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。

融合注意力机制与YOLOv5s的服装领型自动检测方法

为了解决光线、人体姿势、环境噪声和拍摄设备等外部因素对服装领型检测精度的影响,提出了一种融合注意力机制与YOLOv5s的服装领型自动检测方法。首先,构建并标注了11个类别的服装领型数据集;然后,通过改变激活函数、引入注意力机制等方式对原YOLOv5s模型进行改进,提升模型检测的准确性;最后,对改进的模型进行训练、验证和测试。实验结果表明:选择FreLU作为激活函数,并把CBAM注意力机制融入到原YOLOv5s模型中,检测效果更佳;改进后的模型mAP@0.5值可达0.824,每秒能处理27.78帧图像,两项指标均优于faster RCNN和SSD512方法,表明本方法能够完成复杂背景下的服装领型自动检测任务。

基于改进YOLOv5算法的织物缺陷检测

基于现有织物缺陷检测算法受疵点尺寸与织物纹理背景的影响导致检测精度较低,同时检测模型过于复杂,难以部署到工控设备上,无法满足织物缺陷实时检测等现状,提出一种改进YOLOv5算法的织物缺陷检测算法。以YOLOv5算法为基准模型,采用跨阶段部分连接残差网络替代原模型的主干网络,增强模型上下文特征信息学习能力;将SimAM注意力机制融入到模型中,提升对有用特征的提取能力,抑制无用纹理背景特征的干扰;引入WIoU与Varifocal Loss损失函数,提高回归框准确性的同时降低负样本权重;最后,针对织物的小目标疵点难以检测的问题,提出增加小目标检测层的方法,提高模型的检测能力。试验结果表明:该研究算法能够快速准确地检测织物疵点,精确率与mAP分别达到86.46%与84.4%,与基准模型相比,分别提高6.16个百分点和5.8个百分点。

基于改进Yolov5模型的纱筒余纱量检测方法

为实现针织圆纬机纱架上纱筒余纱量的实时检测,提出一种深度学习与传统图像处理相结合的检测方法。通过优化Yolov5的主干网络并加入Shuffle-Attention注意力机制,利用改进后模型在图像中检测并框出纱筒位置;然后利用透视变换、均值偏移、canny轮廓检测、闭操作等处理获取纱筒内外圆轮廓,设计基于梯度下降的圆拟合算法,拟合纱筒内外圆的轮廓,得到纱筒的内外圆半径;最后结合小孔成像的原理完成纱筒余纱量的测量。结果表明:改进后的Yolov5模型在纱筒检测精度上达到99.5%,检测速度可达20帧/s,同时模型参数减少至3.255×106可检测的最小纱筒余纱量为3 mm,当纱筒余纱量小于3 mm后,将其视为空筒,进行延时更换。本文算法拟合圆所花费时间是传统霍夫圆检测算法的1/4左右,因此可满足针织车间的实际应用需求。

基于YOLOv5的零件识别轻量化算法

为了解决现有的基于深度学习的零件识别模型参数量过大、检测速度慢、检测精度低的问题,以YOLOv5模型为基础,提出了结合轻量级网络和Transformer的零件识别算法。首先,设计了一种轻量级主干特征提取网络,以减少网络的参数量和计算量,并提升推理速度;其次,将Transformer模块与C3模块融合构成C3TR模块,以增强小目标的检测能力;最后,引入噪音净化模块,通过过滤噪音来提高零件识别模型的准确率。模型的检测平均准确率和平均召回率分别达到了86.7%和85.5%,相较原模型分别提升了和24.2%和17.4%。实验结果表明,改进后的模型在实现模型轻量化的同时,具有更快的检测速度和更高的识别准确率。

基于Yolov5的交通信号灯智能识别程序开发

交通信号检测是智能汽车识别交通环境的一项重要辅助技术,现有的算法能够解决单一交叉口环境下的信号检测问题,但需要在十字路口的复杂交通环境中提高算法的精度和干扰可靠性。文章以one-stage目标检测算法Yolov5的应用为研究基础,实现多场景下的交通信号灯自动检测与识别,使用Labeling进行图片标注,通过镜像、裁剪、反转、等运行增强数据集,不断地调参实验与迭代模型训练,目标检测精度达到80%。

