改进YOLO-V5的烟火视频检测算法

为解决安防视频25帧/s及以下安防设备视频火灾识别技术多帧采集图像处理连续视频检测方法精度低、误报率较高的问题,提出一种改进YOLO-V5的烟火视频检测算法。首先,采用改进YOLO-V5进行特征提取,对疑似烟火目标采用动态能量算法进行决策仅保留动态目标。其次,采用改进Efficientnet-V2图像分类模型进一步对动态目标进行分类,仅保留预测成烟火的目标。最后,采用视频动作识别模型Temporal-shift-module对烟火目标区域的视频进行最终的识,进一步提高识别精度。通过对比仿真,结果表明,改进后算法准确率均值可达98.6%,误检率低至为2.5%,平均检测速率25帧/s,可以满足已建安防视频设备烟火检测使用。

基于YOLO-v5的双块式轨枕裂缝智能识别

轨枕正常工作是高速铁路安全运营的重要保障,开展轨枕裂缝的损伤检测研究意义重大。建立YOLO-v5裂缝目标检测模型,将计算机视觉技术应用于双块式轨枕裂缝的智能识别研究。通过图像标注、参数选取、模型构建、模型训练及模型预测等步骤完成轨枕裂缝目标检测试验,研究结果表明:YOLO-v5目标检测模型参数选取合理,模型训练结果准确,无过拟合或欠拟合现象发生;轨枕裂缝目标检测模型的识别正确率为98.35%,mAP值为48.72%,Recall值为90.32%,单张图片识别速度为0.01 s,说明模型预测结果可满足实际工程对精度和实时性的要求;通过对正常光照、暗光线及微裂纹等不同条件下裂缝的识别,YOLO-v5目标检测模型表现出高精度智能识别,体现了模型良好的泛化能力和鲁棒性,说明模型可以满足实际工程复杂工况的需求。

基于残差注意力的YOLO-v5列车轮对踏面缺陷快速检测

为实现快速准确地检测轮对踏面缺陷,针对轮对踏面噪声干扰大、传统检测算法特征融合不充分的问题,提出一种基于残差注意力的YOLO-v5列车轮对踏面缺陷快速检测方法。首先,针对噪声干扰大的问题,设计了一个残差注意力降噪模块,以有效提升模型检测准确率,并使用Grad-CAM类激活映射技术验证残差注意力模块降低噪声干扰的作用;其次,针对特征融合不充分和模型容易产生漏检的问题,使用一种双向特征金字塔特征融合模块,对主干网络提取的特征进行高效融合,从而有效地降低检测漏检率;最后,采集了数百幅轮对踏面真实缺陷图像,并与5种经典检测模型进行对比,验证了算法的优越性。试验结果表明,该算法能够达到77.9%的准确率和72.3%的召回率,同时所提算法的图像检测速度能达到125幅/秒,模型权重仅为15.1 MB。该模型能快速准确地检测出剥离和凹陷2种缺陷,可便捷地应用于实际的轮对踏面实时缺陷检测场景。

基于YOLO-v5的星载SAR图像海洋小目标检测

针对星载合成孔径雷达(SAR)图像中的小目标检测,提出了一种基于YOLO-v5的算法。首先根据目标在图像中占比很小的特点,对深度学习网络进行优化;其次通过自适应锚点框算法重新设置锚点框大小,加快模型训练的收敛速度;最后嵌入GDAL模块,使得检测头能够直接读取被检测目标的地理位置信息。实验结果表明本文提出的方法具有较强的泛化能力,能够有效检测出大范围海面上的船舶目标,检测速度较快,漏检率低。

基于YOLO-V5的矿车桁架铆接孔定位技术研究

在矿车车厢自动化生产中,采用机器视觉技术来实现自动铆接工艺。为了对铆接孔进行准确识别与定位,采用深度学习中的YOLO-V5算法对铆接孔进行实时检测,结合最小二乘拟合圆法,在弥补了检测结果缺陷的同时,利用提取的铆接孔边缘坐标,实现了对铆接孔所在位置的准确定位。通过试验,证明了该方法的可行性与鲁棒性。通过对比试验,证明了算法的优越性。

基于YOLO-v5和ResNet的舱底水液位识别算法

针对船舶破损浸水后无法快速识别的问题,提出一种基于YOLO-v5和ResNet算法的舱底水液位识别算法,测试结果显示,该方法的准确率和响应速度基本达到实际使用需求,随着训练样本数量增加,该舱底水液位识别算法的精度将继续提高,并具备在船舶损害管制系统中应用的可能。

