CAG-YOLO:轻量级网球检测

为实现智能网球回收机器人的高精度实时网球检测,提出一种轻量级网球检测算法CAG-YOLO。提出融合坐标注意力的Ghost残差块(coordinate attention ghostbottleneck, CAG),构建轻量型骨干网络CAG-Backbone,采用加权双向特征金字塔网络加强特征融合。采用SCYLLA-IoU计算坐标回归损失,改进非极大值抑制的后处理方法解决网球重叠问题。算法在Wtennis数据集上的实验结果表明,CAG-YOLO较基线方法的精度提高8.6%且模型体积减少31.7%,检测速度为21 ms,性能优于其它算法。CAG-YOLO能够用小规模参数提升检测精度,易于移植至移动智能设备。

基于改进YOLOX的轻量型垃圾分类检测方法

生活垃圾分类是保护生态环境、促进绿色和谐发展的有效措施。针对移动端设备计算资源和内存有限,重量级模型难以嵌入等问题,本文提出一种基于改进YOLOX-tiny轻量型的垃圾分类检测方法。首先,使用EIoU替换原来的IoU损失函数,能加速收敛,提升检测精度;其次,在颈部网络引入注意力机制CBAM,对不同通道的权重重新分配,获取更多浅层的细粒度特征和深层的语义信息;最后,使用GhostBottleneck模块替换特征提取网络中的CSP模块,保留更多边缘信息,同时降低参数量,使模型轻量化。在华为云垃圾数据集上的实验结果表明,改进的算法与YOLOX-tiny相比,参数量降低至原来的87.97%,精度提升了0.3个百分点,在TrashNet数据集上的实验效果提升了0.36个百分点,从而证明了本文算法的有效性,该算法有利于嵌入移动端设备使用,具有一定的实用价值。

改进YOLOv5的轻量级不规范驾驶行为实时检测

针对现有的不规范驾驶行为检测算法占用内存多、计算量大、难以在边缘设备部署且在昏暗条件下对检测目标有干扰等问题,提出了一种改进YOLOv5模型的轻量级不规范驾驶行为实时检测算法。将SE注意力机制引入到YOLOv5模型的Backbone网络部分,再将Backbone网络里的CSP模块替换为轻量化的GhostBottleNeck网络模块,从而减少模型的参数量;将原网络中的激活函数改进成SiLU函数,可提高模型检测的准确率,增强模型的鲁棒性;对改进的模型以及原网络进行相关的测试,验证所修改方法的有效性以及实时性。实验结果表明,改进后的YOLOv5-GS算法提高了对不规范驾驶行为的检测精度,参数量降低20.75%,检测速度提升75%,极大地降低了所需的硬件成本,适用于在小型边缘设备上部署。

基于改进YOLOv5s的铸坯表面缺陷检测系统

针对目前连铸坯表面缺陷检测方法存在检测准确率和效率低的问题,提出了一种基于改进YOLOv5s的连铸坯表面缺陷检测系统。首先,基于CycleGAN的域迁移能力和冷轧样本集实现铸坯复杂背景的简单化。其次,利用Ghost网络和GhostBottleneck重新构建YOLOv5s的特征提取骨架以达到轻量化网络结构提高检测速度的目的。最后,在YOLOv5s颈部模块中嵌入SE注意力机制以提升缺陷关键信息捕捉能力,从而提高检测准确率。实验结果表明,改进YOLOv5s在铸坯表面图像数据集上mAP指标达到93.6%,相较于原始的YOLOv5s,mAP指标提升了2.9%,计算量降低了2.5 FLOPs。能够满足铸坯表面缺陷检测系统的实时要求及准确率指标,并且降低了部署所需的计算资源。

基于CG-yolo的烟火检测

针对山火烟雾的检测存在由于监控范围广、发生频率不固定等造成的高成本问题,在边缘计算思维的启发下,提出了一个基于YOLOv5改进的适用于前端布设的轻量级识别网络。该方法针对YOLOv5模型过大的缺陷,通过修改网络结构,将融合了通道注意力机制CoordAttention的Ghostbottleneck模块与YOLOv5结合,提出一种改进型卷积神经网络CG-yolo识别网络。实验结果表明,CG-yolo相对于YOLOv5s算法速度提高了9.5%,查全率提升了1.8%,查准率仅损失1.7%,部署在NVIDIA的Jetson Nano边缘计算平台上时运行速度可以达到13fps,更好地满足了隐患监测的工程实际需求。

基于改进的YOLOv5实现中药饮片的检测识别

针对中药饮片检测算法的模型参数量多,计算量较大等问题,提出一种改进的YOLOv5算法,改进后算法的特点主要是轻量化,可以在保持较高的平均精度下,大大降低参数量和计算量。在YOLOv5算法的主干网络基础上,设计了轻量级的GhostBottleneck模块;针对中药饮片中的小目标检测问题,在模型结构中加入了注意力机制,可以提高小目标的检测能力;将原有的卷积层替换为深度可分离卷积,降低网络的模型参数。经过在107种常见中药饮片的数据集上训练的实验结果表明,改进后算法的mAP@0.5可以达到98.37%,比原YOLOv5算法提高了2.93%,既保持了对中药饮片识别的较高精度,同时计算量又比YOLOv5算法降低了53.45%,改进后算法的模型大小仅为6.61 MB,大大降低了硬件设备的计算成本。

基于轻量化YOLOv5算法的口罩检测方法研究

由于疫情防控需要,人们在生活中都需要佩戴口罩,因此一种智能化口罩检测方法显的尤为重要。针对当前CNN网络和YOLOv5模型结构复杂、参数量大等特点,设计了一种轻量化YOLOv5s模型。将宽度系数由0.5变为0.4,采用GhostBottleneck替换原结构的C3模块,采用DSConv替换除输入端卷积层外的其余卷积层。实验结果表明,该模型将浮点数压缩为原来的四分之一,大小压缩为原模型的37.5%,GPU上训练时间缩短20%,提高效率的同时节省了空间大小,为在资源有限的终端上部署提供了可能。