基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

基于LWN-Net的印刷电路板缺陷检测算法

针对现阶段印刷电路板缺陷检测任务中网络精度低、速度慢、模型参数量大的问题,提出基于改进YOLOv3的轻量级权重新型网络(LWN-Net),并提出轻量级特征增强网络作为模型的特征提取网络,解决YOLOv3中主干网络Darknet53参数量过多的问题。考虑到特征提取过程中语义信息和位置信息不平衡会导致检测精度降低,构建权重聚合分配机制消除不平衡,以提高模型特征提取能力。提出新型特征金字塔网络,增强网络对细节信息的提取能力并降低信息冗余度。采用回归损失函数SIoU加快模型的收敛速度并提高检测精度。结果表明,相比YOLOv3,LWN-Net网络的模型规模压缩了87.5%,而检测速度提升了8.32帧·s^(-1),预测精度和召回率分别提升了0.88%和1.6%。该网络的提出为印刷电路板的缺陷检测问题提供了一种更高效的方法。

低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法

为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将其输入微光数据处理Zero_DCE模型中;其次,对YOLOX目标检测网络进行改进,分别在骨干网络CSPDarknet和特征金字塔(Feature Pyramid Networks,FPN)部分增加双通道CBAM注意力模块,解决了特征提取环节通道单一的问题;最后,将预测头部分的损失函数替换成SIoU,加快了模型迭代的速度。结果表明,与传统两阶段Faster-RCNN网络、YOLOv4网络、YOLOv5网络和原YOLOX网络相比,本模型精确率分别提高了4.65百分点、2.65百分点、2.19百分点、1.35百分点,召回率分别提高了9.39百分点、4.36百分点、0.82百分点、0.76百分点,速度分别提高了28.6帧/s、16帧/s、13.6帧/s、2.9帧/s,同时本模型与分别添加CBAM、SA、SA+SIoU、SE、SE+SIoU,YOLOX-CBAM模块的YOLOX模型相比,其精度分别提高了0.64百分点、0.84百分点、1百分点、1.29百分点和0.76百分点,速度分别提高了0.5帧/s、0.4帧/s、0.3帧/s、0.2帧/s和0.4帧/s。所提出的方法能实现地下煤矿井下无人电机车轨道障碍物的快速准确检测,并为地下矿运输设备的智能化升级及安全运行提供理论支撑。

基于YOLO-Pose的城市街景小目标行人姿态估计算法

现有的姿态估计算法在城市街景中对小目标行人的检测效果不佳。针对该问题,提出一种基于YOLO-Pose的小目标行人姿态估计算法YOLO-Pose-CBAM。通过引入CBAM注意力机制模块,在不增加过多计算量的前提下,增强网络聚焦小目标行人区域的能力,提升算法对小目标行人的敏感度,同时在主干网络中使用4个不同尺寸的检测头,丰富算法对图片中不同大小行人的检测手段;在骨干网络和颈部之间架设2条跨层级联通道,提升浅层网络与深层网络之间的特征融合能力,进一步增强信息交流,降低小目标行人漏检率;引入SIoU重新定义边界框回归的定位损失函数,加快训练的收敛速度,提高检测精度;采用k-means++算法代替k-means算法对数据集中标注的锚框进行聚类,避免聚类中心初始化时导致的局部最优解问题,从而选择出更适合检测小目标行人的锚框。对比实验结果表明,在小目标行人Wider Keypoints数据集上,所提算法相较于YOLO-Pose和YOLOv7-Pose在平均精度上分别提升了4.6和6.5个百分比。

基于MES−YOLOv5s的综采工作面大块煤检测算法

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。

基于YOLOv5改进的铁路工人安全帽检测算法研究

目前铁路上普遍采用人工监督方式来检测工人是否佩戴安全帽,但监督范围过大,在实践中不能及时跟踪和管理所有工作人员;因此针对该问题,采用深度学习目标检测的方法,通过改进YOLOv5s目标检测算法来实现铁路工人是否佩戴安全帽和穿戴背心;具体来说,以YOLOv5s算法为基础,采用GhostNet模块替换原始网络中的卷积Conv,提高模型的实时检测速度;采用更高效简单的多尺度特征融合BiFPN,使特征融合方式更加简单高效,以提高检测速度和降低模型复杂度;把原始的CIOU损失函数替换为SIOU损失函数,以提高模型精度;研究结果表明,改进的YOLOv5s-GBS算法的准确率和识别效率可达到95.7%和每秒45帧,并且模型大小减少了一半,准确率提高了4.5%。

基于YOLOv7的交通目标检测算法研究

针对交通场景中,由于光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8%mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。

