌机预开口识别技术,并进行了仿真分析和实验验证。实验结果表明:预开口轮廓平均识别精度达到99%,解决了智能剥锌系统无法连续化作业难题,可很好地满足生产需求,具有重要的工程应用指导意义。

基于YOLOv5算法的热电厂人员安全行为识别方法探究

传统的人员安全行为识别方法存在准确率较低问题。为解决此问题,提出了基于YOLOv5算法的热电厂人员安全行为识别方法,对人员安全行为进行分类和标注,构建了适用于热电厂场景的数据集,通过采用特征提取和匹配算法,结合YOLOv5算法,构建了一个多目标检测模型,能够可靠地检测和识别各类安全行为。通过实验验证,此方法在热电厂场景中能够有效识别出人员安全行为,为人员安全管理提供可靠的辅助手段。

基于YOLOv5算法的圆心定位方法

准确地获取图像中圆形目标的圆心是目标识别和定位中的关键问题。目前圆心定位主要采用最小二乘拟合圆以及HOUGH变换方法,但这些方法在不同程度上存在着鲁棒性不强、对环境光线要求高、需提前调试参数确定阈值、复杂背景下效果急剧变差等局限性。针对该问题,提出一种综合运用YOLOv5算法、Grabcut算法和灰度质心法进行图像分类、图像分割和灰度重心算法求取圆心坐标。该方法使用YOLOv5对图像中的圆形目标进行粗定位,再通过图像分割方法分割出圆形目标,最后使用加权型的灰度重心算法准确定位出圆心坐标,实现对圆形标志的可靠定位。用多个实验比较了该算法与现有算法的精度和稳定性,实验表明,该算法与现有算法相比,在干扰及形变的情况下圆心定位平均相对误差保持在0.5pixel以内,而在干扰、强形变及目标残缺的情况下仍能保持在7 pixel以内,该算法不仅提高了圆形目标圆心检测的鲁棒性和准确性,而且具有良好的抗干扰性。

基于YOLOv5算法的无人值守智能变电站异物入侵识别方法

变电站异物入侵场景具有多样性,导致不同类型的异物识别效果较差。对此,本文研究基于YOLOv5算法的无人值守智能变电站异物入侵识别方法。采用双目相机对场景进行同步拍摄和影像传感器输出,实现对变电站数据的采集。并基于采集到的变电站数据使用YOLOv5算法实现异物识别。实验结果表明:所提方法的识别精度最高达到97%,具有实用性。

基于改进YOLOv5算法的可回收饮料瓶检测方法研究

针对YOLOv5算法目标检测存在重叠目标漏检率高、检测置信度低的问题,提出基于EA-YOLOv5m模型的可回收饮料瓶检测方法。采用EAM(efficient attention module)注意力模块提升重叠目标检测精度,采用α-IOU Loss函数对损失函数进行改进,提升检测框的定位精度及置信度。实验结果表明,EA-YOLOv5m模型训练的位置损失值和置信度损失值较YOLOv5m模型均有下降,测试的AP_0.5和AP_0.5-0.95较YOLOv5m模型分别提高了0.15%和1.28%,检测速度达到7.8帧/s。针对不同程度遮挡的重叠目标,EA-YOLOv5m模型的检测置信度得到明显提升,分别达到0.81及0.68。该算法可以大幅提升重叠目标检测能力,满足基于视觉的可回收饮料瓶检测应用。

面向小目标检测的改进YOLOv5算法

针对当前小目标检测中识别率较低、检测精度较差的问题,提出基于轻量级卷积注意力模块(CBAM)与采用加权双向特征金字塔网络模块(Bi-FPN)的改进YOLOv5算法。该算法通过引入Bi-FPN结构模块,可简单、快速地进行多尺度特征融合,更好地平衡不同的尺度信息,更有效地提取小目标的特征信息;输出预测结果之前再加入CBAM注意力机制以提高网络对小目标的特征表达和检测能力。将改进的算法在公开数据集(VisDrone)进行实验分析,小目标检测精度提高了4.1%,表明改进后的算法相比于传统的YOLOv5算法和其他算法对小目标检测效果更好。

