改进Yolov5s的木材表面缺陷实时检测方法

提出了一种改进Yolov5s的木材缺陷实时检测方法,该方法首先替换了Yolov5s网络中计算量开销占比较大的主干结构,实现了轻量化改进,提升了网络速度。其次,对网络颈部中的C3模块进行双通道注意力机制改进,有效提升了模型对缺陷部位的关注度,减少了背景的干扰。成功构建了一种重颈部轻主干的轻量化模型LW-Yolov5。最后,通过构建损失函数,使用双重知识蒸馏策略对新模型进行训练。结果表明:新模型的计算量和参数量分别减少了52.8%和49.5%,CPU推理速度提高了31.6%,检测速度为20.4 FPS,GPU检测速度达到了137 FPS,模型体积仅为7.1 MB,更易于部署,且快速性优于当前主流的单阶段检测网络。在大规模木材缺陷数据集上的平均检测精度mAP为82.5%,检测精度较高。

基于YOLOv5的焊缝图像特征信息检测方法研究

为了满足自动化工艺的需要和获取更为清晰的焊缝原始图像,提出了一种基于YOLOv5和结构光的焊缝特征点提取算法。首先利用激光视觉系统获取焊缝图像,使用改进后的YOLOv5算法进行预训练;然后通过Steger算法提取结构光中心线,使用Harris算法对中心线图像进行处理,并确定焊缝坐标点的坐标;最后将坐标信息传输给PLC,控制十字滑台带动焊枪进行焊缝的跟踪操作。实验结果表明,改进后的YOLOv5算法mAP值更大、稳定性更高、鲁棒性更强。

基于YOLOv5和DeepSort算法的工程车辆识别与多目标跟踪实现

本研究聚焦于传统目标检测技术与基于深度神经网络的工程车辆检测策略的对比分析。通过借助有效技术手段,采用降噪、增强及边缘检测的方式,对图像的质量进行有效优化。为了确保工程车辆检测过程的专业性与高精度,我们借助YOLOv5算法对其进行了处理,该算法的运用可以进一步提高处理速度。对于检测时容易出现的目标遗漏与预测框定位不准确情况,我们借助DeepSORT算法,通过全面的整合对检测目标进行了追踪预测。DeepSORT通过卡尔曼滤波进行数据估计,能实现高效的连续跟踪。为应对拍摄设备晃动及车辆变速行驶引发的目标身份频繁更迭挑战,我们创新性地采用了一种改进的GIoU计算方法。

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。

基于YOLOv5的茶叶嫩芽图像识别算法研究

现有的机器采茶都需要人工辅助进行采茶,且存在老叶、嫩芽一刀切的情况,会损害一部分茶叶,只适用于低端茶叶的采摘。因此,需要研究出一种精准高效的茶叶嫩芽识别方法。针对茶叶嫩芽图像背景复杂的问题,在YOLOv5算法的基础上,对算法进行多角度的改进,实验结果表明,改进算法的模型的mAP提升了4.1%,Recall提升了4.0%,且改进方法减少了漏检情况的发生。

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YOLOv5算法的无人机巡检图像智能识别方法

提出一种基于改进YOLOv5算法的无人机巡检图像智能识别方法。该方法构建无人机巡检图像的相邻图像独立坐标系,并利用相对定向法确定图像中共同目标的位置关系。将巡检目标统一转换至同一坐标系下,采用先进的分割技术提取目标纹理特征向量,为后续的图像识别提供了有力支持。在改进YOLOv5算法的过程中,特别注重多尺度网络的选择与融合激活函数及损失函数的优化组合。采用大疆无人机获取建筑裂缝巡检图像进行实验。结果表明,该方法能够在高效率下实现不同类型建筑裂缝的高精度识别,展现出优异的稳定性能。这一研究成果为无人机巡检图像的智能识别提供了新的思路和方法,具有广泛的应用前景和实际价值。

基于改进YOLOv5s的仓储货物检测算法研究

针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。

基于改进YOLOv5s算法的禁捕期长江渔船识别及应用研究

长江实行十年禁渔是长江生态环境修复的关键环节,针对禁渔期间长江非法捕捞渔船目标小、背景复杂、流动大等问题,提出了一种基于改进YOLOv5s的目标检测算法。该算法优化多尺度自适应锚框模块,采用改进的K-means++聚类算法,重新匹配适合长江船舶尺寸的锚框;使用轻量高效的坐标注意力(coordinate attention,CA)机制,提升模型关注目标通道信息特征的能力;采用SPPCSPPC(spatial pyramid pooling and context-aware spatial pyramid pooling combination)对特征图进行池化,提高小目标检测能力;通过构建长江船舶数据集训练得到最优权值模型。结果显示,改进后的模型在准确率、召回率、mAP0.5、mAP0.5∶0.9和原模型相比分别提高了1.5%、3.0%、2.4%、7.7%,且训练过程损失收敛更快,收敛值更低,能够准确快速识别出长江上的渔船目标。研究结果可为长江十年禁渔提供技术支持。

基于OBE理念的Yolov5算法实例教学研究

针对深度学习课程理论知识多、教师讲解困难、学生难于理解的教学实际,重点研究深度学习课程中有关图像处理的最新算法Yolov5的实例教学策略,以提高学生对深度学习课程的学习兴趣,增强学生发现问题并解决问题的能力。本实例讲解了基于OBE理念的Yolov5口罩佩戴识别算法,首先进行教学方法阐述与分析;其次进行教学实例的选择和算法的实现讲解;最后通过教学反思和教学评价促进教学质量的提升。

