基于改进YOLOv5的红花目标检测算法研究

为实现农业非结构环境下采摘机器人对红花的准确识别,提出了一种基于改进YOLOv5的红花目标检测算法。将CBAM注意力机制嵌入到YOLOv5网络,提高了小尺寸目标物在高层次特征中的表现力;建立一种Alpha-IoU目标位置损失函数对原损失函数GIOU存在的梯度消失问题进行改进,提高了被遮挡红花的预测率,并通过在目标检测网络中增加分割检测模块,提高宽和高小于最低像素的小目标物检测精度,利用图像扩增数据集对改进后的YOLOv5算法进行训练,再分别与改进前后YOLOv5网络和Faster R-CNN网络在不同红花品种、不同自然光照情况、不同天气条件和不同遮挡情况下进行对比。试验结果表明:改进后的YOLOv5算法P值、R值分别为90.45%和0.90,对非结构环境下盛开期的未采摘红花mAP值达到94.48%,在不同影响因素下都可以准确识别出红花且置信度较高,可为红花采摘机器人自动化作业中的红花识别提供技术支持。

改进YOLOv5的钢材表面缺陷检测网络轻量化研究

在YOLOv5模型的基础上设计了一种改进的轻量化网络,能够快速准确地实现钢材表面缺陷检测。首先,使用基于梯度路径设计的ELAN结构,通过提高网络的学习能力来提高检测精度;其次,引入深度可分离卷积和Ghostv2模块减少模型体积和参数量;最后,利用SIOU边界框损失函数训练模型,使模型能够快速收敛并且精确回归。在NEU-DET上的实验结果表明,改进后的模型mAP值提升到77.0%,相较于原模型提高了5.3%,模型体积减少了42.1%,参数量减少了43.4%,检测速度也快了0.4 ms,实现了模型轻量化效果和检测精度的平衡,为后续在硬件终端上部署提供了一种可行方案。

YOLOv5-M3:基于轻量级网络的车辆检测模型

针对车辆检测模型参数量大,多尺度车辆目标检测困难、重叠目标、小目标和遮挡目标容易漏检的问题.提出了一种轻量化的YOLOv5-MobileNetv3检测算法.首先,利用k-means算法来提高锚框维数聚类的效果和检测速度.其次,将YOLOv5的原始骨干网络CSPDarknet53替换为MobileNetv3进行特征提取.再次,在检测网络中,用CIOU损失函数代替GIOU损失函数,快速准确地定位图像目标区域,生成边界框,预测目标类别.使用交叉熵损失函数(cross entropy loss)作为分类损失函数.最后利用k-means算法来提高锚框维数聚类的效果和检测速度.结果表明,与YOLOv5网络相比,改进后的YOLOv5-M3检测准确率提高了5.0%,模型参数数量减少了46%,训练时间减少44.9%.改进后的YOLOv5-M3网络更小、训练时间更短、更准确地识别出目标,提高了自动驾驶系统中车辆和行人的目标检测的准确性,也为实现智能交通系统提供了一种选择.

基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。

基于改进的YOLOv5网络的舌象检测算法

针对目前舌象检测模型在自然状态下对舌象检测存在的误检和漏检的问题,以收集的舌象为研究对象,提出了一种基于YOLOv5的自然状态下的舌象检测算法。首先,将原有的SiLU激活函数替换为ReLu激活函数,减少指数运算,加速舌象检测网络收敛;然后,利用Ghost轻量化模块技术,大幅降低舌象检测网络的参数量;最后,将SimAm注意力机制融入特征提取网络获取舌象特征,从多维度融合舌象特征,降低自然环境对舌象特征提取的影响。得到一个轻量化的舌象检测模型,在自制的数据集上分析可知:轻量化检测模型参数量达到7.8 MB,检测的精度达到96.6%,同时每秒处理帧数高达86帧,更适合自然状态下舌象的采集工作。实验结果表明,改进的舌象检测网络在自制舌象数据集上,相比于其它常用检测算法,性能指标上均有不同程度提升,对舌象的检测效果更好。