基于YOLO-V5l与ResNet50的农田害虫检测

目前,我国农田受虫害影响日渐严重,虫情分析可以针对不同区域的农田虫情状况,制定不同的治理农田害虫方案。传统的虫情分析靠人工收集与统计,耗时耗力,随着深度学习技术在计算机视觉领域的发展,本文提出结合YOLO-V5l目标检测与ResNet50神经网络搭建农田害虫检测模型。昆虫在图像数据中呈现时具有体态多样、鳞片缺失、肢体脱落等特点,对目标检测与分类的影响较大,因此本文将28种害虫按照体态,颜色等进行粗分类为A~G七种后,利用YOLO-V5l模型对其进行检测与计数,再将检测结果代入ResNet50识别模型中确定其种类。这种方法极大降低了农田害虫检测的误检率。并且,本文提出一种预测增强算法,对待检测害虫图像进行增强后,分别带入识别模型中,对识别的结果取其加权平均,得到最终结果。单一的YOLO-V5l模型的mAP.5:.95为71.4%,平均精确率80.91%,漏检率5.39%。本文提出的虫情检测模型其平均精确率为89.56%,提升了对农田害虫的识别准确率。该模型将改善原始人工统计的缺点,推进我国智慧农业的发展。

Yolo-v5改进模型的课堂行为实时检测方法

当前,学生的课堂学习动态的掌握,主要通过课堂观察和随机提问等人工监督方式来进行,此类方式存在课堂信息传递与反馈的滞后等问题。使用基于深度学习的无人监督式的课堂监控系统,可及时、有效地掌握课堂动态,监督学生学习情况。针对课堂视频中存在的人数密集、小目标多、光照不均以及环境干扰复杂等情况,在Yolo(You Only Look Once)-v5模型基础上,结合GCT(Gated Channel Transformation)模式提出一种适用于课堂环境的Yolo-v5改进模型。此外,现有研究中适用于课堂行为检测研究的数据集较少,大多数研究存在实验数据不规范的问题。因此,提出了一种规范的课堂行为检测数据集,该数据集从真实课堂视频截取出有代表性的一千多张高清图片,涵盖十类行为,且目标类都有精确的位置标定。文章通过与Yolo-v3、Yolo-v4、Yolo-v5在该数据集上对比,结果表明,文章方法性能更好。

基于改进YOLO-V5算法的烟火检测方法

为减少自然环境中云、水雾、沙尘、灯光、日出、日落等干扰因素对烟雾、火焰目标检测准确性的影响,提出一种基于改进YOLO-V5算法的烟火检测算法。采用现场采集和网络爬取的方法获取烟雾、火焰目标图像和干扰类图像数据集,均衡学习训练样本,提高模型泛化能力;使用加权双向特征金字塔网络(BiFPN)替换原有的特征金字塔网络(FPN)+路径聚合网络(PAN)结构,对目标进行多尺度特征融合,加强模型特征融合能力;同时,运用距离交并比(DIoU)非极大值抑制(NMS)替代原有的NMS,加快检测框损失函数收敛速度,加强模型推理能力。结果表明:改进后的算法准确率为79.2%,召回率为68.6%,平均精度均值(mAP)为74.2%,误报率(FPR)为12.8%;相比于原YOLO-V5算法,改进后的算法准确率、召回率、mAP分别提高1.9%、0.9%、2.7%,检测识别FPR降低3.7%。

基于RT-YOLO-V5的芯片外观缺陷检测

针对传统的人工芯片检测方法效率低、过分依赖人为操作且误检率高等产生的问题,提出了一种基于ResCBS模块与增加微检测层(Tiny-scale detection layer)的RT-YOLO-V5检测方法用于检测芯片外观缺陷。首先搭建了图像采集系统,并制作了芯片外观缺陷检测数据集。为解决芯片外观缺陷形状不规则、大小不统一、位置不确定带来的检测精度低等问题,在CBS模块中增加短连接,融合输入输出的特征信息,减少信息损失,优化推理速度;其次,增加一个微小尺度的检测层,提高模型对微小目标的特征提取能力。实验结果表明:使用改进后的网络对芯片外观缺陷进行检测,平均精度(mAP)达到95.5%,相对于原始网络提升了5.7%;除此之外,改进后的RT-YOLO-V5在先验框损失(Box_loss)与小目标缺陷的检测精度上都得到了一定的提升。

基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明:YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.4985 mm,11.285 mm,19.11 mm),满足使用要求。该研究可实现桑树嫩叶处枝干的识别与定位,有助于推动桑叶智能化采摘机器人研究。