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。

基于改进YOLOv5s的无人机小目标检测算法研究

【目的】针对无人机航拍图像中目标尺度多样、背景复杂、小目标密集的特点,提出了基于YOLOv5s的小目标检测算法LM-YOLO。【方法】首先,增加小目标检测头并采用K-DBSCAN聚类算法优化锚框,生成更适合小目标检测的锚框,提高算法对小目标的检测精度;然后,设计更高效的MobileNetV3-CBAM作为特征提取网络,减小网络模型大小;最后,在特征融合网络引入大核选择性注意力机制LSK,增加模型对相似目标的分辨率。【结果】在公开数据集VisDrone2019上的实验结果表明,与基准模型YOLOv5s相比,LM-YOLO对所有目标的平均检测精度提升了7.6%,模型大小压缩了45%。【结论】文章算法可以在降低模型大小的同时保持良好的检测精度。

改进YOLOv5算法在提升车辆图像识别效率中的应用

现有车辆识别算法模型在特征提取方面可能不够精准,无法有效提取车辆的关键特征,模型的泛化能力有限,在面对新的、未见过的车辆时,识别效率会大打折扣。因此,本文探讨改进YOLOv5算法在提升车辆图像识别效率方面的应用。通过在YOLOv5算法中融入注意力机制和知识蒸馏技术,有效提升了模型的车辆特征提取能力以及模型泛化能力。实验结果表明,改进后的算法关键指标均有显著提升,为智能交通系统中的车辆检测提供了更高效准确的解决方案。

基于改进YOLOv5的城市地下管网缺陷识别算法

城市地下管网系统作为保障城市排涝安全的重要市政基础设施,在长期超负荷运行过程中普遍存在着诸多病害问题;传统检测技术CCTV依赖专业人员的专业技术以及先验经验,因此为实现自动化的城市地下管网缺陷病害,一种城市管网缺陷病害检测算法被提出并成功运用于实际工程中;采用自适应CA注意力机制,有效弱化复杂背景的负面影响;缺陷分类与回归的解耦关键方法,使得检测部分充分利用缺陷纹理和边缘信息,从而提高小尺寸缺陷的精度;SIoU损失函数的运用为算法引入角度项权衡,有效加快收敛速度;经实验测试得到71.1%的平均精确度,较原始算法提高5.3%,并满足了实际工程上的应用。

基于YOLOv5-TGs的PCB缺陷检测算法研究

针对目前PCB缺陷检测算法在实际应用中检测精度低等问题,提出基于改进YOLOv5s的PCB缺陷检测算法YOLOv5-TGs。该算法以YOLOv5s算法模型为基础,首先在主干网络中引入Swin Transformer结构,并取代C3模块中的Bottleneck模块,并使用Ghost卷积模块替换Conv模块,降低了模型的计算复杂度,实现轻量化,同时增加了其接收域,增强PCB缺陷的小目标的特征表达能力;其次,在颈部网络的C3结构后面添加全局注意力机制,更大程度地保留通道和空间信息,在减少特征信息弥散的情况下放大全局跨纬度的交互特征,提高检测效率。最后用SIoU损失函数来代替原有的CIoU损失函数,通过在损失函数代价中引入方向性,加快模型收敛速度,提高回归精度。本文实验使用的是北京大学实验室公开发布的PCB缺陷数据集,结果表明:改进算法的平均精度均值达到98.2%,精确率达到95.5%;相较于YOLOv5s,改进算法的平均精度均值提升了7.3%,精确率提升了7.5%。

基于YOLOv5算法的多尺度小目标船舶识别方法

为提高海面多尺度小目标船舶的识别性能,提出一种数据集划分方法,并在YOLOv5算法中改进数据增强方法,融合注意力机制,改进损失函数。实验结果表明,该方法能更好地识别海面上的多尺度小目标船舶,平均精度(mAP)、精确率(P)、召回率(R)分别为99.1%,98.5%,97.5%,识别性能比经典深度学习算法和近几年的方法都高。

YOLOv5s-CBAM算法在福寿螺虫卵识别中的应用分析

福寿螺是我国重点关注的入侵物种,对农作物生长和生态环境会造成不利影响。及时获取福寿螺虫卵的分布信息,对于提前防治其入侵能起到有效的帮助作用。基于YOLOv5s基础网络模型,引入CBAM(Convolutional Block Attention Module)注意力机制模块,以提高在复杂的自然环境下对福寿螺虫卵特征信息的提取,提出YOLOv5s-CBAM模型进行福寿螺虫卵识别方法。试验结果表明,引入CBAM的识别效果要好于引入CA和SE注意力模块。同时,引入CBAM的YOLOv5s-CBAM模型,识别效果优于原基础YOLOv5s模型,一定程度上能够克服倒影、植物遮挡等因素干扰。且平均精度均值达到83.8%,相比原模型提升2.5个百分点。基于深度学习的方法对复杂自然环境中的福寿螺虫卵进行识别是切实可行的,为福寿螺等入侵物种的监测防控提供新的思路。

改进YOLOv5s的无人机视角下小目标检测算法

无人机视角的小目标图像具有目标分布密集、类别不均衡以及特征不明显的特点,导致目标检测任务中出现漏检、误检的问题。针对这些问题,提出一种改进YOLOv5s小目标检测方法,以达到提高目标检测准确率与精确度的目的。重新聚类锚框,更精确地锁定检测区域。更改骨干网络结构,在空间金字塔池化层增加卷积,保证充分获取检测目标特征。同时,将网络结构中的C3模块替换成融合通道注意力机制的轻量级SEC2f模块,以提升网络对于小目标检测的局部特征捕获能力。融合解耦检测头,结合自适应锚框计算,有效提取目标区域的特征。在相同参数、相同环境条件下,在DOTA数据集上和VisDrone数据集上检测精度分别提升6.1%、5.2%,表明改进方法在小目标检测任务上的有效性;在公开数据集voc2007+2012上做通用性对比实验,结果表明改进算法具有通用性。