YOLOv5-CCE:一种基于CA和EIoU的目标检测算法

为了减少YOLOv5模型在复杂环境下的误检率和漏检率,提出一种基于CA(Coordinate Attention)和EIoU(Efficient Intersection over Union)的目标检测模型YOLOv5-CCE。首先向Neck网络中的部分C3_2模块中嵌入坐标注意力机制CA,增强模型对特征的提取能力;其次为提高回归精度,提出一种基于Focal EIoU Loss改进的Focal CEIoU Loss。实验结果表明,在PASCAL VOC 2007+2012数据集上,YOLOv5-CCE模型在参数量和计算量基本保持不变的情况下,相较于原模型mAP@0.5、mAP@0.5:0.95和准确率分别提升了1.4%、1.3%和3.7%,因此,YOLOv5-CCE模型可以更好地适应复杂环境下的目标检测任务。

改进的YOLOv8n在复杂环境下的车辆识别算法

【目的】针对城市复杂环境下的车辆难识别问题,提出了基于YOLOv8n(you only look once version 8n)的改进模型DB-YOLOv8n(deformable block YOLOv8n)。【方法】首先在颈部网络融合通道注意力机制(efficient channel attention,ECA)和改进加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),以增强在昏暗光线下的车辆检测性能及对多尺度图像的处理能力,特别是对远处或部分遮挡的车辆;其次在主干网络引入可变型卷积(deformable convolutional networks,DCN),以增强模型对不同尺寸车辆的适应性;最后使用精确边界框回归的高效交并比损失函数(focal and efficient intersection over union loss,Focal-EIOU loss)替换高效交并比(efficient intersection over union,EIOU),进一步提升模型的稳定性。【结果】DB-YOLOv8n在自制车辆数据集上相比YOLOv8n,平均精度、精度和召回率分别提高了3.2%、3%和2%。【结论】本研究结果能为提高车辆检测的精确度提供理论参考。

CoT-YOLO水下目标检测算法

水下检测由于背景复杂、光线暗淡、目标遮挡重叠等问题导致检测精度较低,提出一种CoT-YOLO水下目标检测算法提高检测精度。使用YOLOv5s作为基础模型,构建注重上下文信息的卷积神经网络,充分利用特征信息,增强全局特征表达能力,解决模型漏检、误检问题;改用解耦头,加快收敛速度;增添新的检测层并重获先验框,增强模型对小目标的检测能力,提高水下小目标检测效果;采用EIoU损失函数提高目标边界框的定位与回归。实验结果表明,改进后算法精确度达到77.9%,相较于基线提升了3.7%,mAP提升了5.2%,验证了该方法的有效性。

基于改进YOLOv5的X光违禁品检测算法

针对安检X光图像的违禁品检测效率问题以及小尺寸违禁品的漏检误检问题,提出了一种基于改进YOLOv5的X光违禁品检测算法。该算法引入了ProFPN的结构,能够在FPN+PAN的基础上增加原始特征信息,提高检测精度;相比于原始YOLOv5增加了一层160×160的小目标检测层,使之拥有四尺度的特征融合,提高对小尺寸目标的学习能力;使用k-means++算法重新生成锚框尺寸,使之更加适合自制数据集的目标框大小,提高检测效率;采用了EIOU Loss作为回归损失函数,使目标框和锚框的宽高差异最小化,进一步提高检测框的定位精度和收敛速度。实验结果表明,改进后的算法在公开X光安检数据集上相比于原始YOLOv5算法mAP@0.5提高了4.7个百分点;相比于其他主流的目标检测算法,在参数量和运算量最小的情况下mAP@0.5最多提高了28.6个百分点,同样具有一定的优越性。

基于改进YOLOv5的织物缺陷检测

鉴于织物表面纹理复杂导致织物缺陷检测准确率低以及小目标检测困难等问题,提出一种基于改进YOLOv5的织物缺陷检测算法。首先,在YOLOv5的骨干网络上,增加CBAM注意力机制,从而强化有用的特征信息弱化无用的特征信息;其次,将Neck层的路径聚合网络(PANet)用加权双向特征金字塔网络(Bi-FPN)替换,从而更好地平衡多尺度特征信息,提高小目标检测的特征能力。最后,通过改进损失函数,使用Focal EIOU Loss损失函数来代替CIOU Loss损失函数,不仅使得收敛速度更快,而且可以有效的解决难易样本不平衡问题。实践证明:改进后的训练模型平均精度均值mAP值为84.5%,比未改进增加了4.7%,可满足实际生产中的织物缺陷检测要求。

