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。

基于改进YOLOv7的棉田虫害检测

棉田虫害的快速检测与准确识别是预防棉田虫害、提高棉花品质的重要前提。针对真实棉田环境下昆虫相似度高、背景干扰严重的问题,该研究提出一种ECSF-YOLOv7棉田虫害检测模型。首先,采用EfficientFormerV2作为特征提取网络,以加强网络的特征提取能力并减少模型参数量;同时,将卷积注意力模块(convolution block attention module,CBAM)嵌入到模型的主干输出端,以增强模型对小目标的特征提取能力并削弱背景干扰;其次,使用GSConv卷积搭建Slim-Neck颈部网络结构,在减少模型参数量的同时保持模型的识别精度;最后,采用Focal-EIOU(focal and efficient IOU loss,Focal-EIOU)作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进的ECSF-YOLOv7模型在棉田虫害测试集上的平均精度均值(mean average precision,mAP)为95.71%,检测速度为69.47帧/s。与主流的目标检测模型YOLOv7、SSD、YOLOv5l和YOLOX-m相比,ECSF-YOLOv7模型的mAP分别高出1.43、9.08、1.94、1.52个百分点,并且改进模型具有参数量更小、检测速度更快的优势,可为棉田虫害快速准确检测提供技术支持。

一种改进YOLOv5s的森林火灾烟雾检测算法

提出一种基于改进YOLOv5s的森林火灾烟雾检测算法。构建包含16573幅图片的火焰烟雾数据集,解决训练数据不足的问题,提高训练模型的泛化能力。设计一种轻量化的GC-C3模块替换原有的C3模块,减少模型参数量和计算量;将加权双向特征金字塔网络结构融合到Neck结构中,增强网络对于中小目标的检测能力;修改网络空间金字塔池化结构,使用SimSPPF结构替换SPPF,提高了网络的计算效率和检测准确度;将边界框回归损失函数CIOU替换为Focal-EIOU,加快模型的收敛速度,解决正负样本不匹配的问题。实验结果表明:改进之后的网络平均检测准确度提高2.3%,模型参数数量下降46.7%,模型计算量下降47.5%。

基于改进YOLOv5的溺水人员检测

针对情况复杂而无法实现人员全天全面监管的场所,在实时检测人员防溺水方面存在困难的问题,提出了一种融合统一注意力机制动态头的YOLOv5-Dy-GBCA模型。首先,通过在YOLOv5的Head前引入动态检测头(DyHead),增强头部感知目标的空间位置、尺度和检测任务的能力;其次,将Backbone中的C3模块替换成由GhostBottleneck结构和坐标注意力模块(CA)构成的幻影坐标注意力特征提取模块(GBCA),有效改善了因水上人员相互遮挡、人体在水面浮现体积较少而造成输入的特征语义信息不丰富,特征信息提取不足的问题;然后,引入加权双向特征金字塔网络(BiFPN),增强模型在不同尺度上的特征融合能力;最后,采用Focal-EIoU损失函数,改善难易样本不平衡对检测结果的影响。实验结果表明,YOLOv5-Dy-GBCA模型在维持了原模型检测速度的同时,取得了91.50%的平均精度(mAP),相较于传统算法和其他主流算法检测效果更优。

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。

改进YOLOv5-S的交通标志检测算法

在自动驾驶领域,现有的交通标志检测方法在检测复杂背景中的标志时存在着漏检或误检的问题,降低了智能汽车的可靠性。对此,提出了一种改进YOLOv5-S的实时交通标志检测算法。在特征提取网络中融合坐标注意力机制,通过构建目标的长范围依赖来捕获物体的位置感知,使得算法聚焦于重点的特征区域;引入Focal-EIoU损失函数来取代CIoU,使其更关注高质量的分类样本,提高对难分类样本的学习能力,减少漏检或者误检的问题;在网络中融合轻量级卷积技术GSConv,降低模型的计算量。增加新的小目标检测层,通过更丰富的特征信息提高小尺寸标志的检测效果。实验结果表明,改进方法的mAP@0.5和mAP@0.5:0.95分别为88.1%和68.5%,检测速度达到了83 FPS,能够满足实时可靠的检测需求。