基于YOLO v5的直播油菜激光间苗系统设计与试验

间苗是保证直播油菜增产的一项关键技术措施,为解决人工间苗劳动强度大、机械间苗不精确的问题,采用机器视觉的方式,基于深度学习算法YOLO v5平台,设计并搭建自动间苗装置。机器视觉系统评估幼苗种群的合理密植情况,间苗算法以间距和幼苗叶展为评估标准,实现控制幼苗间距和筛选优质苗的功能。选用遗传算法对间苗行进路径进行规划,相较于未规划路径可缩短最低为50%的行进距离,最终采用激光器高温烧除的方式完成间苗作业。选取油菜苗作为试验材料,间苗阈值α是划定幼苗最小间距的参数,设置不同的间苗阈值α进行试验。结果表明,间除苗的数量随着间苗阈值α的增加而增加,幼苗平均密度下降的同时种群分布趋于均匀,对间除苗的叶展长度分类统计,α为0~75 mm时,间除苗叶展长度全部在0~20 mm范围;α为75~200 mm时,间除苗叶展长度为0~40 mm,其中叶展长度为20~40 mm的最高占比约为76%;α为200~350 mm时,间除苗叶展长度在40 mm以上的幼苗开始增加,最高占比约为14%,间除苗叶展长度梯次分布证明了间苗算法具备筛选优质苗的性能。间苗执行阶段耗时占据间苗作业总耗时的90%以上,以激光走线参数L、激光器功率P、间苗距离阈值为试验因素,三因素三水平正交试验结果表明:选择合适的激光走线参数L能有效提高间苗死亡率、降低间苗误伤率和减少间苗耗时,在参数L为30 mm、P为7.5 W、α为250 mm下开展土槽台架性能验证试验,激光间苗平均死亡率为93.29%,平均误伤率为5.19%,平均总耗时为15.19 min,为开发基于机器视觉的激光自动间苗机提供了理论基础和技术支撑。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于改进YOLO v5的复杂环境下花椒簇识别与定位方法

花椒树产果量大,枝干纵横交错,树叶茂密,给花椒的自动化采摘带来了困难。因此,本文设计一种基于改进YOLO v5的复杂环境下花椒簇的快速识别与定位方法。通过在主干提取网络CSPDarknet的CSPLayer层和Neck的上采样之后增加高效通道注意力ECA(Efficient channel attention)来简化CSPLayer层的计算量,提升了特征提取能力。同时在下采样层增加协同注意力机制CA(Coordinate attention),减少下采样过程中信息的损失,强化特征空间信息,配合热力图(Grad-CAM)和点云深度图,来完成花椒簇的空间定位。测试结果表明,与原YOLO v5相比较,改进的网络将残差计算减少至1次,保证了模型轻量化,提升了效率。同帧数区间下,改进后的网络精度为96.27%,对比3个同类特征提取网络YOLO v5、YOLO v5-tiny、Faster R-CNN,改进后网络精确度P分别提升5.37、3.35、15.37个百分点,连株花椒簇的分离识别能力也有较大提升。实验结果表明,自然环境下系统平均识别率为81.60%、漏检率为18.39%,能够满足花椒簇识别要求,为移动端部署创造了条件。

基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi‐head self‐attention,多头自注意力)替换了SPPF(Spatial pyramid pooling‐fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self‐attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。

基于改进YOLOv5的机床刀具识别方法

针对目前机床刀具分类应用较少、预处理复杂、目标检测适用范围小且识别精度不高的问题,提出基于改进的YOLO v5机床刀具图像识别算法,利用卷积神经网络在特征提取层加入CBAM注意力模块,可以更清晰地提取图像特征,在特征融合层加入CARAFE上采样模块,使刀具的表面特征恢复更好,可以减少特征融合时部分特征的丢失。实验结果表明,改进后的算法使机床刀具等小目标检测精度和检测速度明显提升,且改进后的模型平均精度为96.8%,比YOLO v4模型提高了14.96%,比YOLO v5模型提高了2%。本方法能对不同刀具进行识别,为工业制造中机械零件的识别提供了新的算法支持。

