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。

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。

基于轻量化YOLOv5的电气设备外部缺陷检测

为了提高变电站电气设备外部缺陷实时检测的精度,同时让检测模型更加轻量化,提出了一种基于轻量化YOLOv5的电气设备外部缺陷检测方法。首先,构建电气设备外部缺陷图像数据集并进行数据增强处理。其次,采用3种优化策略对原YOLOv5进行改进:通过引入EfficientViT网络改进算法主干网络,减少模型参数量,并在算法Neck部分中加入SimAM无参数注意力机制来提高变电站复杂背景下的识别精度,同时采用Soft-NMS模块来改进检测框筛选方式,避免出现缺陷漏检现象。最后,通过消融实验进行验证。结果表明:轻量化后的电气设备外部缺陷检测模型mAP值稳定在86.4%,与原模型相比提高了1.2百分点,模型参数量减少了20%,计算量减少了38%,模型大小为11 MB,比原模型减少了19.7%。改进后的模型能够满足设备外部缺陷实时检测的要求,可以实现模型的轻量化部署。

基于改进YOLOv5的交通标志识别方法

交通标志检测是自动驾驶领域重要的环节,针对当前交通标志的识别存在漏检、误检、模型参数多,以及常见且复杂的代表性真实环境情况,如雾天鲁棒性差的问题,提出一种改进YOLOv5的小目标交通标志识别算法。首先对数据集进行雾化操作以适应在雾天情况下的准确识别,使用更加轻量的部分卷积(partial convolution,PConv)构建PC3特征提取模块;随后在颈部网络中提出延伸的特征金字塔(extended feature pyramid network,EFPN),为小目标添加一个小目标检测头,同时删去原始颈部网络中针对大目标的检测头,提高小目标识别准确率的同时降低网络参数;最后引入Focal-EIOU替换CIOU作为损失函数,以此来解决小目标的误检和漏检问题,嵌入CBAM注意力机制,提升网络模型的特征提取能力。改进的模型性能在TT100K数据集上得到验证,与原YOLOv5算法相比,改进模型在精确率(P)、mAP0.5上分别提高了8.9%、4.4%,参数量降低了44.4%,在NVIDIA 3080设备上FPS值为151.5,可满足真实场景中交通标志的实时检测。

一种轻量级YOLOv5S农作物虫害目标检测模型

[目的]本文提出一种轻量级YOLOv5S农作物虫害目标检测模型以解决在样本数量不足的情况下农作物虫害识别的问题。[方法]利用Ghost技术将2个Ghost Bottle Block线性特征提取模块封装为1个GB模块,代替YOLOv5S中前7个CBL、CSP、SPP非线性特征提取模块,从而约简了YOLOv5S的网络参数,减轻了网络体量。[结果]在保证虫害检测效果的前提下降低网络对计算硬件与训练样本的依赖。为了验证模型的有效性,对水稻、玉米、棉花、马铃薯、苜蓿5种农作物的12类虫害进行识别与定位,多类别平均精度(mAP)为91.31%,比YOLOv5S模型高出2.56百分点。[结论]通过与SSD、Faster-RCNN、YOLOv5S模型对比发现,本文提出的模型在mAP、F1-score、精确率(Precision)、召回率(Recall)4个评价指标均占优势,尤其在小目标、密集目标、与背景相似目标的检测方面表现突出。

基于BN-YOLOv5的轻量级齿轮表面缺陷检测方法

齿轮表面的缺陷检测是齿轮生产制造过程中相当重要的工序。为了提高齿轮表面缺陷检测的精度,提出了一种基于改进YOLOv5的算法检测模型BN-YOLOv5。首先,将加权双向特征金字塔网络结构嵌入到颈部网络结构中,强化了网络对不同特征的提取能力;其次,引入轻量级的基于标准化的注意力模块(Normalization-based Attention Module,NAM),将其与加权双向特征金字塔网络结构相结合,以更加有效地融合高层与低层的特征信息;最后,采用深度可分离卷积模块替换网络结构中所有的卷积层,使网络模型更加轻量化。实验结果显示,改进后的算法模型平均精度均值可达到98.5%,检测速度达到66 FPS/s,模型大小为9.69 MB,有效降低了模型的占用内存,可满足在小型移动设备上实时检测齿轮表面缺陷的任务要求。

