结合主动光源和改进YOLOv5s模型的夜间柑橘检测方法

【目的】解决夜间环境下遮挡和较小柑橘难以准确识别的问题,实现采摘机器人全天候智能化作业。【方法】提出一种结合主动光源的夜间柑橘识别方法。首先,通过分析主动光源下颜色特征不同的夜间柑橘图像,选择最佳的光源色并进行图像采集。然后,提出一种夜间柑橘检测模型BI-YOLOv5s,该模型采用双向特征金字塔网络(Bi-FPN)进行多尺度交叉连接和加权特征融合,提高对遮挡和较小果实的识别能力;引入Coordinate attention(CA)注意力机制模块,进一步加强对目标位置信息的提取;采用融入Transformer结构的C3TR模块,在减少计算量的同时更好地提取全局信息。【结果】本文提出的BI-YOLOv5s模型在测试集上的精准率、召回率、平均准确率分别为93.4%、92.2%和97.1%,相比YOLOv5s模型分别提升了3.2、1.5和2.3个百分点。在所采用的光源色环境下,模型对夜间柑橘识别的正确率为95.3%,相比白光环境下提高了10.4个百分点。【结论】本文提出的方法对夜间环境下遮挡和小目标柑橘的识别具有较高的准确性,可为夜间果蔬智能化采摘的视觉精准识别提供技术支持。

改进YOLOv5模型在自然环境下柑橘识别的应用

在复杂的自然环境中绿色柑橘生长形态各异,颜色与背景色相近,为有效识别绿色柑橘,提出一种基于混合注意力机制并改进YOLOv5模型的柑橘识别方法。首先,改进YOLOv5的网络结构,在主干网络中添加混合注意力机制,即在主干网络中的第2层嵌入SE(squeeze and excitation)注意力,第11层嵌入CA(coordinate attention)注意力;其次,改进网络模型特征融合结构,将YOLOv5模型Concat特征融合操作的下层分支放在模型C3模块之前,再与另一条上层分支进行特征融合;最后,改进模型分类损失函数,将YOLOv5模型的分类损失函数改成Varifocal Loss函数,加强绿色柑橘特征信息的提取,提高绿色柑橘检测精度。根据自然环境和柑橘自身的特点,对自建数据集进行分类,设计3组不同分类场景下柑橘的对比试验以验证其有效性。试验结果表明,改进后的YOLOv5-SC模型准确率为91.74%,平均精度为95.09%,F1为89.56%,在自然环境下对绿色柑橘的识别具有更高的准确率和更好的鲁棒性,为绿色水果智能采摘提供技术支持。

基于改进YOLOv5的安全帽检测算法

为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题,设计实现了一种基于YOLOv5的改进目标检测算法,记为YOLOv5-GBCW.首先使用Ghost卷积对骨干网络进行重构,使得模型的复杂度有了显著降低;其次使用双向特征金字塔网络(BiFPN)加强特征融合,使得算法对小目标准确率提升;引入坐标注意力(Coordinate attention)模块,能够将注意力资源分配给关键区域,从而在复杂环境中降低背景的干扰;最后提出了Beta-WIoU作为边框损失函数,采用动态非单调聚焦机制并引入对锚框特征的计算,提升预测框的准确率,同时加速模型收敛.为了验证算法的可行性,以课题组收集的安全帽数据集为基础,选用了多种经典算法进行对比,并且进行了消融实验,探究各个改进模块的提升效果.实验结果表明:改进算法YOLOv5-GBCW相较于YOLOv5s算法,算法平均精确率(IOU=0.5)提升了5.8%,达到了94.5%,检测速度达到了124.6 FPS(每秒处理帧数),模型更加轻量化,在复杂环境、密集场景和小目标场景下检测能力提升显著,并且同时满足安全帽检测精度和实时性的要求,给复杂施工环境下安全帽检测提供了一种新的方法.

