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。

YOLOv5模型的火车车厢目标识别技术研究

在火车运行过程中,可通过智能化程序完成车厢目标识别,准确定位车厢位置,避免出现差错,保证火车正常运行。本研究主要探讨基于YOLOv5模型的应用原理与特点,分析YOLOv5模型在火车车厢目标识别技术的应用要点,完成深度学习与数据集训练,借助数据集识别火车车厢目标。经过研究,以YOLOv5模型的火车车厢目标识别系统识别准确率在99%以上,满足火车运行中的车厢识别需求,为类似识别系统研究提供参考。

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。

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。

融入全局相应归一化注意力机制的YOLOv5农作物害虫识别模型

针对YOLOv5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的YOLOv5农作物害虫识别模型(YOLOv5-GRNS)。设计了融入GRN注意力机制的编码器(convolution three,C3)模块,提高对密集目标的识别精度;利用形状交并比(shape intersection over union,SIoU)损失函数提高模型收敛速度和识别精度;在公开数据集IP102(insect pests 102)的基础上,筛选出危害陕西省主要农作物的8种害虫类型,构建了新数据集IP8-CW(insect pests eight for corn and wheat)。改进后的模型在新IP8-CW和完整的IP102两种数据集上进行了全面验证。对于IP8-CW,全类别平均准确率(mean average precision,mAP)mAP@.5和mAP@.5:.95分别达到了72.3%和47.0%。该研究还对YOLOv5-GRNS模型进行了类激活图分析,不仅从识别精度,而且从可解释性的角度,验证了对农作物害虫、尤其是密集目标的优秀识别效果。此外,模型还兼具参数量少、运算量低的优势,具有良好的嵌入式设备应用前景。

基于YOLOv5目标检测算法的航道工程鱼类智能识别技术研究

为促进深度学习技术在航道工程生态影响评估方面的应用,提高内河航道建设的生态化和智能化水平。文章筛选了36种长江航道工程区域典型鱼类为目标鱼种,采用原位与室内两种场景水下影像采集及人工标注的方法,建立了航道工程鱼类目标检测数据集。进一步利用该数据集基于YOLOv5目标检测算法进行了模型训练,并对训练的模型进行了测试验证。模型测试结果表明,训练数据集的精确率分数为0.933,召回率分数为0.98,平衡点处F1分数为0.89,均接近于1,训练效果较好。训练数据集与验证数据集的标注框损失值、目标损失值和分类损失值均趋近于0,训练和验证数据的拟合程度良好。混淆矩阵图表明不同鱼体之间能够互相区分,且能够预测为各自正确的类别。验证数据集整体mAP值为0.933,召回率分数0.98,F1平衡点处分数0.89,识别效果较好。整体测试结果表明研究形成的基于YOLOv5的目标检测技术对航道工程典型鱼类具有优良的目标检测与识别效果。

基于YOLOv5_4layers的PCB小目标缺陷识别方法

针对PCB表面缺陷分辨率低、小目标性以及多样性等问题,提出了一种基于YOLOv5_4layers的PCB小目标缺陷识别方法。该方法在YOLOv5架构的基础上,通过新增采样层的方式添加小目标检测层,优化特征金字塔模型,提升小目标特征提取性能,实现小目标缺陷识别。在调整合适的锚框规格后,改进后的模型在输入640像素×640像素图像时,相较原模型识别精确率提升了7.5%。在输入736像素×736像素图像时,识别精确率提升了1.3%,有效地提升了对PCB小目标缺陷的识别能力,对提高PCB制造过程的质量控制和产品可靠性具有实际意义。

基于改进YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进:使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。

基于改进Yolov5n的无人机对地面军事目标识别算法

针对目前主流的目标检测算法在真实航拍战场数据背景下识别精度低、误检率与漏检率高等问题,对Yolo目标识别算法进行了研究,提出一种基于改进Yolov5n的轻量化航拍军事目标检测模型;首先,采用ECA注意力机制与主干网络C3模块融合,以解决航拍图像背景复杂且存在相似目标干扰问题;其次,引入归一化高斯瓦萨斯坦距离(NWD)代替CIoU损失函数,提高对模糊小目标的检测识别;最后,采用GSConv轻量化卷积代替标准卷积,减轻模型重量;经过实验测试,改进后的算法模型平均检测精度达到81.5%,提升0.9个百分点,模型大小为3.4 MB,减轻0.4 MB,识别速度为每秒113帧;实验结果表明该模型在轻量化的同时保持着高精度的航拍军事目标检测。