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YOLOv5s的轻量化红外图像行人目标检测研究

基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。

基于机器视觉和改进YOLOv5s的鲫病害轻量级无损检测模型

以鲫(Carassius auratus)常见病害为例,从实际生产角度出发,提出了一种基于机器视觉和改进YOLOv5s的鲫病害轻量级无损检测模型,可实现鲫鱼体多种病害的同步无损快速检测。首先,通过利用Shuf-fleNetV2替换YOLOv5s主干网络,对模型进行轻量化改进;在此基础上,耦合一种基于卷积块的注意力机制[Convolutional block attention module(CBAM)]提高模型精准度;最后,结合空洞空间卷积池化金字塔[Atrous spatial pyramid pooling(ASPP)]提升模型鲁棒性。通过在自制鲫病害数据集上测试可知,文章所提出模型病害检测精确率可达92.0%,模型体积仅为14400 kb,优于当前相关主流模型(最高精确率为83.6%,最小体积为15750 kb),为水产养殖鱼类病害无损快速检测提供了技术支撑。

基于改进YOLOv5s的轻量化安全帽佩戴检测算法

针对基于神经网络的安全帽检测工作场景模型部署嵌入式设备困难的问题,提出了一种基于改进YOLOv5s的轻量化目标检测算法。首先将YOLOv5s的主干网络替换为轻量化网络MobilenetV3,降低模型的参数量和计算量,保留模型的SPPF模块以提高模型对不同尺寸目标的检测能力;其次,在模型的Neck和Head之间添加注意力机制,以更好地捕获图像中的目标信息,提高精确度和鲁棒性;最后,将模型损失函数替换为EIoU,加速模型收敛,提高模型检测精度。通过自建安全帽数据集对所提模型进行了训练和验证,实验结果表明,相较于原模型,检测精确度提升了1.2%,参数量降低了39.4%、计算量降低了56.3%,模型体积压缩了38.6%,为基于改进YOLOv5s的安全帽识别算法在嵌入式设备上部署提供了一种有效的方法。

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的黑色素瘤图像自动诊断

为解决现有黑色素瘤智能诊断模型中存在的对毛发遮挡目标识别精度不足、样本不均以及轻量化程度不够的问题,提出一种改进的YOLOv5模型。首先,基于改进的C3结构和自注意力机制设计CS_Neck结构,从而有效区分黑色素瘤和毛发的相关特征;其次,提出一种二次筛选难样本挖掘方法,利用焦点损失函数降低简单样本权重,引入损失秩排序(loss rank mining,LRM)思想降低简单样本数量;最后,设计轻量级骨干网络,提出使用改进的RepVGG结构替换普通卷积提取特征,提高推理速度,并引入宽度乘子降低参数量和权重,实现模型轻量化。基于ISIC2019数据集的实验结果表明,所提算法的权重和参数量仅为7.9 MB和4.0×10^(6),精度达到92.9%。所提算法有效提升了精度且实现了轻量化,可以满足高效诊断黑色素瘤的要求。

一种改进的YOLOv5电动车头盔佩戴检测方法

利用深度学习算法检测非机动车交通违法行为有助于加快我国交通智能化发展,保障交通安全。为此,设计一种基于改进YOLOv5算法的电动车骑手头盔佩戴自动检测方法。该方法在YOLOv5算法的基础上利用Inception卷积减少特征提取网络参数量,引入注意力机制优化目标检测结果。在自建电动车头盔数据集QCKJ-MH上的实验结果表明,该方法的识别精度均值达96.4%,检测速度达82FPS,模型大小为12.9 MB,能够精准、快速地对电动车骑手头盔佩戴情况进行识别。