基于改进YOLOv5的海洋目标检测方法研究

针对海洋生物检测中存在的目标被遮蔽或半隐蔽等问题,提出一种适应于水下目标检测的网络WN-A-YOLOv5。在训练改进的模型之前,结合水下增强轻量级网络算法对原图像进行预处理,有助于在复杂的海洋环境下准确识别目标。文中在改进YOLOv5算法时,首先,引入Swin-Transformer主干模块,以提高模型的泛化能力;其次,在head预测部分使用EMA结构以及在主干中引入GAM注意力机制,以提高模型的鲁棒性;最后,引入Focal-EIOU Loss,用于精确边界框回归的高效损失。结果表明,经过改进训练的算法mAP为88.59%,实际检测视频帧率可达38.86,有效地提高了海洋目标检测精度。

基于改进YOLOv7的机载红外弱小目标检测算法

随着现代化战争的技术升级,机载红外探测领域对更快更远更准地发现目标的需求日益强烈。为满足机载环境下对红外弱小目标高精度高帧率的检测,本文提出了一种基于YOLOv7改进的目标检测算法,以YOLOv7目标检测算法为基础,进行了修改网络结构和加深卷积层数来使特征提取更多的小目标信息特征;并对骨干网络获取的特征层引入注意力机制来提高神经网络对小目标的感知能力以及提高小目标所在区域的权重占比;使用EIOU损失函数替换原本的CIOU损失函数,提高了收敛速度和定位精度。实验结果表明,相较于原算法YOLOv7,在极小损失帧率的情况下,改进后的算法mAP可以达到98.49%,相较原始算法提升了1.24%,有助于提升对机载红外弱小目标的检测准确率。

基于YOLOv5s室内目标检测轻量化改进算法研究

针对现有室内目标检测算法,存在结构复杂,计算量以及模型参数量过大等问题,难以部署到计算能力有限的室内机器人平台,实现高效的目标检测。为解决这一问题,提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征提取网络,并且在改进的主干网络基础上采用CA注意力机制,同时在颈部网络中采用GSConv和VOV-GSCSP模块。最后引入边框回归损失函数EIOU加快网络收敛。研究结果表明,改进后的目标检测算法,模型计算量减少了68.75%,模型参数量减少了62.2%,权重文件减少了59.7%,平均精确率mAP均值为0.653,改进后的目标检测模型能够在保证轻量化的同时保证检测精度。

改进YOLOv8的环视车位检测算法研究

为在泊车过程中更快速、准确、全面地检测停车位,提出一种针对全景环视系统AVM(around view monitor)图像的改进YOLOv8环视车位检测算法。采用部分卷积思想设计出Faster Block结构,分别替换C3模块和C2f模块中的Bottleneck结构,选取改进后更轻量化的C3-Faster模块替换YOLOv8中原有的C2f模块;在YOLOv8主干网络末端添加CoordAtt(coordinate attention)注意力层,提升模型特征提取能力;引入EIoU作为损失函数提升模型检测精度。该算法在自建的AVM环视车位检测数据集上模型精度、召回率、mAP@0.5与mAP@0.5:0.95分别达到87.6%、87.6%、93.1%、62.0%;相较于原YOLOv8n模型提升1.5%、1.4%、1.6%、1%;参数量、浮点运算量及模型大小分别下降约27%、24%、25%。

基于改进YOLOX的钢材表面缺陷检测研究

针对目前单阶段目标检测网络YOLOX的特征提取能力不足、特征融合不充分以及钢材表面缺陷检测精度不高等问题,提出一种改进YOLOX的钢材表面缺陷检测算法。首先,在Backbone部分引入改进的SE注意力机制,增添一条最大池化层分支,进行权重融合,强化重要的特征通道;其次,在Neck部分引入ASFF模块,充分利用不同尺度的特征,更好地进行特征融合;最后,针对数据集所呈现的特点,将IOU损失函数替换为EIOU损失函数,改善模型定位不准确的问题,提高缺陷检测精度。实验结果表明,改进的YOLOX算法具有良好的检测效果,在NEU⁃DET数据集上的mAP达到了75.66%,相比原始YOLOX算法提高了3.74%,较YOLOv6提升了2.76%,检测精度优于其他主流算法。