基于MD5算法的无线传感网络用户身份分簇节点安全认证方法

为防止恶意的中间节点截获、篡改和干扰信息的传输,以及反馈延迟导致认证密钥丢失等问题的出现,提出基于MD5算法的无线传感网络用户身份分簇节点安全认证方法。预处理无线传感网络用户身份分簇节点数据,将数据加密参量转换为MD5的512位标准;根据用户分簇节点对应的MD5变换参量对其认证规则加以定义,用于MD5算法优化规则制定;通过MD5算法对请求数据进行数据融合压缩,解析交互认证过程密钥,完成对应节点数据簇头信息的安全认证。实验结果表明:该方法收发成功率均在97%以上,开销率最高在50%。该方法在多种条件环境下均有效可行,其所得各项指标数据均为最佳,能够在满足相关指标要求的基础上保持连续稳定运行,具有一定的应用推广价值。

基于改进YOLOv5算法的直拉法单晶硅位错检测模型研究

表征和测量单晶硅位错密度是检测晶体生长品质和研究位错形成机制的重要参量。基于位错腐蚀坑形貌差异大、背景复杂等非典型性特征,以及传统人工光学显微检测准确度不高、效率低下等问题,提出一种改进的YOLOv5算法检测单晶硅位错腐蚀坑密度分布。在原始的YOLOv5算法基础上引入注意力机制,优化网络结构,加强模型推算能力;进一步通过强化特征融合,提升网络检测精度;优化损失函数增强定位准确率,提升训练速度。实验结果表明:改进后的算法,对两种不同腐蚀液的单晶硅位错腐蚀坑检测精度分别达到93.52%和98.82%,检测平均精确率均值(mAP)能够达到96.17%,帧率(FPS)能够达到47帧/s,满足实时检测的需求。

基于YOLOv5算法的女性职业装款式自动识别方法

针对目前自动识别方法存在的图像背景处理繁琐、形式单一、轮廓特征提取复杂、单张图片只有一种款式可以识别等问题,运用了一种单阶段目标检测(YOLOv5)算法,实现了基于服装图片的职业装款式分类。以办公室女性职业装为例,首先建立一个包含衣裤套装、衣裙套装、连衣裙的3类女性职业装经典款式数据集并对图片进行标注,使用Mosaic数据增强操作提升模型的训练速度和网络的精度,选用CIOU_Loss做定位损失的损失函数,最终实现女性职业装3类款式的自动检测识别。实验表明,基于YOLOv5算法的款式识别方法可以实现对复杂背景下的女性职业装的有效分类,可为服装商品的可视化分类识别提供新的思路,提高服装产品相关调研的效率。

基于YOLOv5算法的水位智能监测系统

近年来,图像识别技术快速发展,为了实现水位数据前端处理,本论文提出了将YOLOv5算法用于前端处理水位监测数据的方案。本方案与传统方案最大的不同之处在于数据处理方式,本方案直接将YOLOv5算法嵌入集成单片机中,在前端进行数据转换,最后将结果显示在终端,传统方案需要将数据传输回服务器中。论文实验数据的采集,考虑了不同测量地点和光照角度等因素,具有真实性。最后将YOLOv5算法的实验数据与YOLOv4、hog + svm和Faster RCNN算法进行对比,并以F1作为比较标准。结果显示:在验证集下,YOLOv5算法的mAP值和准确率等指标均表现优异,F1值高于Faster RCNN将近4%,高于HOG + SVM将近12%,在GPU和CPU环境下,单张图片检测时间分别为15 ms、125 ms,说明YOLOv5算法在各种复杂环境下的均能适应图像识别任务,具有高识别率和鲁棒性。