基于YOLOv5s的筐装禽蛋上料机器人视觉定位方法

针对国内禽蛋制品加工过程中,散装蛋水中上料时筐装蛋搬运自动化程度低的问题,设计一种自动上料机器人的视觉定位方案。该方案采用YOLOv5s和图像处理相结合的方法,在复杂环境中对散装禽蛋筐进行定位识别。建立最佳分割阈值T与图像平均灰度值M之间的关系模型,使用动态阈值分割法对图像中的堆垛整体进行分割,通过堆垛最小外接矩形的长宽比区分2种筐装禽蛋堆垛类型,堆垛类型识别准确率为100%。使用YOLOv5s对堆垛顶层的单个蛋筐进行定位识别,模型识别精确率为98.48%,检测单幅图片用时为0.0054 s。根据YOLOv5s输出的定位结果对图片进行裁剪,通过图像分割将蛋筐边框分割出来并用Canny算子检测其边缘信息,计算所有蛋筐旋转角度,平均角度误差为0.41°。结合蛋筐高度得出筐装禽蛋堆垛中所有蛋筐的位姿信息。结果表明,基于YOLOv5s和图像处理的筐装禽蛋定位方法可以准确识别出筐装禽蛋堆垛中所有蛋筐的位姿信息,该系统具有较好的鲁棒性和可行性。

基于YOLOv5的机耕船双目视觉障碍感知研究

为满足机耕船自动驾驶功能,设计一套YOLOv5融合SGBM算法的机器视觉障碍感知系统。首先,以人、机耕船和农具为对象拍摄和收集图片得到水田障碍数据集,将图像输入YOLOv5网络模型迭代训练得到最优权重,随后将最优权重用于测试,并且与YOLOv4和Faster R-CNN网络进行比较;将双目相机拍摄的左右图像输入YOLOv5模型中进行检测,将输出的目标障碍检测框信息经校正变换后用SGBM算法进行视差计算,完成对目标障碍的识别和深度估计。结果表明,YOLOv5的平均精度均值稳定在87.25%比YOLOv4高1.55%,比Faster R-CNN高4.04%,单幅图像检测时间为0.017 s比YOLOv4快0.081 s,比Faster R-CNN快0.182 s且模型大小仅为13.7 MB比YOLOv4小236.4 MB;在检测机耕船、人和农具时,YOLOv5网络模型的置信度分别为0.91、0.99、0.95。YOLOv5+SGBM的深度估计在2 m内,精度达到98.1%。基于YOLOv5和SGBM的水田深度估计,能满足带旋耕无人驾驶作业的机耕船实际需求。

基于单目视觉与YOLOv5算法的入侵检测系统设计与实现

全自动卸砖打包机已成为砖瓦建材生产线的标准配置,作业期间闲杂人员非法进入工作区域极易引发安全事故。监测到非法人员进入危险区域后自动报警,并在紧急情况下自动停机处理已成为卸砖打包机升级改造的重点。现有基于红外传感器检测或超宽带技术建立虚拟电子围栏的方法存在检测精度低、预警方式单一以及事故发生后责任难以界定等问题。为此,研发一种基于单目视觉与目标检测算法YOLOv5的全自动卸砖打包机工作区非法入侵检测系统。该系统由摄像头、单片机、报警器、继电器以及控制软件等组成,采用单目摄像头进行图像获取与定位测距,利用目标检测算法YOLOv5进行目标检测与识别;检测到闲杂人员非法进入工作区时会发送相应指令给单片机,由控制传感器进行报警、停机等处理。仿真实验结果表明,该系统能有效完成拍照、定位测距、检测识别、告警、紧急停机等功能,准确度达到94%以上,与现有方法相比功能更强、成本更低,可有效解决工作区域内闲杂人员非法进入等安全问题。