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

基于改进YOLOv5s的轻量级绝缘子缺失检测

针对现有绝缘子缺失检测模型计算复杂度高和小目标难以检测等问题,提出一种基于改进的YOLOv5s轻量级检测模型。首先,移除主干网络中的C3模块来减少模型的参数量。其次,在多尺度特征融合网络中引入卷积块注意力机制来提高复杂背景下模型的特征提取能力。同时,采用加权双向特征金字塔网络结构对特征进行双向跨尺度加权融合,提升网络在遮挡物、相似目标干扰下目标的检测性能。最后,选用SIoU损失函数提升网络的收敛速度和检测精度。实验结果表明,所提模型的平均精准率为96.8%,浮点运算数为2.8 GFLOPS,而原始YOLOv5s在保证97.4%的平均精准率下的浮点运算数为16.3 GFLOPS。相较于原始模型,所提模型对小目标、遮挡目标以及模糊等场景有着较强的鲁棒性,且在保证近似检测精度的同时极大减少了计算量。

基于改进YOLOv5的草莓病害智能识别终端设计

为实现低成本、便捷、高效的草莓病害识别与检测,提升草莓种植与生产效益,在YOLOv5模型基础上,引入高效通道注意力(Efficient Channel Attention, ECA)机制,研究构建一种草莓病害识别模型,应用嵌入式与软件工程技术研发草莓病害识别终端设备。终端设备应用系统由图像采集、图像检测、检测结果展示和数据传输等模块组成,实现草莓图像实时采集和病害实时识别检测等功能。基于草莓病害检测数据集对系统开展测试,结果表明,该系统可以有效识别草莓白粉菌果病、角斑病、叶斑病等病害。与YOLOv5相比,AP0.5∶0.95、AP0.5、AP0.75、APM、APL都有比较大幅度提升。系统具有高效、便捷、实时等优点,可广泛应用于草莓生产领域,从而有效提升草莓病害识别与检测效率。

基于CED-YOLOv5s模型的煤矸识别方法研究

由于煤矿井下高噪声、低照度、运动模糊的复杂工况和煤矸易聚集现象,导致煤矸目标检测模型特征提取困难及煤矸分类、定位不准确问题。针对该问题,提出一种基于CED-YOLOv5s模型的煤矸识别方法。首先,在YOLOv5s主干网络中引入坐标注意力(CA)机制,通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码,充分利用通道注意力信息和空间注意力信息,使模型更加关注重要特征,抑制无用信息。其次,在YOLOv5s的检测头部引入EIoU回归损失函数,将目标框与锚框的宽高差异最小化,以增强目标的位置和边界信息,提高模型在密集目标下的定位精度和收敛速度;最后,在YOLOv5s的检测头部引入轻量化解耦头,解耦出单独的特征通道,分别用于分类任务和回归任务,解决了原模型中耦合头部分类任务与回归任务的相互干扰问题,进一步提升了模型的并行运算效率与检测精度。实验结果表明:CED-YOLOv5s模型与其他YOLO系列目标检测模型相比,综合性能最佳,平均检测精度达94.8%,相较于YOLOv5s模型提升了3.1%,检测速度达84.8帧/s,可充分满足煤矿井下煤矸实时检测需求。

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YOLOv5-LITE轻量级的配电组件缺陷识别

为对配电组件缺陷进行精确快速的定位和识别,提出一种基于改进YOLOv5-LITE轻量级的配电组件缺陷识别方法。为使模型便于部署至移动设备终端,该方法使用ShuffleNetV2作为骨干网提取特征构建YOLOv5-LITE轻量级神经网络模型,并摘除ShuffleNetV2的1024卷积和5×5池化,采用全局平均池化操作替代,降低网络参数量,提升模型检测速度;通过引入有利于细粒度目标检测的152×152特征层,实现了对大、中、小尺度的缺陷检测;在PANet架构中采用深度可分离卷积代替下采样使得网络更加轻量化。实验结果表明:该方法能够识别电缆脱离垫片、电缆与绝缘子脱落、无环绝缘子3种缺陷,其检测精度分别达到92%、95%、95%,网络参数量约为YOLOv5的1/4,检测速度达到2 ms/张。所提出的方法具有实时性、准确率高、轻量化等特点。

改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度(average precision)和每秒传输帧数(frame per second,FPS)达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07个百分点。结果表明,该方法能够实现病理学图像中猪只小肠绒毛自动化检测,保证复杂图像检测速度的同时,提高了小肠绒毛的检测精度。