基于改进YOLOv5的镍板表面缺陷检测方法

针对镍板表面缺陷检测智能化程度低的问题,提出了一种基于改进YOLOv5的镍板表面缺陷检测方法。首先,对图像增强后的镍板数据集通过K-means++重新聚类锚框,提高锚框对本文数据集的适应度。其次,在主干网络Backbone中加入CBAM注意力机制,通过空间与通道信息融合来加强对感兴趣区域以及不清晰目标的特征识别。最后,在边界框回归时引入EIoU损失函数代替原CIoU损失函数,有效提高回归收敛速度,从而提高模型检测速度。实验结果表明,在自建的镍板缺陷数据集上,改进后的模型检测准确率高于Faster R-CNN、SSD、YOLOv3、YOLOv5等模型,其平均精度均值达81.4%,检测速度达61帧/s,模型在提高检测精度的同时也很好地满足了对检测速度的要求。

基于改进YOLOv8的PCB焊点语义分割方法

针对具有相似灰度值的印制电路板(Printed Circuit Board,PCB)焊点在检测分割过程中的误检和漏检问题,提出改进YOLOv8的PCB焊锡语义分割模型。在主干网络引入坐标注意力(Coordinate Attention,CA)机制,准确定位焊点空间位置,提升模型捕捉焊点空间信息能力;使用双向特征金字塔网络(Bi-directional Feature Pyramid Network,BiFPN)替换路径聚合网络(Path Aggregation Network,PANet)特征金字塔,更好地捕捉目标的边界信息,并在原有基础上增加一个分割层。引入EIoU损失函数,提供更精细的评估结果并提高泛化能力。通过对比实验得出,所提算法的平均像素精度(mean Pixel Accuracy,mPA)达到90.37%,平均交并比(mean Intersection over Union,mIoU)达到83.76%,每秒推理图片张数(Frames Per Second,FPS)达到43,实现了PCB板更精准的焊点分割。

基于深度学习的奶牛乳头检测方法研究

为提高奶牛乳头目标检测的精度和速度,在YOLOv5算法中引入卷积注意力机制(Convolutional Block Attention Module,CBAM)和轻量级卷积模块(Ghost module),提出一种改进的CG-YOLOv5目标识别算法。改进的方法:首先,引入CBAM注意力机制,用于学习和提取奶牛乳头目标图像相关特征;其次,通过Ghost模块轻量化C3骨干网络,减少参数和计算量;最后,采用EIoU(Efficient iou)损失函数替换CIoU(Complete iou)的方法,以提高模型的回归精度和收敛速度。试验结果表明:改进的CG-YOLOv5目标识别算法在奶牛乳头数据集上表现出色,平均检测精度达到92%,检查帧率达到33.6,相较于原YOLOv5算法分别提高4%和16%。该算法在检测精度和速度上均优于原YOLOv5算法,验证了提出的CG-YOLOv5算法在奶牛乳头实时检测等场景的适用性。

OMC框架下的行人多目标跟踪算法研究

多目标跟踪是计算机视觉领域被广泛研究的重要方向,但是在实际应用中,目标的快速移动、光照变化、遮挡等问题会导致跟踪性能变差,因此以多目标跟踪模型OMC为基础框架展开研究,以实现跟踪性能的进一步提升。针对多目标跟踪过程中存在的目标特征质量层次不齐的问题,对特征提取器进行优化,在主干网络集成了GAM注意力机制并在Neck网络部分更换了上采样方式;针对现有方法中存在的检测任务和重识别任务之间的“竞争问题”,构建了递归交叉相关网络,使得模型可以学习不同任务的特性和共性。此处针对两个子任务分别进行了优化,一是设计了新的通道注意力HS-CAM优化了重识别网络;二是更换了检测部分的边界回归损失函数,采用EIoU损失函数。实验表明,在MOT16数据集上MOTA指标可达73.5%,IDF1可达70.4%,MLgt为11.7%,相比较OMC算法减少了1.5个百分点。

基于改进YOLOv5的仓储物体检测研究

针对仓储复杂多样的环境以及对仓储物体传统检测模型性能较低的问题,本文基于PaddlePaddle框架,提出一种改进YOLOv5的仓储物体检测模型YOLOv5-CE。首先,为提高在复杂多样环境下对仓储物体检测,采用ConvNeXt网络替换原YOLOv5的主干网络,以提高对中小型仓储物体的特征提取能力;其次,为提高模型的收敛速度和物体的检测精度,采用EIoU Loss代替原模型的损失函数;最后,通过利用自制仓储训练集进行多模型对比实验。实验结果表明,在对货物(cargo)、托盘(tray)、叉车(forklift)进行检测时,改进后的模型平均检测精度均值(mAP@0.5:0.95)达到89.8%,相比原YOLOv5提升1.1%,其中在小尺度仓储物体上,提升4.2%;在中、大尺度仓储物体检测上,皆提升1%;对于小仓储物体检测的平均召回率由61.1%提升至66.8%。与YOLOv6、YOLOX、YOLOv7、Faster R-CNN等其他模型相比,YOLOv5-CE均体现出更好的精度。同时,相比上述模型,YOLOv5-CE在模型参数量、检测速度以及检测精度上,也取得良好的平衡,能够较好地满足对不同大小、不同种类仓储物体的精准检测。