基于改进YOLOv5的军事目标识别方法

针对战场环境下因背景干扰和军事目标尺度较小等原因导致误检、漏检的问题,提出一种基于改进YOLOv5的军事目标识别方法 CB-YOLOv5。利用坐标注意力机制重构特征提取主干网络,增强网络对复杂背景下军事目标的特征提取能力;在特征融合网络中引入BiFPN,减少浅层特征信息的丢失,提高对弱小目标的检测能力。在自建数据集下实验表明,改进后算法mAP达到93.8%,比原模型提升了3.5%,可以有效识别战场环境下多尺度军事目标。

基于改进YOLOv5模型的智能立体车库结构裂缝识别算法研究

针对立体车库中明暗变化显著、目标尺寸差异大等现象导致的裂缝识别准确度不高的问题,提出了一种基于改进YOLOv5网络的识别算法模型。该模型通过优化特征提取层和增加注意力机制,提高了对不同尺寸目标的识别能力,通过改进的特征融合层结构和检测层输出框尺寸,提升了识别精度。在立体车库结构裂缝数据集上的试验验证表明,该网络收敛速度快,在目标识别率和图像识别准确率方面都有所提升,识别精度高达95.4%,实现了立体车库结构裂缝的精准检测和定位,为高速、高精度的结构裂缝检测提供了理论基础,具有工程应用价值。

基于YOLOv5模型的玉米叶片识别方法

玉米叶片是玉米进行光合作用的主要器官,其生理生态的快速检测对玉米的质量和产量起着至关重要的作用。因此,文章提出一种基于YOLOv5模型的玉米叶片识别方法。文章利用Kinect 2.0相机水平获取了玉米植株生长时期的图像数据;利用YOLOv5模型,实现了玉米叶片目标检测,并将其与YOLOv3和YOLOv7进行对比。结果表明:YOLOv5模型的精确度、召回率、F1分数分别达到了94.7%、95.2%和93.4%,其平均精度均值与YOLOv3和YOLOv7相比提高了3.9%、1.4%。该成果为玉米叶片实时检测系统的研发注入了强大动力,同时也在人工智能育种和估产领域展现了不可或缺的技术支撑作用。

基于改进YOLOv5的无人机目标识别方法

据统计资料显示,截至2017年全球已经售出无人机达300万架。无人机具有体积小、成本低、数量大等特点,这也随之引起了一系列的安全问题,对公共安全造成了严重威胁。传统的对无人机的识别方法主要有雷达探测、声波探测等。在分析了传统识别方法的劣势后,提出了基于改进YOLOv5的无人机识别方法,在原始YOLOv5模型的基础上添加CBAM注意力机制,以增强目标特征提取的能力,增强网络模型性能。并可引入DeepSORT跟踪算法,为无人机的跟踪提供检测响应。经过测试集测试,改进后的模型较原始模型的精确度提升了5.24%,基本满足识别要求。

基于YOLOv5的对大麻雄蕊的目标识别研究

针对目前大规模生产环境下大麻去雄操作复杂度高,需要依靠人工经验判断所产生的成本过高和易产生误差等问题,本文通过使用目标检测算法YOLOv5进行目标检测。对采集的数据通过重复训练得出阶段性结果,并进行调整和优化,之后对训练的模型进行测试,模型的测试结果F1分数、准确率、召回率、平均精度分别为66.66%、84.2%、89%、70%,本模型的检测效果较好,为大麻的监测和管理提供了支持。