基于改进YOLOv5s的着装不规范检测算法研究

针对餐饮后厨工作人员着装不规范,在复杂背景下采用现有算法检测精度低且易出现误检、漏检等问题,提出一种基于YOLOv5s的着装规范检测改进算法YOLOv5s-ESW。首先,在主干网络引入新型多尺度注意力机制改进C3模块,增强网络的特征提取能力;其次,在颈部网络中采用空间和通道重建卷积模块(SCConv)替换原始网络中的卷积模块(Conv),减少模型参数冗余,同时提升模型的精度;最后,在预测部分引入WIoU损失函数更换CIoU损失函数,提高模型泛化能力,加快收敛速度。将改进算法应用到自建餐饮后厨工作人员着装数据集中进行实验,实验表明,改进后的模型检测平均精度提升了4.1%,参数量减少了11.4%。该模型在提高了检测精度的同时降低了网络复杂度,能够满足餐饮后厨工作人员的着装规范检测的要求。

基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。

改进YOLOv5s-Seg的高效实时实例分割模型

实例分割是图像分割的重要组成部分,同时也是计算机视觉领域的一个重要课题。然而现有实例分割模型不能在保证实时性的同时保证模型分割精度,因此在实时实例分割任务中一直存在精度过低、定位不精确的问题。针对此问题,提出了一种基于YOLOv5s-Seg改进的实时实例分割模型。以YOLOv5s-Seg作为网络的基础模型,主干网络选用Repvit m3网络,然后改进FPN结构,在FPN结构中将原始得到的C3卷积模块升级为RsRepVitBlock模块,并在其内部使用ECA注意力机制,最后采用SIoU作为模型的边界框损失函数。该算法在公开数据集PASCAL VOC 2012上的实验结果显示,改进后的模型分割精度mAP达到了65.7%,较原模型YOLOv5s-Seg提高了10.6个百分点。该模型大幅提升了分割精度,并且有效地改善了分割任务中定位不准确的问题。相较于其他模型,具有显著的精度优势和更好的模型稳定性。

改进的YOLOv5s遥感影像机场场面飞机小目标识别

遥感影像具有地物拍摄模糊以及背景环境复杂等特点,导致大面积地面物体识别准确率较低。针对此问题,提出了一种基于YOLOv5s改进网络模型。该模型对YOLOv5s中的骨干提取网络和颈部多尺度特征融合网络进行优化,引入Swin Transformer以获得更多关于目标物体的特征信息;同时对骨干网络中的模块做了修剪;此外,模型中还添加了坐标注意力机制来提升特征提取和融合效果。对于遥感数据集进行了小目标检测识别测试实验,改进后的YOLOv5s网络的mAP值为0.8375,比YOLOv5s网络模型提高了0.0225。实验结果表明,改进后的YOLOv5s网络模型对比YOLO系列网络和EfficientDet模型有效地提高了识别准确率、召回率以及mAP值,并且在训练时间上也比YOLOv5s减少了1/12。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

基于B-YOLOv5的轻量化裂缝检测算法

针对当前公路路面缺陷检测算法存在的特征提取不完善且难以部署到嵌入式设备上、细小裂纹及凹坑漏检等问题,以YOLOv5算法为基础,使用DepthSepConv模块代替原有的C3结构,把原有的CSPDarknet53主干网络改进成了更加轻量化的网络结构,结合BIFPN特征融合思想,将原来的PANet路径融合结构改进为一种更有效的带权重的B-PANet特征融合结构。试验结果表明,所改进的B-YOLOv5算法在相同的数据集和试验条件下,不仅精度提高了5.81%、检测速度提升两倍,还可降低细小裂纹和凹坑的漏检率,模型参数大小也仅仅是YOLOv5的八分之一。B-YOLOv5算法完全可以满足实时性的需要,且可更好地部署在Jetson Xavier NX嵌入式设备上。

