基于改进YOLOv5的金属表面缺陷分割

针对当前工业图像表面缺陷检测算法定位精度差等问题,提出了一种基于改进YOLOv5缺陷分割算法。首先,在骨干网络的前两层使用ODConv替换原有的Conv模块,使图片的下采样信息更好地保存;其次,使用Meta-ACON激活函数替代SiLU激活函数,能够通过学习自动使用性能更好地激活函数来提高特征提取能力;然后,在下层特征提取部分以及Neck层引入SimAM注意力机制,增强特征提取能力;最后,引入Alpha-IoU作为损失函数,提升了边界框回归的精确度。实验结果表明,改进的分割模型检测精度(map)为86.7%,比原YOLOv5网络提升了20.1%,比最新的检测模型YOLOv8高出2%。改进的模型不仅具有较高的检测精度,而且分割检测算法可以更加精确定位缺陷位置。

改进YOLOv5轻量级网络的柑橘检测方法

针对现有的柑橘检测算法准确率低、模型参数量大、检测实时性差、不适用移动采摘设备等问题,提出一种基于改进轻量模型YOLO-DoC的柑橘检测方法。引入Bottleneck结构的ShuffleNetV2网络作为YOLOv5骨干网络模型,构造轻量化网络。同时加入无参型SimAM注意力机制提高复杂环境下对目标的识别精度。为了提高检测网络对于目标果实的边界框定位精度,通过引入Alpha-IoU边界框回归损失函数的方法来获取目标的边界框。实验显示,YOLO-DoC模型的P(precision)值和mAP(mean average precision)值分别为98.8%和99.1%,参数量缩减为YOLOv5网络的1/7,模型的大小为2.8 MB。改进后的模型相比于原网络模型具有识别速度快、定位准度高以及占用内存少的优势,在满足精准采摘工作要求的前提下可以提高采摘效率。

改进的YOLOv5地面军事目标识别算法

针对战场复杂背景下地面军事目标识别算法性能较低的问题,提出一种基于并行注意力机制的PAL-YOLO地面军事目标识别算法。该算法在自建地面军事目标数据集下,对目标的锚框进行重新聚类;在网络的Backbone中加入通道-空间并行注意力机制模块,提升目标特征提取能力;通过采用Alpha_IoU对目标识别分类器的损失函数进行改进,加速模型收敛。结果表明,改进后的算法在保证模型空间复杂度的同时,mAP值提升了6.4%,FPS提升6%。

基于改进Faster R-CNN的高铁扣件检测算法

针对高铁无砟轨道中扣件发生松动,导致高铁扣件发生偏移或丢失的问题,提出一种基于改进Faster R-CNN的高铁扣件检测算法。在特征提取网络中引入可变形卷积,构建可变形残差卷积块,使特征提取过程更加集中于扣件区域,实现扣件状态的精确提取;并采用Alpha-IoU作为目标回归损失函数提高高铁扣件的回归精度。实验结果表明,该算法提高了高铁扣件的检测精度,相比于其他算法,能更准确地进行扣件定位和状态检测。

基于Faster-YOLOv7的带式输送机异物实时检测

基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低。针对上述问题,提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法。通过限制对比度自适应直方图均衡化算法(CLAHE)进行图像增强,提高弱光环境中异物对比度;基于Mobilenetv3对YOLOv7主干网络进行轻量化设计,减少YOLOv7模型的计算量、参数量;添加有效通道注意力机制,缓解因特征通道数减少而导致的高层特征信息丢失问题;采用Alpha-IoU作为损失函数提高异物检测精度。实验结果表明:(1)Faster-YOLOv7的初始损失为0.143,最终稳定在0.039左右。(2)Faster-YOLOv7的检测速度可达42帧/s,较YOLOv5、YOLOv7分别提升了17,20帧/s;Faster-YOLOv7内存为14 MiB,较YOLOv5、YOLOv7分别降低了29,57 MiB;检测准确率达91.3%,较YOLOv5提升了8.8%。(3)将SSD、YOLOv5、轻量化YOLOv7、Faster-YOLOv7目标检测算法应用到煤矿井下带式输送机运煤图像及视频中,发现SSD在视频检测时发生了漏检现象,YOLO系列模型均有效地识别出待测异物,且Faster-YOLOv7识别结果的置信度更高。

基于改进YOLOv5s的水面垃圾检测方法

针对传统水面垃圾检测方法在水面环境复杂的情况下难以兼顾检测精度和检测速度以及检测效率低的问题,提出一种改进YOLOv5s的水面垃圾检测方法。首先使用GhostBottleneck模块替换YOLOv5s模型结构中的C3和部分CBS模块,使YOLOv5s模型更加轻量化,提升检测效率;然后在骨干网络的末端加入ECA注意力机制,让模型对水面垃圾的特征提取有更多关注;再使用Alpha-CIOU损失函数代替YOLOv5原本的GIOU损失函数,使回归更加准确,以获取质量更好的Anchor Box。经过上述改进获得YOLOv5s-GEA模型,模型规模减少了11.2%,每秒帧率FPS为41.6,在测试集上的mAP值达到90.3%,相比原YOLOv5s模型提高了3.9%。相比传统的水面垃圾检测方法,提出的YOLOv5s-GEA模型可以有效兼顾检测精度和检测速度,能够准确迅速地检测出水面垃圾的种类和位置,并且具有较小的模型体积,易于部署到水面清理机器移动端。

基于轻量化卷积神经网络的苹果目标检测算法

针对当前苹果检测算法模型参数多、检测实时性差的问题,提出一种基于轻量化卷积神经网络的苹果目标检测算法.首先,用经典轻量化卷积神经网络ShuffleNet V2替换YOLO v5s的主干网络,实现模型的轻量化;然后,用stem模块取代主干网络的图像处理层进行初始特征提取并且嵌入SPPF结构,弥补轻量化带来的精度损失;最后,在边界框的回归损失函数中引入α幂化指标,进一步提高边界框的定位精度.试验结果表明,改进后算法模型的平均精度均值达到95.8%,网络参数量降低了85.6%,在GPU上的单张平均检测时间仅10 ms,满足苹果采摘任务对检测精度和实时性的要求.

面向密集场景的多目标车辆检测算法

目标检测可为自动驾驶车辆提供附近目标的位置、大小和类别,但是密集场景中多目标检测仍然存在漏检、误检问题,为此该文提出了一种AD-YOLOv5车辆检测模型。首先,利用轻量型结构CBAM注意力机制对特征提取网络中的C3模块进行了优化得到C-C3模块,提高了对特征信息的获取能力,降低了对其他特征的关注度;其次,在检测头部分对分类和回归任务进行解耦,以实现更强的特征表达;然后,利用广义幂变换对IoU进行转换操作,提出鲁棒性更好的Alpha-IoU损失函数,提升了模型的检测精度并加快模型的收敛速度;最后,采用GridMask数据增强技术,增加了样本的复杂性,并在处理后的数据集上进行了实验。实验结果表明,改进后的目标检测模型的平均精度均值达到72.72%,与原YOLOv5模型相比提高了2.25%,且模型具有较高的收敛速度,通过可视化对比实验,直观展示了本文模型在密集场景能有效避免误检、漏检现象。