基于ECA-YOLOv5s的煤矿带式输送机异物检测网络模型

带式输送机是矿山重要的运输设备,但在运输过程中煤流容易混入锚杆、矸石、槽钢等异物,影响矿山安全高效生产。为实现实时、准确的煤矿带式输送机异物检测功能,基于YOLOv5s算法与通道注意力模块,构建出一种融合通道信息的改进ECA-YOLOv5s检测网络模型。该检测网络模型针对矿山煤粉尘干扰、光照昏暗不均的问题,引入暗通道先验算法对图像进行预处理,降低粉尘干扰,提高图像清晰度;其次为解决因矿山环境复杂,异物目标提取度有限的问题,在YOLOv5s算法的主干网络部分添加了3层ECA(Efficient Channel Attention)通道注意力模块,以增强检测网络对异物目标的提取能力;最后,将YOLOv5s算法中原损失函数GIoU替换为EIoU,以提升检测网络的检测精度和检测速度。利用矿山带式输送机监控视频制备训练、测试数据集。在带式输送机异物数据集上进行迭代训练测试,得到该检测网络精确率为95.8%,召回率为88.7%,平均精确率均值为75.4%,检测速率为39帧/s,模型体积为7.49MB。分别对该网络进行消融试验对比、不同注意力机制性能试验对比及不同检测算法试验对比,结果表明,ECA-YOLOv5s检测网络在带式输送机异物检测方面有着显著优势,可以满足快速、准确检测出带式输送机异物的要求。

基于轻量化YOLOv5网络的输电线路绝缘子缺陷检测

输电线路绝缘子是电力系统的重要部件,近年来,随着人工智能技术的日益发展,基于无人机智能巡检技术的绝缘子缺陷检测已成为电力设备检测中的研究热点。针对无人机在线巡检的实时性要求高、计算资源有限等问题,提出了两种YOLOv5的轻量化改进方案,将经典YOLOv5分别结合轻量级卷积神经网络MobileNetV3和GhostNet的优点。实验结果表明,改进后的模型在保证检测精度的基础上,有效缩减了模型计算量,降低了算法的复杂度。YOLOv5-MobileNetV3模型计算量降低了85.4%,检测精度略有下降;YOLOv5-GhostNet模型计算量降低了49.4%,且保持了高检测精度。因此,所提模型更有利于在无人机平台上的部署,实现了对输电线路绝缘子缺陷的实时检测。

基于改进YOLOv5的乒乓球轻量化网络检测模型

球类运动是传统体育竞技中受关注度最高的一类运动,球类的目标检测可以用于提高体育比赛的分析、监控系统的安全性以及虚拟现实体验的真实感。YOLOv5作为优秀的单阶段检测算法,因其平台移植方便与检测步骤简易,是计算机视觉领域近年来使用频率最高的目标检测算法之一。但是YOLOv5模型参数量较大,为了减少参数量以便更快地移植到其他平台上,文章提出一种轻量化的改进YOLOv5算法,该算法以YOLOv5s为基础模型,通过将主干网络替换为改进的MobileNetv3、在颈部引入CBAM注意力机制并改进C3模块等方法,减少计算量并提升精度。对训练完成后的改进模型进行验证,实验结果表明改进后的检测算法参数量大致下降了65%,平均精度提升了0.5%,满足乒乓球实际应用场景的精度要求和实时性。

基于改进YOLOv5s网络的斜拉桥拉索表面缺陷检测

针对人工检测斜拉桥拉索表面缺陷效率低、安全性差,而现有目标检测方法速度慢、精度低,受拉索表面污垢干扰容易导致错检、漏检等问题,本文改进YOLOv5s网络以实现拉索表面缺陷快速准确检测。在主干网络增加TRANS模块,获取单幅图像更多特征,提高缺陷检测精度;为减少参数量、提高计算速度,将颈部网络的CSP模块替换为GhostBottleneck模块,同时利用深度可分离卷积代替普通卷积;利用SIOU损失函数减少边界框震荡,提高预测框和真实框重叠度计算结果准确性,增加模型稳定性。实验结果表明:改进YOLOv5s网络的mAP和FPS分别达到94.26%和68 f/s,优于Faster-RCNN、YOLOv4和常规YOLOv5等网络,满足斜拉桥拉索表面缺陷检测精度和实时性要求。

基于改进YOLOv5网络模型的夜间车辆检测研究

为解决夜间场景下视频监控目标检测在实际应用时准确率不高这一问题,提出改进的YOLOv5算法。首先,建立了真实夜间场景目标的数据集,该数据集有2000张图像,分为了机动车、非机动车和车牌三个类别,以8∶2的比例均匀随机分为训练集和测试集,将夜间目标的图像放入改进的YOLOv5模型中训练,最终达到在夜间检测目标的目的;改进的YOLOv5利用了K-means++聚类算法生成自适应锚框,提高对夜间目标样本的聚类效率。其次,将改进的CBAM注意力机制与特征提取网络进行融合以获取夜间目标的重要特征。最后,将Bottleneck替换成GSBottleneck模块,利用GSConv轻量化的优势减少网络模型的计算量与参数量。结果表明,通过原YOLOv5网络模型算法训练后得到的mAP值为86.69%,改进后的YOLOv5网络模型算法训练后得到的mAP值为91.98%,三种被检测类别:机动车、非机动车和车牌的检测准确精度与原版算法相比分别提升了2.00、6.66、7.19个百分点,改进的YOLOv5网络模型可以为夜间场景下车辆特征的检测提供较好的技术支持。