基于YOLO v5l-Im的排水管道缺陷检测方法及效果分析

针对YOLO v5l(you only look once version 5 large)算法对于小目标、少样本且背景复杂的排水管道缺陷图像检测的精度低、误检和漏检率较高等问题,提出了一种基于YOLO v5l-Im算法的排水管道缺陷检测改进方法。做了三点改进:首先提出了Focal-EIoU(focal embedding intersection over union)损失函数,有效提升了检测模型的性能;其次为增强检测模型对小目标缺陷的检测效果,减少缺陷误检和漏检的概率,将骨干网络中浅层特征图融合到双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)中,增加针对小目标的预测层;最后在YOLO v5l中引入坐标注意力机制(coordinate attention,CA),提高模型对图像中感兴趣区域的敏感程度,减少冗余背景信息的干扰。3种改进对平均检测准确率(mean average precision,mAP)的提升分别为2.0、2.9、5.9个百分点。将三种有效改进融合到一起,检测结果表明:本文提出的YOLO v5l-Im模型的mAP达到了92.1%,较原模型的85.5%提升了6.5个百分点。由此可见,所做的改进有效增强了YOLO v5l对排水管道缺陷的检测能力。

基于改进YOLOv5s的水果目标检测研究

为了准确识别果树上不同的水果目标,解决对果实识别精度不理想等问题,提出一种基于YOLOv5s的改进算法。首先,在回归框预测损失上,将EIoU损失函数应用到YOLOv5s上,使目标框与锚框的宽度和高度之差达到最小;其次,在主干网络上添加ECA-Net注意力机制,以更好地提取不同果实目标的特征。实验结果表明,YOLOv5s+ECA+EIoU loss的综合性能优势明显,与现有的几种网络算法对比,改进后的算法各项数据均优于其他算法,进而验证了改进的有效性,可以为机器人采摘时的目标检测研究提供必要的技术支持。

基于YOLOv5s模型的边界框回归损失函数研究

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。

基于改进YOLOv5的人员检测方法研究

为了解决在人员检测过程中,检测精度低、收敛速度慢问题,提出了一种基于改进YOLOv5的人员检测方法。首先,在主干网络(Backbone)和特征加强网络(Neck)中加入注意力机制(attention mechanism,CBAM),来解决Backbone特征提取能力不足问题,并加强Neck特征融合能力;然后,加入EIOU Loss,解决了计算宽高的差异值取代纵横比,同时引入Focal Loss解决难易样本不平衡问题,EIOU Loss在测试过程中,不仅加快了模型的收敛速度,而且精度也有所提升。结果表明:在自制数据集和公开数据集CrowdHuman中,平均精度分别提高1.2%和1.6%,FPS(frames per second)每秒提升了11.91帧和6.44帧,漏检情况也有所降低。经过改进后的模型,实时性要求符合现实要求,更易于提取人员的特征信息,提升检测精度。

改进YOLOv5s的复杂交通场景路侧目标检测算法

针对传统路侧目标检测模型存在的对于行人、非机动车、受遮挡车辆等小目标检测精度低以及模型体积过大的问题,提出了一种基于改进YOLOv5s的路侧目标检测模型。使用EIoU Loss替换原始的CIoU Loss作为目标边界框的回归损失函数,在加快预测框回归损失函数收敛速度的同时提升了预测框的回归预测精度;使用轻量级的通用上采样算子CARAFE替换原始的最近邻插值上采样模块,减少了上采样过程中特征信息的损失;在原始的三尺度检测层的基础上新添加一层检测尺度更小的小目标检测分支,并提出了一种高效的解耦预测头对不同尺度的检测层进行解耦,进一步提升了模型对于小目标的检测能力;对改进后的模型进行通道剪枝,剪除对于检测效果影响不大的冗余通道,降低模型体积,使得模型更加适用于资源受限条件下的路侧目标检测任务。在路侧目标检测数据集DAIR-V2X-Ⅰ上的实验结果表明,相较于原始YOLOv5s算法,改进后的算法在模型体积减小5.7 MB的基础上,mAP50、mAP50:95分别提高了2.5个百分点和3.8个百分点,达到了90.3%、67.7%,检测速度也达到了89 FPS。与其他主流的目标检测算法在检测精度、模型体积以及检测速度上相比有一定的优势,改进后的算法适用于复杂交通场景下的路侧目标检测任务。