基于改进YOLOv5的行人目标检测方法

针对行人检测中对小尺度目标和遮挡的检测困难问题,提出一种基于改进YOLOv5的行人目标检测方法。结合GhostNet将YOLOv5的CSP模块改进为CSPGhost模块,对于相似的特征,将复杂的卷积运算简化成线性运算;在每个CSPGhost模块后面插入通道注意力模块,保证了模型检测速度的同时具有较高的检测精度;优化空间金字塔池化层,在不改变原有效果的前提下,降低算法的时间成本;将边框回归损失函数GIoU优化为考虑了长度损失和宽度损失的EIoU,其回归速度更快,得到的回归结果更好。实验结果表明:基于CSPGhost改进的YOLOv5的行人目标检测方法在COCO数据集上种类平均精度值为55.8%,检测速度达到374帧·s^(-1),对小目标的检测能力更强,对遮挡条件下的目标漏检率更低,检测速度更快,能够达到行人检测的实际应用要求.

基于改进YOLOv5s的海下垃圾检测算法

为了提升海下垃圾检测精度,降低漏检频率,提出了一种基于改进YOLOv5s的检测算法。该算法添加了ECA模块来关注感兴趣区域,构造了四级多尺度特征融合使提取的特征图信息更加丰富,引用损失函数使得边框回归更加合适与准确。改进的YOLOv5s算法在TrashCan数据集上的mAP由原来的87.3%提高到92.1%,具有较高的精度。

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的车辆检测方法研究

基于YOLOv5s对交通道路上前方车辆的检测进行了研究,为提高车辆检测精度,对原YOLOv5s网络模型进行了改进。首先,将Mish激活函数应用于YOLOv5s模型之中代替原有的ReLU函数,使用更平滑的Mish激活函数有效避免梯度消失的问题。其次,采用BiFPN作为特征金字塔,增加了特征传递的信息通道,提升模型的感知能力和上下文信息的关联能力。最后,引入EIoU作为损失函数的一部分,准确地表示预测框和真实框之间的位置关系,间接地使收敛速度提升。在D2⁃City数据集上的实验表明,改进后的YOLOv5s平均精度mAP0.5为84.2%,比原始YOLOv5s算法提升了2个百分点。

基于改进YOLOv5的路面裂缝检测方法

针对现有裂缝检测模型体积较大且检测精度不高的问题,提出一种基于轻量化网络的无人机航拍图像裂缝检测方法。首先,使用MobileNetv3网络替代YOLOv5的主干网络,降低模型大小;其次,引入C3TR和CBAM模块提高网络表征能力,将损失函数替换为EIOU以提高模型的鲁棒性。实验结果表明,该方法在自制数据集上获得98.9%的精度,相较于原始YOLOv5提高1.2%,模型大小减小51.5%,检测速度提高37%。改进后的模型在精度、大小和速度上均优于Faster-RCNN等4种常见裂缝检测模型,满足了裂缝检测的实时性、轻量化和精度需求。

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。

基于改进YOLOv5的港口集装箱损伤检测算法

针对港口复杂环境背景下,不同尺度间多种类集装箱损伤目标检测精度低的问题,提出一种基于改进YOLOv5的港口集装箱损伤检测算法。通过使用一维卷积改进卷积块注意力机制(CBAM)中空间注意力模块的池化操作,后设计残差结构,并验证在不同位置引入改进的CBAM基本块对模型性能的影响,探索尽量减小复杂背景对检测结果影响的最佳方案及融合位置;为有效解决不同集装箱损伤图像尺度特征变换较大的问题,依据双向特征融合网络(Bi-FPN)结构思想,对颈部特征融合网络进行改进,在不过多增加计算量的情况下,更好地增强网络对多尺度目标的特征融合能力;最后将EIOU Loss替换GIOU Loss作为算法的损失函数,在降低算法边界框回归损失的同时提高算法的检测精度。实验结果表明,改进YOLOv5算法的平均检测精度达到了98.32%,较原YOLOv5目标检测算法提高了4.28%,同时保证了检测速度,验证了所提出算法的有效性,对港口企业高精度验箱的工业部署有重要意义。

改进YOLOv5的遥感图像目标检测

针对基于YOLOv5算法的小目标的检测精度低、密集目标识别效果差的问题,提出了一种改进YOLOv5目标检测框架。YOLOv5的主干网络加入卷积块注意力模块(Convolutional block attention module,CBAM)可提高特征提取能力,增强网络对图像纹理的感知能力,使小目标获取更多关注。为了解决密集目标检测的漏检问题,YOLOv5的颈部网络使用加权双向特征网络(Bidirectional feature pyramid network,BiFPN)替代原有的像素聚合网络(Path aggregation network,PAN),通过权值共享的方式实现多尺度特征融合。采用EIoU作为模型的边界框回归损失函数,提高了边界框回归性能,加快网络收敛速度。在DOTA数据集上,实验验证了YOLOv5的改进结果,此方法的mAP为80.0%,能够检测更多的目标,相较于YOLOv5,改进YOLOv5的mAP提升了5.2%。

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。

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。

融合RepVGG的YOLOv5交通标志识别算法

实现自动驾驶的安全性需要准确检测交通标志。针对传统方法在交通标志检测方面存在准确度不高的问题,提出一种融合RepVGG模块的改进YOLOv5的交通标志识别算法。首先通过将RepVGG模块替换原算法中的部分CBS模块,增强了特征提取能力。并在特征融合模块引入通道注意力模块(channel block attention module,CBAM),强化检测模型的抗干扰能力。最后,在网络训练过程中,使用高效交并比(efficient-IoU,EIoU)损失函数实现对目标更精确的定位,提高算法的检测精度与迭代速度。实验结果表明,改进后的YOLOv5算法迭代速度更快,在CCTSDB交通标志数据集上,其相较于原YOLOv5算法的准确率、召回率和平均准确率分别提升了4.99%、3.62%、1.73%,能够更好地应用到实践当中。

改进YOLOv5算法对售药机中药盒检测计数

为解决自动售药机中药盒传统机器视觉算法检测正确率低的问题,提出一种改进的YOLOv5-CBE算法。通过Imgaug数据增强方法对现有682张自动售药机拍摄的药品图片数据集进行数据增强,训练前采用Mosaic算法,对数据集裁剪、拼接,生成新的样本图片。在YOLOv5的backbone中嵌入CA机制提升对药盒特征的提取能力;在head层中使用BIFPN结构,实现双向跨尺度连接和加权特征融合;采用EIOU替代CIOU提升算法的收敛速度和检测精度。经过682张数据样本150轮的测试,改进后的YOLOv5-CBE算法平均精度达到了98.7%,相比于YOLOv5s准确率提高了3.0%,召回率提高了2.6%。

基于BIMFire-YOLO的消防监控图像识别方法

在传统条件下,通常存在着火灾现场情况多变,建筑物内构造复杂等问题,使得消防监控系统难以通过现有方法精准检测识别火灾第一现场和所处室内环境。为了优化检测算法在复杂场景下的应用效果,文中提出BIMFire-YOLO检测方法,在以往YOLOv3主干网络中增加了新的卷积方式,在扩大了卷积感受野范围的同时,也保证了输出特征的不变性,对小火焰和烟雾等目标的检测能力有所提升。通过引入新的损失函数,降低了火灾发生的目标漏检率,融合BIM技术不仅提升了定位精度也实现了自动识别视频和图像中失火的场景。该算法不仅提高了检测效率,也实现了火灾的信息共享与管理的统一,在实际医院场景下的综合识别精度达到了45.6%,检测速度和精度均优于其他同类方法。

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。