基于C3F-YOLOv5的轻量化列车车底螺栓检测方法研究

提高目标检测在列车车底复杂背景下螺栓的识别精度及检测速率,对于提高列车行驶安全性具有重要意义。为高效检测螺栓,提出一种基于C3F-YOLOv5的轻量化列车车底螺栓检测方法。使用自行设计的履带式车底检测机器人获取车底螺栓图片,并混合自行搭建的模拟平台螺栓图片与真实的列车车底螺栓图片作为最终数据集。将C3模块中的Bottleneck结构替换为Faster_Block结构,改进为C3F模块;并分别与FasterNet、GhostNet和MobileNetV3轻量化结构进行对比。此外,引入注意力机制CA模块,同时将原有损失函数L_(GIoU)替换为更为契合的L_(MPDIoU);使用SE模块和CBAM模块分别与CA模块进行比较,作为消融实验。最后采用LAMP分数的计算方法对模型权重参数排序,并将不重要的权重参数剪枝,作为新型模型压缩的方法。将最终模型压缩后的C3F-YOLOv5s网络模型分别与YOLOv4、YOLOv7、Mask R-CNN、RetinaNet进行对比试验。研究结果表明,在使用混合数据集的情况下,最终网络模型的平均检测精度达到了92.8%,检测速度达到了256.7 FPS。相较于其他4种经典的深度学习网络模型,改进后的模型检测效果更好,同时模型表现出较强的鲁棒性和泛化性能。该方法可在无法获得更多真实车底螺栓图片时,使训练后网络更加适应真实车底的情况,改进后的算法可以同时提高螺栓的识别精度和检测速度,可以为后续相关研究提供技术参考和理论支撑。

基于改进YOLOv5s轻量化模型的红外场景目标检测方法研究

红外技术在防备夜间作战和隐蔽作战中发挥的作用是至关重要的,针对如何平衡红外图像检测精度与轻量化的问题,提出一种基于红外场景下的轻量化目标检测模型M-YOLOv5。该网络模型采用改进的ShuffleBlock模块替换原有的CSP骨干网络。此外,应用轻量级上采样算子CARAFE替换原有上采样模块,在C3模块中加入SE注意力机制,降低冗余信息,提高特征的区分性和表征能力,重新设计损失函数,E-IoU作为新的损失函数,加快模型收敛速度。在公开数据集FLIR上进行了实验,实验结果表明:改进之后网络模型的平均检测精度达到73.0%,仅降低2.9个百分点,而M-YOLOv5模型的网络参数数量、理论计算量分别减少40%、39%,模型的推理速度提高52%,满足部署于边缘设备的需求。

基于改进YOLOv5s的轻量化交通灯检测算法

针对目前交通灯检测算法网络模型参数量过大、实时性差的问题,提出了一种基于改进YOLOv5s的轻量化交通灯检测算法.首先,用轻量化网络MobileNetv3替换原主干网络并引入注意力机制,在对检测精度影响不大的前提下降低模型参数量;然后,使用深度可分离卷积替换颈部网络中的传统标准卷积,进一步降低模型参数量;接着,针对交通灯尺度小的特点,删除检测大目标的检测层;最后,改进边框回归损失函数,提升边框检测精度.同时,为了能实时部署在嵌入式平台,该算法对网络进行通道剪枝实现模型压缩和加速.实验结果表明,该算法在嵌入式平台NVIDIA Jetson Xavier NX上能达到48.1帧/s的检测速度,相比原始YOLOv5s牺牲了1.5%的mAP,但是该模型体积压缩了54.3%,检测速度提高为原来的2.6倍,可以满足在交通道路中实时对交通灯检测的需要.

