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。

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。

改进YOLOv5s算法在非机动车头盔佩戴检测中的应用

针对现有非机动车头盔佩戴检测算法在车流密集场景中存在漏检,对佩戴其他帽子存在误检的问题,提出一种改进YOLOv5s(you only look once version5)的头盔佩戴检测算法YOLOv5s-BC。首先,采用软池化替换特征金字塔池化结构中的最大池化层,以放大更大强度的特征激活;其次,将坐标注意力机制和加权双向特征金字塔网络结合,搭建一种高效的双向跨尺度连接的加权特征聚合网络,以增强不同层级之间的信息传播;最后,用EIoU损失函数优化边框回归,精确目标定位。实验结果表明:在自制头盔数据集上,改进后的算法的平均精度(mAP)可达98.4%,比原算法提高了6.3%,推理速度达到58.69帧/s,整体性能优于其他主流算法,可满足交通道路环境下头盔佩戴检测的准确率和实时性要求。

驾驶员手机使用检测模型:优化Yolov5n算法

为进一步实现在移动设备或嵌入式设备上对手机使用的违法行为进行实时检测,通过优化Yolov5n算法提出了一种轻量化、高精度、实时性的检测模型。将Focal-EIoU Loss与FocalL1 Loss相结合来获得更加精确的框定位以及损失函数的更快收敛。利用Slimming剪枝算法来进一步提高模型的轻量化及计算效率。在模型微调时利用数据增强技术对微调操作进行指导,从而使模型能够获得更好的性能提升。在手机使用数据集上对改进方法进行消融实验,进一步验证检测模型的有效性。实验表明,优化后的模型在手机使用数据集及Pascal VOC 2012数据集上的检测精度分别提高了0.2、12.3个百分点,参数量减少44.4%,计算量分别减小45.2%、40%,有利于模型进一步在移动设备及嵌入式设备上的实时性检测。

轻量化无人机遥感图像小目标检测算法

无人机遥感图像背景环境复杂,检测目标密集。针对无人机遥感图像小目标检测误检率和漏检率高的问题,提出了一种基于YOLOv5的轻量化目标检测算法——LUSS-YOLO。设计了一种新的网络结构——LUSS-YOLO来重构特征提取网络与特征融合网络,使其能够适应无人机遥感目标检测;使用EIoU损失函数,强调高质量样本权重以加速收敛,提高回归精度;使用VariFocal Loss训练算法网络结构,使IACS回归,从而在加速收敛的同时提高精度。实验结果表明,经过模型优化后,算法精度提升了6.4%;模型容量压缩至5.6 MB,相较原模型大幅下降;参数量相比原模型下降74.6%。相较于其他经典算法与先进算法,LUSS-YOLO在各方面表现出色,满足针对无人机遥感小目标的实时检测要求。

基于改进YOLOv5s的四旋翼自主降落标识检测算法

无人机自主降落是无人机领域研究的热点之一,导航信息在自主降落过程中又起到至关重要的作用,而视觉导航相较于传统导航方式可以提供更多环境信息,有利于提高无人机着陆安全性;当无人机飞行高度越高,机载相机捕获到的降落标识物就越小,为了提升无人机识别标识物的能力,基于YOLOv5s算法提出了一种改进的无人机实时小目标检测算法;首先,为了检测到更小尺度的目标在原算法基础上新增一个检测头;然后采用BiFPN代替原先PANet结构,提升不同尺度的检测效果;最后将EIoU Loss替换CIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高模型整体性能;将改进算法应用于无人机自主降落场景下的二维码降落标识检测,实验结果表明改进后的算法在小目标检测中相比于原始YOLOv5s算法的特征提取能力更强、检测精度更高,证明了改进算法的优越性。

基于改进YOLOX算法的杨梅成熟度检测方法

为实现杨梅采摘智能化,开发杨梅成熟度检测设备,提出一种基于改进YOLOX-NANO算法的杨梅果实成熟度检测方法。通过在特征加强提取网络层中引入通道注意力模块,提高网络对通道特征的提取能力;引入焦点损失函数代替标准交叉熵损失函数,解决单阶段网络正负样本不均衡问题,避免梯度方向指向非最优解;使用高效交并比损失函数,提高网络模型对目标识别的准确率。试验结果表明,在自建数据集上与原YOLOX-NANO相比,改进YOLOX-NANO算法对于三种不同成熟度杨梅果实的识别精度均有提升,平均精度达到92.67%,而网络模型大小只增加0.059 MB,推理速度不变,在精度达到与标准结构网络相当的前提下,更易于部署到嵌入式设备中。

基于改进YOLOv5s算法的交通信号灯检测

针对交通信号灯检测中目标尺度小、检测精度低的问题,提出一种改进YOLOv5s的交通信号灯检测算法.首先,构建一种特征金字塔模块RSN-BiFPN,充分融合不同尺度的交通信号灯特征,以减少目标漏检和误检.其次,引入新的特征融合层和预测头,提高网络对小目标的感知性能,增强检测准确性;最后,采用EIoU函数优化损失,加快网络收敛速度.通过在S2TLD公开数据集上进行的大量的实验结果表明,本文所提方法相较于基础网络,精确率提升4.1%,达96.1%;召回率提升3%,达95.9%;平均精确度提升1.9%,达96.5%.同时,改进后的算法实现了更快的检测速度,达每秒22.7帧,本文方法有效实现交通信号灯快速、准确地检测,可广泛应用于交通道路中信号灯分析相关研究.

基于改进YOLOv5模型的印章识别

针对数字化档案处理过程中,印章多、印痕浅、印章识别准确度较低的问题,提出了一种改进的YOLOv5印章识别算法。算法改进分为两个方面,首先引入CBAM注意力模块,以提高模型的特征提取能力,其次引入EIoU Loss,以替换算法中的CIOU Loss边界框回归损失函数,有效解决了纵横比描述为相对值,存在一定模糊的问题。实验表明,改进算法的印章识别F1分数达到了0.95,相较于原算法提高了2%。最后为验证模型的有效性,在数字化档案处理系统中调用改进后的YOLOv5模型对印章进行处理,结果表明本文改进算法能在系统中稳定运行。