基于改进轻量化YOLO v5n的番茄叶片病害识别方法

针对现有番茄叶片病害识别存在背景复杂、识别准确率低、模型参数量大、计算量大以及难以部署至移动设备或嵌入式设备等问题,提出一种改进的轻量化YOLO v5n的番茄叶片病害识别方法。首先收集细菌性斑疹病、早疫病、晚疫病、叶霉病、斑枯病、褐斑病等6种常见番茄叶片病害图像以及番茄健康叶片图像,对图像进行镜像翻转、高斯模糊等数据增强方式增加样本多样性,提升模型识别和泛化能力。接着在YOLO v5n网络基础上,选择采用轻量化的C3Ghost模块替换C3模块以压缩卷积过程中的计算量、模型权重和大小,同时在颈部网络中融合轻量级卷积技术GSConv和VOV-GSCSP模块,在增强特征提取能力的同时降低模型参数量。最后引入PAGCP算法对改进后的模型进行全局通道剪枝压缩参数量并减少训练开销。试验结果表明,改进后的YOLO v5n平均精度均值达到99.0%,参数量减少66.67%,计算量降低了2.6 G,模型权重压缩了2.23 MB。本研究提出的番茄叶片病害识别方法在降低了模型大小、参数量、计算量的同时仍保持较高的识别精度,为移动设备上实现番茄叶片病害识别提供技术参考。

双重轻量化PCB缺陷检测算法研究

针对PCB缺陷检测方法存在检测速度慢、对部署设备要求高等问题,本文提出一种双重轻量化PCB缺陷检测算法。首先在YOLOv5主干网络中采用轻量化模块C3Ghost;然后利用GSConv模块和C3GS模块搭建特征融合网络,用来获取主干网络丢失的部分语义信息和提高网络检测速度;最后利用多任务全局通道剪枝修剪对网络精度影响较小的通道,进一步减少模型的参数量和计算量。该算法在PKU-Market-PCB数据集上进行测试,平均精度值为98.9%、模型大小为5.2M、模型参数量为2393469、检测时间为3.3ms。对比原算法,其模型大小、模型参数量和检测时间分别减少64%、66%和25%。

YOLOv5改进的轻量级口罩人脸检测

针对疫情防控下人脸识别应用出现人脸漏检、移动端平台的计算能力不足和硬件资源受限等问题,提出一种YOLOv5改进的轻量级口罩人脸检测模型.设计轻量化的C3Ghost模块替换原网络中的C3模块以压缩卷积过程的计算量和模型大小,在主干网络中添加注意力机制以提高网络的特征提取能力,并改进边框回归损失函数以提高检测速度和精度.实验结果表明,改进后的模型计算量和参数量分别降低了29.79%和33.33%,模型权重文件大小仅有2.8 M,减轻了对硬件条件的依赖,同时模型的检测率达到了96.6%,相比现有轻量级模型优势突出,能够有效地应用于人脸识别之中.

基于轻量化YOLOv5的煤矿电力人员作业安全装备检测

针对传统煤矿电力人员作业安全装备检测算法精度低、鲁棒性差以及运行速度慢的问题,提出基于改进YOLOv5的目标检测方法。以检测绝缘靴、绝缘手套、安全帽和作业人员为研究对象,采用轻量级Ghost卷积提取目标特征,构建基于CSP结构的C3Ghost模块,通过引入坐标注意力机制,提高算法对感兴趣目标的学习能力。结果表明,改进后的YOLOv5准确率、召回率、平均精度和推理速度比原网络分别提高了1.7%、1.4%、1%和27%,同时模型缩小40%,并在Jetson Nano开发版上成功地部署。