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.

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YOLOv5s的储粮害虫检测方法研究

针对当前因检测背景复杂、粮虫个体较小等因素造成的储粮害虫检测准确率较低、漏检、误检的现状,提出一种改进YOLOv5s的检测方法。使用MobileNetv3作为YOLOv5s模型的主干特征提取网络,并将其SE注意力机制修改为ECA模块,减少计算量和参数量;同时,调整PANet网络为加权双向特征金字塔BiFPN结构,增强特征融合能力;颈部网络部分引入Swin Transformer,解决全局提取特征不足的问题,提升识别精度;采用EIOU损失函数,提高模型的收敛速度。结果表明:改进后的模型mAP达到97.8%,FPS达到133.3,与主流目标检测模型比较,表现出较强的鲁棒性和泛化能力;改进的YOLOv5s检测模型能克服复杂环境的影响,显著提高储粮害虫在密集分布及遮挡条件下的检测效果。研究结果为移动设备上实现储粮害虫实时检测提供技术参考。

基于改进YOLO v8s的小麦小穗赤霉病检测研究

为实现大田复杂背景下小麦小穗赤霉病快速准确识别,构建了包含冬小麦开花期、灌浆期和成熟期3个生育期共计640幅的小麦赤霉病图像数据集,并提出一种基于改进YOLO v8s的小麦小穗赤霉病识别方法。首先,利用全维动态卷积ODConv替换主干网络中的标准Conv,提高网络对目标区域特征的提取;然后,在Neck网络使用改进Efficient RepGFPN特征融合网络实现低层特征与高层语义信息的融合,使模型能够提取更丰富的特征信息;最后,采用EIoU损失函数替换CIoU损失函数,加快模型收敛速度,进一步提高模型准确率,实现对小麦小穗赤霉病的快速、准确识别。在自建的数据集上进行模型验证,结果表明,改进模型(OCE-YOLO v8s)对小麦小穗赤霉病的检测精度达到98.3%,相比原模型提高2个百分点;与Faster R-CNN、CenterNet、YOLO v5s、YOLO v6s、YOLO v7模型相比分别提高36、25.7、2.1、2.6、3.9个百分点。提出的OCE-YOLO v8s模型能有效实现小麦小穗赤霉病精确检测,可为大田环境下农作物病虫害实时监测提供参考。

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。

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。

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YOLOv5-MobileNetV3算法的目标检测

车辆行驶过程中,对前方目标的检测速度和检测精度一直是自动驾驶领域研究的重点.针对现有的目标检测算法模型,在复杂交通环境下,传统模型面对重叠目标容易导致误检和漏检的情况发生,大幅度提高检测精度又会造成计算量过大导致处理速度缓慢,实时性下降的问题.本文提出基于YOLOv5模型的改进算法.首先采用MobileNetV3网络替换原模型中主干网络C3的方案,实现网络仍保持轻量化的同时,提高模型响应速度.其次,提出一种非极大值抑制算法Adaptive-EIoU-NMS来提高重叠目标的识别精度.最后采用K-means++聚类算法替换原有聚类算法,生成更精确的锚框.实验结果表明,改进后的模型平均检测精度达到90.1%,检测速度达到89 f/s.实验结果可以证实,改进后的模型针对复杂场景检测精度和检测速度都有显著提高.

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。

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。

基于改进YOLOv5s的轻量级车辆检测系统

基于深度学习的车辆检测在智慧交通中起着重要作用,现有模型结构复杂、计算量大,难以布置在嵌入式系统的边缘设备。本文提出一种基于YOLOv5s的轻量级车辆检测算法,通过GhostNet和剪枝优化策略对YOLOv5s进行了改进,实现系统的轻量化和检测的实时性;损失函数Focal-EIoU Loss的引入解决了样本不平衡和纵横比模糊定义问题,从而提高目标检测的性能。在UA-DETRAC数据集上的实验结果表明,所提算法与原YOLOv5s算法相比参数量、模型体积和浮点运算次数分别减少了63%、50.6%和64.7%,检测速度提升了50%,同时保持了较高精度、召回率,为空间、能源、资源有限的边缘检测设备提供了一种实时性算法选择。

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%。

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。

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。