基于改进YOLOv5网络的行人目标检测方法

目标检测指对图像内的物体类型进行识别并且定位。一阶段目标检测算法从深层网络输出的特征图中获得分类信息与目标位置信息,然而深层特征由于经过长距离卷积与下采样处理而缺乏空间信息。针对该问题,参考语义分割的思想,通过将骨干网络中的浅层特征与上采样得到的深层特征结合的方法,对一阶段目标检测YOLOv5算法进行改进,利用骨干网络ResNet-50可以对特征图信息进行有效提取。在残差块中引入注意机制,对浅层特征提取阶段进行有效选择对象信息,并且可以将更多的权重分配给小的和弱的对象,以改善特征表达准确探测小物体的能力。另外,根据行人检测的数据特点,对预选框的生成方式和损失函数进行改进。采用INRIA和Caltech这2个数据集进行实验,结果表明,提出的改进模型在检测效果与检索速度方面均有所提升。

基于CW-YOLOv5网络的大坝裂缝检测研究

为准确、高效地对大坝裂缝进行检测,文章提出一种基于改进YOLOv5的大坝裂缝检测网络CW-YOLOv5。该网络将坐标注意力机制(CA)引入C3模块,使用WIoU替换CIoU损失函数,同时采用K-means算法对数据集进行重新聚类,以提升检测性能。试验结果表明,CW-YOLOv5网络的准确率、mAP 0.5和mAP 0.5~0.95比原YOLOv5网络分别提高了11.4%、6.5%和10.8%,并且性能优于Faster R-CNN、YOLOX和YOLOv7网络,说明该网络更适用于大坝裂缝检测,具有较大的应用价值。

基于改进YOLOv5算法和ResNet50网络的行人检测与识别系统

行人检测与识别技术在交通管理、智能监控等领域具有重要的应用价值。针对现有行人检测与识别存在的检测精度低、识别困难等问题,提出了一种融合SE注意力模块的YOLOv5算法和ResNet50网络的行人检测与识别系统。在Backbone网络中引入SE注意力模块,以捕获更加丰富的特征信息,从而提升模型的检测精度;采用ResNet50网络对裁剪图片进行识别检索。实验结果表明,该算法的检测精度较高,能够识别复杂场景下的行人,基本满足不同场景下的行人检测与识别要求。

基于融合MBAM与YOLOv5的PCB缺陷检测方法

随着电子信息产业迅速发展,PCB行业作为电子信息产业的基础,其产品质量对后续生产的电子产品有着决定性影响。针对PCB缺陷目标较小,缺陷类型多,特征不明显,在实际生产过程中易产生误检、漏检等问题,提出了一种多分支注意力MBAM模块方法,在3个不同维度对特征图进行关注,以增强特征提取的能力,对缺陷区域给予更多的注意力表示。通过改进YOLOv5结构,将MBAM与YOLOv5网络结合,有效的提升了对PCB中小目标的检测性能。最后通过在网络不同位置添加MBAM模块进行对比实验,选取了最佳的添加位置。通过在PCB缺陷数据集上的实验结果表明,改进后的PCB缺陷检测算法具有良好的检测性能,优于其他对比算法,最终的AP达到了96.7%,对比标准YOLOv5的94.7%提高了2个百分点,其他项指标均有涨点,在保持检测速度基本不变的情况下,精准地识别PCB缺陷类型。

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.

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。

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YOLOv5s的不同成熟度苹果目标检测方法

[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer block),用于不同成熟度苹果检测。首先改进YOLOv5s的多尺度目标检测层,在Prediction中构建检测160×160特征图的检测头,提高小尺寸的不同成熟度苹果的检测精度;其次在Backbone结构中融合Swin Transformer Block,加强同级成熟度的苹果纹理特征融合,弱化纹理特征分布差异带来的消极影响,提高模型泛化能力;最后将Neck结构的Conv模块替换为动态卷积模块ODConv,细化局部特征映射,实现局部苹果细粒度特征的充分提取。基于不同成熟度苹果数据集进行试验,验证改进模型的性能。[结果]改进模型SODSTR-YOLOv5s检测的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%,高、中、低成熟度苹果平均精度均值分别为94.1%、93.1%、93.7%,平均检测时间为16 ms,参数量为7.34 M。相比于YOLOv5s模型,改进模型SODSTR-YOLOv5s精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%,参数量和平均检测时间分别增加了0.32 M和5 ms。[结论]改进模型SODSTR-YOLOv5s提升了在自然环境下对不同成熟度苹果的检测能力,能较好地满足实际采摘苹果的检测要求。

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。