基于改进Yolov5的绝缘子损坏检测识别

绝缘子是一种设计用于在不同电势导线上承受电压和机械压力的装置;由于电环境和电力负载波动的影响,绝缘子可能会遭受多种电-机耦合应力破坏,从而无法正常工作并且影响整个绝缘子网络的寿命;为了解决这个问题,提出了通过目标检测算法来检测绝缘子损坏的方案;改进的方案基于Yolov5s模型进行;首先,在原有的Yolov5s模型基础上增加了更多的小目标检测层,从而提高了检测的精度;此外,引入了额外的运算层以扩展特征图,并使用SE(注意和观察)注意模块使网络更专注于检测对象,还采用SIOU代替YOLOv5s中的损失函数;实验结果显示,改进后的模型相对于传统的Yolov5s模型在绝缘子损坏检测方面具有明显优势;改进后的模型在mAP(平均精度均值)、P(查准率)和R(查全率)等指标上分别提高了2.5%、1.1%和0.8%;与原始的Yolov5s模型以及其他模型(如Yolov5m、Yolov5l等)相比,在绝缘子缺陷检测和识别方面具有更强的竞争力;这些改进策略为提高绝缘子损坏检测精度提供了有效的解决方案;通过这些改进,可以更准确地检测绝缘子损坏,并及早采取必要的维修和保养措施,以延长绝缘子的寿命和确保电力系统的稳定运行。

基于改进YOLOv5的红外目标检测

针对红外成像特性及其应用环境的差异导致的红外目标检测准确性不足等问题,文章提出了一种基于改进YOLOv5算法的红外目标检测方法。该方法引入了SIoU损失函数和多尺度扩张注意力机制,以增强模型对小尺寸目标和复杂背景中目标的检测性能。实验结果表明,与未改进的YOLOv5模型相比,改进模型在精确率、召回率和平均精确率等关键性能指标上均有显著提升,证明了该改进方法的有效性。

基于YOLOv7x的接触网吊弦缺陷检测方法

【目的】针对铁路运行时由于接触网吊弦缺陷造成的安全隐患问题,提出一种基于改进YOLOv7x的接触网吊弦缺陷识别方法。【方法】首先在主干特征提取层的末端引入Swin Transformer网络替换原有的扩展高效层聚合网络模块,提高网络掌握全局信息的能力,再引用SIoU(SCYLLA-IoU)损失函数替换原网络的损失函数,为预测框收敛过程添加方向惩罚机制,最后使用coordinate attention(CA)注意力机制融合颈部层中的扩展高效层聚合网络模块,增强颈部网络模块的全局感受野。【结果】仿真结果表明,此改进算法训练出的模型精度达到95.9%,相较于原YOLOv7x算法检测精度提高了4.7%,检测速度也达到了52帧/s。【结论】改进算法解决了在吊弦缺陷识别领域检测效率低下的问题,在实际作业中能够提高接触网吊弦缺陷排查工作的效率。

基于改进YOLOv5s算法的草莓病虫害检测研究

草莓的生长容易受到多种病虫害的影响,为了快速、准确地检测草莓植株在生长过程中所受病虫害的情况,通过采集草莓生长过程中的图像信息,应用YOLOv5s算法进行分析处理,将CBAM注意力机制集成到YOLOv5s模型中,用以增强模型的感受力和表达能力,通过选择SIOU损失函数替代GIOU损失函数进一步加快模型收敛。研究结果表明,经过改进的算法模型准确率达到了95.2%,召回率提升至97.2%,平均精度均值提高至98.5%。一定程度上满足草莓病虫害的检测。

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。

改进YOLOv5识别复杂环境下棉花顶芽

为提高复杂环境下棉花顶芽识别的精确率,提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集,在原有模型结构上增加目标检测层,提高了浅层与深层的特征融合率,避免信息丢失。同时加入CPP-CBAM注意力机制与SIOU边界框回归损失函数,进一步加快模型预测框回归,提升棉花顶芽检测准确率。将改进后的目标检测模型部署在Jetson nano开发板上,并使用TensorRT对检测模型加速,测试结果显示,改进后的模型对棉花顶芽识别平均准确率达到了92.8%。与Fast R-CNN、YOLOv3、YOLOv5s、YOLOv6等算法相比,平均准确率分别提升了2.1、3.3、2、2.4个百分点,该检测模型适用于复杂环境下棉花顶芽的精准识别,为后续棉花机械化精准打顶作业提供技术理论支持。

基于改进YOLOX-s的安全帽检测

在施工现场中,发生过许多高空坠落事故,因此在施工现场佩戴安全帽是十分有必要的.针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况,提出一种基于YOLOX-s的改进算法.首先,在Neck层引入主干特征提取网络中的160×160特征层进行特征融合,并且增加了一个针对小目标的检测头;其次,采用SIoU损失函数计算损失值,使得网络在训练过程中考虑的损失项更加全面;并且采用varifocal loss函数来计算置信度损失值,进一步改善训练过程中存在的正样本与困难样本不均衡的问题,最后,采用CA(coordinate attention)注意力机制来增强模型的特征表达能力.实验结果表明,通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制,使得网络在训练过程中收敛与回归性能更佳.改进后的算法的mAP值为95.57%,相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%.改进后的算法检测速度为54.73帧/s,符合实时检测速度要求.