基于YOLOv5的烟草叶部病害智能识别

为提高烟草病害的智能识别精度和判别效率,提出基于YOLOv5网络改进的烟草病害识别模型,针对原模型对小目标病斑特征提取能力弱的问题提出改进模型,分别为添加多尺度增强模块的YOLOv5-ME、添加小目标检测层的YOLOv5-LT和同时添加小目标检测层和多尺度增强模块的YOLOv5-ME-LT,对从田间采集的赤星病、黄瓜花叶病、普通花叶病、气候斑点病和野火病等5874幅病害图像进行识别验证。结果表明,3种改进模型的检测精度均优于原始模型,YOLOv5-ME的mAP为88.7%;YOLOv5-LT的mAP为88.1%;YOLOv5-ME-LT的mAP为91%,远高于原模型的78%。本文改进的烟草叶部病害识别算法相对原模型性能有明显提高,但研究中仍存在相似病害难区分等问题,后续研究将结合生命化学指标和多光谱技术,对早期烟草病害进行检测。

基于YOLOv5−SEDC模型的煤矸分割识别方法

现有煤矸分割识别技术参数量大、分类速度慢和识别准确度不高;YOLOv5−seg模型在上下采样操作中易造成图像表面的纹理细节和灰度特征信息丢失,降低煤矸识别效率,且在训练过程中过分侧重全局特征,而忽略了对煤矸识别至关重要的局部显著区域和特征。针对上述问题,提出了一种基于YOLOv5−SEDC模型的煤矸分割识别方法。首先接收包含煤矸形状信息的图像,并利用主干网络进行特征提取,生成特征图;其次在YOLOv5−seg模型中集成SENet模块,以保留煤与矸石表面的纹理细节和灰度特征,避免下采样带来的信息丢失;然后采用不同,膨胀率的空洞卷积策略替代传统卷积核,不仅扩大了模型的感受野,还有效减少了模型参数量;最后分割检测头对融合后的特征进行精细处理,实现对煤矸的精确分割和识别。在大柳塔煤矿实际煤矸分选现场搭建煤矸图像采集实验平台,消融实验结果表明,YOLOv5−SEDC模型的煤和矸石识别的精确率较YOLOv5−seg模型平均提高1.3%,参数量减少0.7×10^(6)个,检测速度提高了1.4帧/s。对比实验结果表明:①YOLOv5−SEDC模型的精确率较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了10.7%,2.7%,1.9%,达到95.8%。②YOLOv5−SEDC模型的召回率较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了3.0%,2.1%,0.9%,达到89.1%。③YOLOv5−SEDC模型的平均精度均值较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了6.4%,6.3%,1.8%,达到95.5%。④YOLOv5−SEDC模型的F1较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了5.2%,4.2%,2.1%,达到92.2%。⑤YOLOv5−SEDC模型的检测速度较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别降低了1.9,1.4,2.7帧/s。可视化结果表明,YOLOv5−SEDC模型对煤和矸石的检测准确度较YOLOv5−seg和Mask−RCNN模型更高,说明了YOLOv5−SEDC模型在煤矸分割识别上具有较好性能。

改进YOLOv5的织物缺陷检测方法

为了在不增加网络参数量的条件下提升深度学习方法对织物缺陷检测的精度,提出了一种基于改进YOLOv5的织物缺陷检测方法。通过深度卷积改造通道注意力,剪裁最大池化优化空间注意力,并通过二者构建的双级联注意力机制来搭建特征提取子网络,从而提高网络对缺陷区域纹理和语义特征的提取能力;采用鬼影混洗卷积改进特征融合子网络,强化对提取特征的筛选,在降低模型参数量的同时,改善缺陷信息丢失和无效信息冗余问题;在检测端引入具有角度损失的新型损失函数SIOU,来促进真实框和预测框的拟合并提升对缺陷预测的准确性。实验结果表明:改进的YOLOv5方法在降低YOLOv5基准模型复杂度和计算量的同时,与YOLOv7等六种先进方法相比,可获得更高的检测精度,相较原模型mAP@0.5值提高了2.6个百分点,mAP@0.5:0.9值提高了1.3个百分点。

改进YOLOv5s的采煤机滚筒与支架护帮板干涉状态智能识别

针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法(Soft-NMS)的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析,结果表明:本文方法与原模型相比的识别精确率提高了约8.1%,GFLOPs降低1.86倍;mAP@.5达到97.2%、平均识别速度为检测时间为5.9 ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压支架护帮板视频图像进行干涉状态识别试验验证,结果表明:对采煤机滚筒与液压支架护帮板干涉状态识别准确率为96%。