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。

基于YOLOv7-Tiny的车牌及放大号检测研究

由于大型车辆的后车牌容易污损和遮挡,目前车牌号的识别对于这种情况有明显缺陷。提出将车牌放大号和车牌共同检测后再识别,提升车牌识别算法的适用性。本文基于YOLOv7-Tiny检测,算法先后采用更换主干网络和卷积模块实现模型轻量化,通过改进损失函数来提升精度。实验表明,在YOLOv7-Tiny更换Mobilenetv3主干网络、GSConv卷积核和Focal-EIoU后,实现模型体积下降35%,参数量下降37%,运算量下降58%,从而实现一种轻量化的模型。

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的手机外观缺陷检测算法

提出一种手机外观缺陷检测的改进算法YOLOv5-CBE。该算法在YOLOv5框架的基础上,在主干网络的C3模块中加入坐标注意力(coordinate attention, CA)机制,可同时考虑通道间的关系和位置信息,使模型更准确地定位并识别到目标区域。借鉴加权双向特征金字塔网络(Bidirectional feature pyramid network, BiFPN)的思想,将Neck部分的concat模块替换为多尺度特征融合结构,使不同分辨率的特征更有效地融合。使用Focal-EIoU替代原模型中的边界框回归损失函数CIoU,使回归过程更专注于高质量的预测框,提高了定位精度。在工业相机成相的手机外观缺陷数据集上进行测试,结果表明,与YOLOv5模型相比,基于Focal-EIoU的YOLOv5模型召回率(recall)和平均精度均值(mAP50)分别提升了4.7%、1.9%;改进算法的精确率(precision)、召回率(recall)、平均精度均值(mean average precision, mAP50)均有明显提升,分别提升了1.2%、5.6%、5.3%。

改进的YOLOv4头盔佩戴目标检测研究

针对骑手在骑行时是否佩戴头盔对交通安全的影响问题,提出了一种改进的YOLOv4算法,能够更准确地识别和检测骑手是否佩戴头盔,从而为骑手提供安全保障。首先,选择轻量级网络MobileNetv1作为主干特征网络,并将YOLOv4网络中尺寸为3×3、步长为1的标准卷积层均替换为深度可分离卷积,减少模型计算量的同时提升检测速度;其次,引入ECA注意力机制,关注重点特征并抑制非必要特征,增加特征网络表现力;最后,引入改进的损失函数Focal-EIOU,改善常见的样本不均衡问题。实验结果表明:改进的YOLOv4算法生成的模型权重大小为48.43 M,是YOLOv4算法权重大小的19.3%,检测速度由33.40帧/秒提升至50.40帧/秒,mAP值为95.56%,在满足精确性的前提下更有利于轻量化部署。

基于HSCA-YOLOv7的风电机组叶片表面缺陷检测算法

叶片是风电机组的关键部件之一,易受到自然环境因素的影响,出现胶衣脱落、裂纹、腐蚀等损伤,影响风力发电效率及风电机组运行安全。针对航拍风电机组叶片图像缺陷尺度不一、定位不准确、检测精度低等问题,提出了一种HSCA-YOLOv7的风电机组叶片缺陷检测算法。首先根据无人机采集的风电机组叶片图像,制作叶片数据集,采用Mosaic、MixUp方法进行数据扩增;然后将不同膨胀率的深度可分离卷积引入改进空间金字塔池化(improved spatial pyramid pooling,ISPP)模块,减少池化操作带来的细节损失;提出混合空间通道注意力(hybrid spatial channel attention,HSCA)机制,捕获全局视觉场景上下文,增大目标特征与环境语义差异,解决航拍叶片图像缺陷尺度不一的问题;采用Focal EIoU损失函数,解决预测框长宽被错误放大的问题,提高模型对叶片缺陷的定位能力。实验结果表明,所提算法的均值平均精度、均值平均召回率分别达到83.64%、71.96%,与YOLOv7基线算法相比分别提高3.37%、5%。