基于YOLOv5视觉识别技术的高校教室节能控电系统设计

通过对多所高校调研发现,由于教室照明和空调用电管理手段有限,能源浪费现象较为突出。设计一种以光线、温度传感器及摄像机为采集终端,校园网和无线通信为骨架,YOLOv5视觉识别技术为核心的低成本教室节能控电系统,比传统的红外线计数方案更为行之有效。试验结果表明:采样教室的人数识别精度为94.57%,系统稳定性较好,达到设计预期。该系统能有效解决教室用电管理问题,降低后勤成本投入,在“双碳”战略背景下,对于推进公共建筑的绿色节能技术研究具有重要意义。

基于改进YOLOv5的无人机视觉目标检测

针对无人机视觉下图像背景复杂、目标过小导致的检测效果过差的问题,提出了一种基于YOLOv5的改进算法。首先,提出滤波分离特征提取(FSFE)结构,将滤波分离后的图像与原图像并行输入神经网络进行特征提取,加强了网络对全局和细节的重要信息的提取,将输出特征图进行空间自适应融合,防止了融合时的语义信息割裂的问题,并且使得网络能够更加关注关键层的信息。其次,增加小目标检测层,并利用了SPD卷积模块加强特征学习来提高检测性能。最后,在C3模块中镶嵌CA特征增强模块,在特征提取时挖掘并保存重要的语义信息。基于VisDrone2019数据集的实验结果表明,改进算法的mAP@0.5和mAP@0.5∶0.95分别提升了8.3和6.1个百分点,精确率和召回率分别提升了5.1和4.5个百分点,提升了小目标检测精度,同时减少了漏检、误检概率,对实现无人机视觉小目标检测有重要意义。

结合YOLOv5与双目视觉定位的摘果机械臂控制研究

为满足果实采摘需求,设计了一种基于YOLOv5与双目视觉定位的采摘机器人。通过一个全向轮底盘搭载六自由度机械臂,利用YOLOv5目标检测算法实现果实种类识别及平面坐标测量;利用双目视觉实现深度坐标测量,将两者相融合并转换得到机械臂坐标系下的果实三维坐标x、y、z,由三维坐标进行逆运动学解算得到机械臂各个关节角度,最终通过控制关节角度的改变实现果实抓取,并结合Android、物联网技术实现实时视频远程查看与机器人远程控制。试验结果表明:基于YOLOv5实现3种果实识别模型的训练,模型精确率99.7%,召回率99.8%,mAP(0.95)89.03%,每种水果的识别准确率平均为95%;机械臂投射到二维平面进行逆运动学解算,降低了运算量与运算时间,平均解算时间为0.252s。分别对仿真桃子、桔子、石榴进行采摘50次,平均单次采摘时间为13.48、13.91、13.76s。系统具有良好的实时性与准确性,适宜布署于嵌入式系统,满足果实采摘需要。

基于YOLOv5的锥桶识别技术研究与应用

基于计算机视觉理论与目标检测算法,利用YOLOv5模型和自制数据集实现对锥桶的识别。然后将训练好的权重部署到ROS智能小车上实现了小车自动驾驶中的自主避障功能。实验数据表明,本文仅仅利用95个图片,514个标记经过50轮训练就实现了97.36%mAP@0.5,对锥桶的识别效果很好,且具有较强的泛化能力。该锥桶识别模型有效提高了在复杂光学场景及密集锥桶目标下的识别准确率。

YOlOV5技术在煤矿安全生产中的设计与实现

随着煤矿行业的发展,提高煤矿工作环境的安全性成为至关重要的任务,YOLOv5是一种高效的对象检测算法,具有快速的检测速度和出色的准确性。本研究通过构建适用于煤矿场景的数据集,训练YOLOv5模型,实现了在煤矿环境中的对象检测和隐患排查应用。实验结果表明,YOLOv5对象检测技术能够高效地检测煤矿场景中的人员、设备和其他潜在风险因素,提高了隐患监测和排查的速度、精度和实时响应能力,降低了事故风险,提高了工作效率,改善了煤矿运营的效率,降低了成本。