基于改进YOLOv5的SAR图像飞机目标细粒度识别

针对合成孔径雷达(synthetic aperture radar,SAR)图像飞机目标细粒度识别中的小目标和多尺度检测问题,提出了一种基于YOLOv5的改进SAR图像飞机目标识别算法。该方法首先对网络进行重构,加入小目标检测层,改善小目标的漏检问题,提高目标定位精度。其次,在颈部网络中引入极化自注意力机制(polarized self attention,PSA),并使用双边特征金字塔结构(bi-directional feature pyramid network,BiFPN)进行多层特征带权融合,提高对飞机目标散射信息的关注度和滤除干扰信息。最后,使用SIoU(SCYLLA intersection over union)作为网络损失函数提高网络收敛速度和检测精度。利用SARAIRcraft-1.0数据集进行了算法有效性试验研究,实验结果表明,算法有效提升了飞机目标的检测精度,精确率、召回率、平均精度均值分别达到92.6%、84.1%、90.1%。

基于改进YOLOv5的车辆红外图像多目标识别方法

城乡结合部的建设是城市建设中重要的一环,由于难以布设有效的检测设备,该区域车辆目标的夜间监管一直是城市管理的难题;基于无人机平台红外夜视图像多运动目标检测为解决这一难题提供了智能化路径:一种基于改进YOLOv5的红外夜视条件下多运动目标识别方法,分析了交通对象特征、车辆停放对道路红外辐射影响等,引入了CBAM注意力机制,以提取和融合空间和通道信息,增强了网络对目标的表达能力;综合Efficient IOU Loss和Focal Loss的优点,使用EIoU-Focal Loss损失函数替换了CIoU Loss函数,解决了样本不平衡、红外图像的低分辨率、噪声干扰大以及目标与背景对比度低等弊端,提高了检测的准确性;通过加入DCN动态调整卷积核的形状,适应图像中目标的形变,降低因形状不规则、变化较多造成的识别影响;在公开数据集上对改进网络与经典网络进行实验和数据比较,结果表明:综合改进后的网络对于多目标的识别,在YOLOv5x网络较高的识别结果基础上,精度提升3.9%,召回率提升4.1%,F_(1)增加4.4%。

基于YOLOv5模型的肉鸽识别技术研究

饲料浪费是肉鸽养殖中最严重的问题之一。肉鸽由于食道短的生理特性,使其进食具有少食多餐的特点,饲养人员依据该特点频繁投喂的过程,也造成了浪费率较高的问题。随着深度学习在目标识别领域应用的发展,使用深度学习的肉鸽识别模型进行肉鸽数量识别并辅助机器投喂饲料将成为未来发展趋势。本文使用YOLOv5模型训练模型,在自制的肉鸽数据集上,该模型在养殖基地测试达到90.37%的准确率,可以有效解决肉鸽数量识别的问题,以便于后续辅助自动化饲料投喂,降低饲料浪费率的目标。

轻量YOLOv5在RDK_X3上的实时目标识别

本文研究探讨轻量化YOLOv5模型在RDK_X3嵌入式平台上的实时目标识别应用。通过对YOLOv5模型进行剪枝和量化,实现模型的轻量化,并在RDK_X3上部署运行。研究比较Ubuntu和Windows系统环境下的部署差异,分析板载应用中的计算量和计算速度数据。采用单目相机进行数据采集,对比单目与双目方案的优劣。实验结果表明,轻量化YOLOv5在RDK_X3上能够实现实时目标识别,在资源受限的嵌入式平台上展现出良好的性能和应用前景。

基于CA-YOLOv5s的水下目标识别方法研究

水下目标物的准确识别是保障通航安全的一项重要工作,针对现有算法对水下多类别目标存在识别精度不高的问题,本文在YOLOv5s(You Only Look Once v5s)的基础上提出对其进行改进。首先,为平衡样本间的数量,通过利用几何变化操作模拟现实发生的情况对数量较少的样本进行扩充;其次,将YOLOv5s中传统损失函数CIoU惩罚项中的反正切函数改为Sigmoid函数,加快目标识别模型的收敛速度;最后,融合坐标注意力机制(Coordinate Attention,CA),融合后的模型能衡量每个通道信息的重要性,在关注目标位置信息的同时也不增加过多的计算量。试验结果表明:本文所提出的改进的YOLOv5s较改进前在准确率上提升了4.97%,在召回率上提高了6.20%,在类平均精度上提升了4.98%,证明本文改进的方法在工程应用上的价值。