基于概率两阶段CenterNet2的林火图像预警检测方法

森林火灾的及时预警对于森林保护有着至关重要的作用,由于林中烟火背景复杂、干扰因素较多,检测精度和效率均会受到影响。为此提出了一种基于CenterNet2的林火图像检测方法,采用轻量级主干网络VoVNetV2结合非对称卷积核来提高特征提取能力和检测速度,同时在加权双向特征金字塔网络中引入注意力机制eSE进行特征融合,提高小目标检测精度,最后采用SIoU损失函数提升目标框回归效果。仿真实验结果表明,该方法能够较准确地进行实时林火检测,且漏报率低。

改进YOLOv5的路面裂缝检测模型研究

针对传统的路面裂缝检测方式耗时耗力、成本高、主观性强等问题,提出了一种基于YOLOv5的路面裂缝检测模型YOLOv5-Crack。首先在主干部分处引入坐标注意力机制并优化成CA-plus结构以提高裂缝特征关注度;其次提出一种全新的特征融合网络ESPP,降低部分计算量的同时提升特征融合能力;然后,在颈部网络中使用重影混洗卷积替代传统卷积,尽可能保持通道语义信息的同时降低计算成本;最后,整体引入SIoU损失函数提升回归精度。为验证改进模型YOLOv5-Crack的有效性,在数据集GRDDC 2020上进行对比实验,结果表明其F1分数分别为58.43%和58.21%,与原YOLOv5模型相比分别提升了4.05%和3.93%,并且降低了7.8 GFLOPs的计算量,FPS达到37.9,有效解决了路面裂缝检测的弊端;同时与主流目标检测算法相比,所提出的YOLOv5-Crack模型在路面裂缝检测方面更具有优越性。

基于改进YOLOv5的火灾检测研究

针对传统火灾系统预警不及时、容易误报等问题,文章提出了一种基于改进YOLOv5的火灾检测算法。为了增强网络对火焰的方向和位置信息的敏感度,在模型中引入CA(Coordinate Attention)注意力机制;为了提高回归精度和收敛速度,使用损失函数SIOU替换CIOU。改进的YOLOv5算法的精确率和平均精度达到了74.2%和69.4%,相较于标准算法的精确率和平均精度提高了8.8%和2.8%,优化定位框和误检情况。实验结果表明,改进的YOLOv5算法模型提高了火灾检测的准确性和实时性。

基于YOLOv5-DSC的漂浮物目标检测

针对河道漂浮物检测识别困难的问题,提出一种改进型的检测识别网络YOLOv5-DSC。首先,在YOLOv5骨干网络中加入无参数注意力机制SimAM,在不增加模型参数的情况下,提高模型的特征提取能力;其次,在特征融合网络中使用基于深度可分离卷积(DSC)的DSCSP结构,减少模型的计算量;最后,采用SIoU损失函数代替原YOLOv5网络模型中的CIoU损失函数。SIoU损失函数重新定义了回归距离损失,加快了网络的收敛速度。在漂浮物数据集上进行了实验验证,结果表明,YOLOv5-DSC平均精度均值达到了98.5%,检测速度为145 f/s。

基于改进YOLOv8s的钢材表面缺陷检测

针对YOLOv8s模型在钢材表面缺陷检测任务中特征提取能力不足、特征融合不充分以及收敛速度慢、回归精度差等问题,提出一种基于改进YOLOv8s的钢材表面缺陷检测算法。首先,为了使模型关注更多维度的特征信息,将YOLOv8s模型主干网络和颈部网络中的部分C2f模块替换为C2f-Triplet模块;其次,为了使模型在更大的感知区域内聚合上下文信息,将YOLOv8s模型颈部网络中的最近邻上采样模块替换为内容感知特征重组(content-aware reassembly of features,CARAFE)上采样算子;最后,为了提高模型收敛速度和回归精度,将原YOLOv8s的CIoU回归损失函数替换为SIoU损失函数。实验结果表明:在NEU-DET数据集上,改进后的YOLOv8s钢材表面缺陷检测算法较原YOLOv8s算法精确率提高1.6百分点,平均精度均值提高2.2百分点。相比于目前主流的钢材表面缺陷检测算法,改进后的YOLOv8s钢材表面缺陷检测算法可以更加准确地检测出钢材表面缺陷的类别和位置,并且模型相对较小,便于在移动端部署。

基于改进YOLO v5的城市树木检测

针对城市道路环境复杂、草坪树木密集等引起的树木误检、漏检以及模型较大不易部署在边缘计算设备上等问题,提出一种基于改进YOLO v5的城市树木检测算法.算法引入融合注意力机制的双向加权特征金字塔结构BiFPN-ECA,减少冗余语义特征,增加特征融合网络对关键特征的关注度,提升特征融合质量;利用GSConv卷积替换Neck部分的密集卷积,提升特征提取能力并减少运算量;引入SIoU损失函数,通过加入向量角度这一惩罚项,减少与距离相关的变量,降低回归自由度,加快网络收敛,进一步提升回归精度.采集城市常见绿化树木的图像和视频,建立城市绿化树木样本集进行模型对比试验.试验结果表明,本文方法比初始YOLO v5模型的平均精度均值提升了5%,模型参数量减小为原来的50%,模型的帧率提升了5帧/s,兼顾了检测精度和实时性.