安全帽与反光衣的轻量化检测:改进YOLOv5s的算法

安全帽与反光衣检测对生产与交通环境的安全管理具有重要意义。针对目前安全帽和反光衣检测算法参数量大、计算量大和模型体积较大等问题,提出了一种基于YOLOv5s轻量化改进的检测算法。引入GhostNet网络结构中的Ghost模块代替原有的部分卷积与C3模块,大大降低了模型的复杂度。在主干网中增加CA注意力机制,抑制无效信息,增强对特征丰富区域的提取。用C3CBAM代替neck层的C3模块,既减少参数量,又提高了检测精度。实验结果表明,改进模型的mAP(平均精度)为93.6%,参数量为4.28×10^(6),计算量为9.2 GFLOPs,模型大小为8.58 MB。与YOLOv5模型相比较参数量减少了39%,计算量减少了41.7%,模型大小降低37.3%。该检测算法既保证了检测的识别准确率,又实现了检测算法的轻量化。

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YOLOv5的柑橘目标识别研究

文章针对现有的柑橘目标识别存在准确率不高,以及深度学习模型参数量和浮点计算量大的问题,提出基于YOLOv5算法进行三个方面的改进,一是引入轻量化网络Mobilenetv3、ShufflenetV2、Ghost等对YOLOv5的Backbone模块进行改进,二是针对Neck网络的C3部分融入注意力机制进行改进,三是使用Ghost Conv模块来改进Neck网络的Conv模块。最终改进的算法在模型参数和浮点计算量方面均下降为原来的1/7左右,经过优化参数训练后,该模型在测试集上的mAP@0.5达到了0.957。

改进YOLOv5s的室内喷涂机器人的窗户检测算法

室内窗户检测对喷涂机器人实现自动化喷涂作业有着重要意义。现有的窗户检测模型受光照环境影响较大,且无法识别局部窗户图像,参数量多、计算量大,难以部署在算力有限的喷涂机器人上。针对以上问题,本文提出一种改进YOLOv5s网络的轻量级室内窗户检测算法,在YOLOv5s网络的基础上引入PP-LCNet和GhostNetv2两个轻量级网络,降低模型的参数量和计算量,提升模型的实时检测速度;再将基于Transformer编码的C3TR模块添加到主干网络,增强模型的特征提取能力,并使用SIoU损失函数加快网络的收敛速度,保留有利特征。实验结果表明,本文改进的算法相较于原算法参数量降低了77.7%,权重文件减小了75.7%,检测速度提高了77.8%,平均精度均值提升了2.9%。

基于YOLOv5改进的雾天行人与车辆检测算法

由于在恶劣天气下汽车对环境的感知能力差,且对动态目标的检测能力有极大的影响,使得基于深度学习的目标检测网络在雾天行人车辆检测中出现精度低、鲁棒性差等问题。本文提出一种基于DehazeNet去雾算法与改进YOLOv5算法相结合的雾天检测方法—YOLOv5-SGE检测网络。通过取消初始锚框,实现锚框自适应计算,生成适合当前数据集的锚框;在特征提取模块加入三维权重注意力机制,使网络可以快速捕捉到感兴趣区域,抑制无用信息;使用轻量级卷积GSConv代替融合模块的标准卷积,弥补语义信息损失,减轻模型的复杂度;使用EIoU损失函数替换YOLOv5网络原损失函数CIoU,加快网络收敛速度。实验结果表明:所提算法具有较高的检测精度,mAP达到84%,验证了算法的有效性。

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。

基于轻量化YOLOv5的新型菜品识别网络

为了更好地满足中餐菜品识别对准确性和时效性的应用需求,设计一种新型的菜品识别网络。在原YOLOv5模型的基础上,结合Supermask方法与结构化通道剪枝对模型进行剪枝操作,并利用Int8量化技术最终实现对模型的轻量化处理,保证模型在菜品识别中兼顾准确率和速度,同时提高模型的可移植性。实验结果表明,所提模型在交并比(IoU)为0.5时,平均精度均值(mAP)达到99.00%,平均每帧识别时间达到59.54 ms,相较于原始YOLOv5降低了20 ms,且准确率基本保持一致。此外,利用Qt软件将新型菜品识别网络移植到瑞萨RZ/G2L开发板,构建智能出餐系统,可实现点餐、生成订单、自动出餐全流程,为未来真正的餐厅智能出餐系统的构建应用提供了理论与实践基础。