基于YOLO V5的海榄雌瘤斑螟智能识别与预警

海榄雌瘤斑螟Ptyomaxia syntaractis,红树植物白骨壤Avicennia marina最重要害虫,严重影响白骨壤生长和生态功能的发挥。为高效监测海榄雌瘤斑螟的种群发生动态,实时获得预警信息,本研究通过引入目标检测算法YOLO V5进行深度学习,对监测设备上的海榄雌瘤斑螟进行识别与计数,实时发布种群数量。采用黑光灯诱捕装置获取海榄雌瘤斑螟成虫图像,构建两种不同图像大小的数据集,采用旋转、增噪等方式增强图像数据集;对比了不同训练模型对采集图像的检测性能和不同图像大小对数据集识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,模型YOLO V5s对海榄雌瘤斑螟识别的精确率、召回率和F1值分别为96.13%、92.06%和0.93,并且能够很好的识别原始尺寸的图像。基于YOLO V5网络模型设计的海榄雌瘤斑螟识别计数模型识别准确率高,可满足海榄雌瘤斑螟种群监测与预警。

基于改进YOLO v5s和图像融合的笼养鸡死鸡检测方法研究

[目的]针对规模化养殖环境下死鸡巡检自动化程度低、人工巡检费时费力等问题,提出一种基于图像配准融合算法和改进YOLO v5s的死鸡检测方法。[方法]为提高死鸡目标特征的显著性,利用SURF算法结合RANSAC算法实现热红外与可见光图像的特征点匹配,采用仿射变换模型得到配准图像,使用小波变换实现图像的分解重构,从而得到最终的配准融合图像;为降低背景信息对死鸡目标检测的干扰,提升模型对鸡只遮挡情况的检测效果,以YOLO v5s目标检测算法为基础,通过加入SE注意力模块,将CIoU_Loss和DIoU_NMS运用于原模型,构成改进后的YOLO v5s-SE模型。[结果]配准融合后的图像与源图像的相关系数平均值达到0.86,体现了良好的配准融合效果;模型在融合图像上的检测准确率以及平均精度均值均高于可见光图像和红外图像,改进后的YOLO v5s-SE相较于原始YOLO v5s在融合数据集上的检测准确率提升了3.3%,达到97.7%。[结论]改进后的YOLO v5s-SE在保证应有检测速度的同时提升了目标检测的精度,可满足实际生产中死鸡实时检测的需求。

基于改进YOLO v5的皮蛋裂纹在线检测方法

为了解决裂纹皮蛋分选中存在的效率低、人力成本高等问题,提出了一种基于改进YOLO v5的皮蛋裂纹在线检测方法。使用EfficientViT网络替换主干特征提取网络,并采用迁移学习对网络进行训练,分别得到YOLO v5n_EfficientViTb0和YOLO v5s_EfficientViTb1两个模型。YOLO v5n_EfficientViTb0为轻量化模型,相较于改进前参数量减少14.8%,浮点数计算量减少26.8%;YOLO v5s_EfficientViTb1为高精度检测模型,平均精度均值为87.8%。采用GradCAM++对模型可视化分析,得出改进模型减少了对背景区域的关注度,证明了改进模型的有效性。设计了视频帧的目标框匹配算法,实现了视频中皮蛋的目标追踪,依据皮蛋的检测序列实现了对皮蛋的定位和裂纹与否的判别。轻量化模型的判别准确率为92.0%,高精度模型的判别准确率为94.3%。研究结果表明,改进得到的轻量化模型为运算能力较差的皮蛋裂纹在线检测装备提供了解决方案,改进得到的高精度模型为生产要求更高的皮蛋裂纹在线检测装备提供了技术支持。

基于YOLO v5+DeepSORT算法的羊群游走同步群体决策行为研究

随着畜牧养殖智能化监控技术的产业化应用,进一步提升畜禽养殖的分类施策精细化管理,成为现代畜牧业精细高效养殖管理的新需求。采用固定机位、多角度视频采集技术,实时记录羊群牧食过程中的游走行为;针对羊群游走视频中易出现遮挡的复杂情况,设计了基于YOLO v5模型的羊群多目标检测模型,羊群游走过程中的多目标实时跟踪识别率可达90.63%;采用羊群游走多目标轨迹跟踪DeepSORT算法,通过提取羊目标的深度表观特征,计算出羊群游走轨迹和变化节拍规律。结果表明,羊的游走过程通常为慢走、快走和疾走3种方式,单只羊的游走过程通常是不固定的随机组合。在中大规模羊群中,由于亲缘关系结构的复杂性,羊群往往分化为多个小群体,这使得从整体上观察和分析羊群行为变得异常困难。为此,聚焦于小规模羊群进行研究,通过羊群散列、聚集和同步3个游走过程分析,初步验证了羊群游走节拍周期上的同步现象。