基于改进YOLOv5的焊缝识别算法研究

针对机器人自适应打磨焊缝的问题,文章提出一种基于YOLOv5改进的焊缝检测算法,实现焊缝的识别和初定位。使用焊接机器人制作各类不同参数和形貌的焊缝,自制一个包含3 996张焊缝图像的数据集用来深度学习。选用YOLOv5s模型进行训练,在Backbone中添加了GAM注意力机制模块;同时引入GhostNet,用GhostConv模块和C3Ghost模块替换原模型的Conv模块和C3模块。改进后的YOLOv5s-GhostNet-GAM模型的mAP@0.5达到了90.21%,相比原YOLOv5s模型提高了4.05%,同时参数量减少了5.64%,FLOPs降低了27.44%,检测速率为23.47 FPS,达到了机器人自适应打磨焊缝对识别精度与后期软件部署的要求。

基于改进YOLOv5s模型的车辆及行人检测方法

针对道路交通环境中车辆及行人目标较小或被遮挡造成的检测精度低以及误检、漏检问题,提出一种基于改进YOLOv5s模型的车辆及行人目标检测方法。针对小目标和遮挡目标,引入SIoU边界框损失函数,增加小目标检测层,增强对小尺度特征的获取;改进特征金字塔结构,增加横向特征图传递,并使用CSP stage替换C3_F特征提取网络,使其获得更多的语义信息和图形信息;改进后处理NMS算法,优化冗余边界框剔除方法,筛选出高质量检测结果。试验结果表明:改进YOLOv5s模型算法的Precision、Recall、mAP@0.5和mAP@0.5:0.95指标均优于Faster-RCNN、YOLOv3-tiny和YOLOv8s算法,与原YOLOv5s模型算法相比Precision下降了0.4%,但Recall、mAP@0.5和mAP@0.5:0.95提高了3.4%、2.1%和6.0%,分别达到了86.1%、92.9%和70.0%,对小目标和遮挡目标的检测效果明显提高,证明此改进方法有效解决了对小目标和遮挡目标检测精度低以及误检、漏检问题。

基于改进YOLOv5s网络模型的火灾图像识别方法

提出了一种基于改进YOLOv5s网络模型的火灾图像识别方法。通过引入注意力机制改进特征提取网络,提高模型对特征的学习能力;通过添加大尺度检测层改进多尺度检测机制,执行K-Means聚类算法改进先验框,增强模型对小目标的识别能力。在实验数据集上的测试结果表明:改进的YOLOv5s网络模型相比原始模型在精确率、召回率和平均精度均值(mAP)指标上均有提升。改进模型的mAP为85.72%,帧率达54.66fps;在置信度上有了明显提升,对多目标和小目标的识别效果更好,并且有效降低了漏检和误检情况。所提出的火灾图像识别方法可适用于安防监控系统或智能机器人。

基于YOLOv5轻量化网络的人脸口罩识别方法研究

目的:为解决人脸口罩识别中边缘和移动端设备存储与计算资源受限的问题,提出一种基于YOLOv5轻量化网络的人脸口罩识别方法。方法:选取由主干网络(Backbone)、颈部模块(Neck)和头部模块(Head)组成的YOLOv5模型作为基础框架。首先,使用ShuffleNetv2轻量化网络对Backbone部分进行修改替换;其次,在Neck部分引入Ghost模块和C3_S模块;最后,为提升检测精度,融入卷积块注意力模块(convolutional block attention module,CBAM),形成Shuffle_Yolo_GS_CBAM模型。选用AIZOO数据集训练和验证模型,通过平均精度均值(mean average precision,mAP)、每秒传输帧数(frames per second,FPS)、每秒10亿次的浮点运算数(giga floating-point operations per second,GFLOPS)和参数量评估模型对人脸口罩的识别效果。结果:该模型识别人脸口罩的mAP为89.5%,FPS为158.7帧/s,参数量和GFLOPS分别为2.38 M和4.5 GFLOPS。与YOLOv5s相比,虽然检测精度略有下降,但检测速度提升了39.7%,模型参数量减少了67.3%,模型运算量减少了73.8%。结论:提出的方法在提高检测速度、减少参数量和计算量、保障检测精度方面表现良好,适合部署在边缘和移动端设备上进行人脸口罩识别。

基于YOLOv5的钢材表面缺陷检测算法

针对目前钢材表面缺陷检测方法存在检测精度不高,易出现误检、漏检等问题,提出一种改进YOLOv5的钢材表面缺陷检测算法。在主干网络中引入坐标注意力(Coordinate Attention,CA)机制模块,提升模型关注钢材表面缺陷的能力,使用GhostBottleneck结构与主干网络中的部分卷积模块和C3模块进行替换,构建轻量化模型;在Neck层采用双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)结构来提升检测效果;增加一个目标检测层来解决数据集中部分缺陷占比较大的问题。实验结果表明,改进的YOLOv5s-GCBD(GhostBottleneck-CA-BiFPN-Anchor)算法在NEU-DET数据集上的平均精度均值(mean Average Precision,mAP)达到80.2%,较原YOLOv5s算法提高了3.5%。相比传统的钢材表面缺陷检测方法,提出的算法实现了更精准的钢材表面缺陷检测。