基于改进YOLOv7的织物疵点检测算法

针对织物疵点检测方式大多为人工操作且检测耗时、背景复杂、所含疵点种类繁多等问题,提出一种改进YOLOv7算法的轻量级检测方法。首先,在主干和颈部引入FasterNet结构,在保证检测精度的同时又降低网络参数量;其次,为减少位置信息丢失,在特征提取阶段引入CA注意力模块,以提高网络的表达能力;最后,引入新的损失函数Focal-EIoU,将Focal与EIoU相结合,提高疵点的分类和定位精度。通过对构建的含有6种疵点的面料数据集进行测试可以看出,相比于原算法,所提算法计算量GFLOPS降低至38.6,参数量降低6.14×10^(6),平均精度均值提高4.6%,漏检率降低5.5%,帧率达到63.2帧/s。

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YOLOv5的轻量化口罩检测算法

为了提高现有口罩检测算法检测效率,降低算法参数量以及模型大小,提出了一种改进的轻量化口罩检测算法YOLOv5-MBF。用GELU激活函数替换MobileNetV3深层网络的hard-swish激活函数,优化了模型收敛效果,将改进的MobileNetV3网络替换YOLOv5s主干网络,降低计算量提高模型检测速度。增加BiFPN特征金字塔结构与不同特征层融合,提高了检测精度。在数据处理方面使用Mosaic和Mixup数据增强提高该模型的泛化性和鲁棒性。边框回归损失函数使用Focal-Loss EIoU,优化了模型训练收敛速度且提高了口罩和人脸边框定位精度。最后添加CBAM注意力机制使得模型更关注重要特征抑制不显著特征提高检测性能。实验结果表明,该算法在佩戴口罩目标和无佩戴口罩目标上的平均精度均值达到了89.5%,模型推理速度提升了43%,模型参数了减少了49%,模型大小降低了48%,满足口罩检测任务的实时性和检测精度要求。

基于YOLOv5s的密集多人脸检测算法

针对在密集场景下多人脸检测容易漏检,小尺度人脸检测率不高的问题,提出了基于YOLOv5s改进的多人脸检测算法IYOLOv5s-MF。首先,在特征融合部分引入FTT模块,以获取小尺度人脸更多的特征表征;然后,改进正负样本采样策略,通过增加有效正样本,增强算法的模型泛化能力;最后,将Focal-EIoU作为定位损失函数,在加速模型收敛的同时提升人脸检测率。在WIDER FACE数据集上进行人脸检测实验,实验结果表明,相比较其他对比算法,IYOLOv5s-MF算法拥有较高的人脸检测精度,且具有较好的实时性能。

基于时频图切割的宽带信号智能检测与识别

针对大带宽场景中非合作通信信号的高效检测问题,结合机器学习技术提出一种基于时频图切割的宽带信号智能检测与识别方法。该方法采用Mobilenet网络替代YOLOv4当中的CSPdarknet53网络进行特征提取,构建了一种轻量型的YOLOv4模型。同时,模型引入Focal-EIOU代价函数和一种改进的加权盒融合算法(WBF),有效提高了训练效率以及检测与识别精度。实验结果表明:本文方法可以快速地检测出大带宽下通信采集数据中的连续信号和突发信号,以及信号的出现时刻、频率范围、调制方式等相关参数,其性能优于传统的能量检测方法。与其他同类方法相比,本文方法的平均检测精度(mAP)均大于81%,其中,采用YOLOv4-MobilenetV1模型的检测速度达到77.60帧/s,较好地兼顾了检测精度与实时性要求,更利于工程部署。

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。