基于改进YOLOv5的牧群检测方法

在农牧业生产和生态环境监测领域,精确识别牧群对于管理和监测工作至关重要。然而,传统的牧群目标检测方法存在着检测精度低和效率低等问题。针对这些问题,提出了一种改进的YOLOv5牧群(以羊和牛为检测对象)识别算法。首先,在网络中嵌入SA注意力机制模块,通过组卷积来减少计算负担,同时采用Channel Shuffle操作来促进不同组之间的信息交流。其次,引入CoordConv卷积,有助于优化神经网络在包含坐标信息的任务中的表现,同时提升精度和召回率。最后,用EIOU损失函数替代原模型中的CIOU,在提高模型收敛速度的同时获得更好的定位效果。经过实验证明,优化后的模型在自行制作的数据集上的平均精度达到了92.3%,相较于原始YOLOv5模型提升了1.4%。改进后的模型在检测精度和速度方面都有明显提升,可以快速而准确地进行牧群的检测和识别。

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YOLOv5s的绝缘子缺陷检测方法

绝缘子在高压和超高压架空输电线路中的安全运行至关重要,因此对绝缘子图像的准确识别显得尤为关键。为了提高绝缘子缺陷检测的精度,提出了一种基于改进YOLOv5s模型的绝缘子缺陷检测方法。通过引入scSE注意力机制,以实现通道和空间方面的校准,强化了该模型在对绝缘子缺陷的辨识能力,从而进一步提高对绝缘子图像识别的精度,特别是在遮挡和相似目标干扰的情况下表现更为出色;在此基础上增加了Mosaic数据增强处理,为模型的训练提供更多数据,使模型在多场景下表现优异。经实验证实,该算法准确率达到了92.8%,召回率达到97.5%,mAP达到了98.8%,其检测精度明显优于其他模型,并在复杂场景下展现了出色的鲁棒性,为绝缘子检修工作提供了新的思路。

基于YOLOv5模型的驾驶疲劳研究

打哈欠是判定驾驶员疲劳状态的关键因素,考虑到驾驶疲劳检测易受驾驶员自身条件和外部环境的干扰,以及实时性差等情况研究了驾驶员的打哈欠问题,提出了一种利用YOLOv5网络模型进行疲劳检测的方法。首先通过LabelImg对处理过的YawDD开源数据集进行标注,再经过深度学习模型对样本进行多次迭代训练得到最优权重数据,最后将其用于测试集上进行测试。检测结果表明,样本平均识别准确率可达98%以上,所建模型具有高精度检测打哈欠行为的能力。

基于改进YOLOv5的Logo检测算法

针对Logo图像背景复杂、Logo目标尺寸多变的问题,提出了一种基于YOLOv5的改进检测算法。首先,结合CBAM(Channel Block Attention Module),分别在图像通道与空间方向进行压缩,提取图像的关键信息与重要区域;然后,使用可变空洞卷积(SAC)使网络在不同尺度下自适应地调整特征图中的感受野大小,以捕获不同尺度下的物体信息,改善网络对多尺度目标的检测效果;最后,将归一化Wasserstein距离(NWD)嵌入损失函数,将边界框建模成2D的高斯分布,计算对应的高斯分布之间的相似度,更好地度量目标之间的相似性,提高对小目标的检测性能与模型鲁棒性和稳定性。实验结果表明,在数据量较小的数据集FlickrLogos-32中,改进后算法的平均精度均值(mAP@0.5)达到90.6%,比原始YOLOv5算法提升了1个百分点;在数据量较大的数据集QMULOpenLogo中,改进后算法的mAP@0.5达到62.7%,比原始YOLOv5算法提升了2.3个百分点;在针对特定类型的Logo检测集LogoDet3K中,针对3类商标改进后算法比原始算法的mAP@0.5分别提升了1.2、1.4与1.4个百分点,说明它有更好的Logo图像小目标检测能力。