基于改进YOLOv5的皮革抓取点识别及定位

为实现机器人对皮革抓取点的精确定位,文章通过改进YOLOv5算法,引入coordinate attention注意力机制到Backbone层中,用Focal-EIOU Loss对CIOU Loss进行替换来设置不同梯度,从而实现了对皮革抓取点快速精准的识别和定位。利用目标边界框回归公式获取皮革抓点的定位坐标,经过坐标系转换获得待抓取点的三维坐标,采用Intel RealSense D435i深度相机对皮革抓取点进行定位实验。实验结果表明:与Faster R-CNN算法和原始YOLOv5算法对比,识别实验中改进YOLOv5算法的准确率分别提升了6.9%和2.63%,召回率分别提升了8.39%和2.63%,mAP分别提升了8.13%和0.21%;定位实验中改进YOLOv5算法的误差平均值分别下降了0.033 m和0.007 m,误差比平均值分别下降了2.233%和0.476%。

基于Stereo Camera-YOLOv5自然环境下百香果检测与定位模型

针对百香果采摘机器人在自然环境中作业时受复杂光线及遮挡影响,难以快速精确地检测及定位成熟百香果的问题,提出一种基于Stereo Camera-YOLOv5自然环境下成熟百香果检测及定位模型。针对自然环境下光线以及遮挡的影响,通过MSRCP算法、随机遮挡、数据增扩等图像处理算法对原始数据集进行优化。将优化的数据集输入到YOLOv5网络中训练出最优模型,在检测代码中嵌入双目立体视觉算法。该模型对自然环境下百香果进行检测及成熟度判断,将判断为成熟的百香果进行图像处理,并提取到中心点二维坐标。通过立体匹配及视差计算得到中心点的三维坐标。田间试验结果表明,该模型的目标检测准确率为97.8%,总体准确率为90.2%,平均运行时间为4.85 s。该系统鲁棒性强、实时性好,能够更好地实现自然环境下成熟百香果的检测及定位,为百香果采摘机器人后续工作奠定基础。

基于改进YOLOv5s的自然环境下番茄成熟度检测方法

【目的】在番茄识别任务中,现有的目标识别算法速度慢、对遮挡番茄以及小番茄识别准确率低,影响了其在嵌入式设备上的部署和应用。为实现复杂环境下农业机器人对番茄果实的快速准确识别,该研究提出一种基于改进的YOLOv5s模型的番茄成熟度识别方法。【方法】结合番茄生长环境的分布特点,引入MobileNetv3网络和ECANet注意机制,改进YOLOv5s目标检测算法。【结果】改进后的YOLOv5s(Im-YOLOv5s)与YOLOv5相比,准确率、召回率和平均准确率分别提高3.4%、2.4%和2.3%,权重大小降低了48.6%,检测速度提高了52.9%,提高了检测性能,缩短了模型推理时间。【结论】与多种主流目标检测模型相比,改进后的YOLOv5s对番茄的成熟度的漏检和误检大大减少,识别效果更好,具有良好的鲁棒性和实时性,满足对不同成熟度番茄的精准实时识别需求,适合在嵌入式设备上的部署和应用,可为番茄自动化采摘提供技术支持。

基于改进YOLOv5的草莓病害识别

为提高草莓的总产量,合理监控和防治草莓病害是有效的手段,提出一种基于改进YOLOv5的草莓病害识别算法。该检测算法以CSPDarknet作为主干特征提取网络,能够有效提高模型的性能和训练效率,并使用EIOU Loss损失函数与K-means聚类算法,来提高模型的收敛速度。同时,在模型中增加CBAM注意力机制来提高检测精度,最终构建基于改进YOLOv5的CBAM-YOLOv5l算法。试验结果表明,改进后的模型较之原始模型,在检测精度上有所提升且依然能保证高效的检测速度。另外,经过训练的CBAM-YOLOv5l目标检测算法在验证集下的总体平均精度达到96.52%,平均检测时间为27.52 ms,对比YOLOv4、YOLOv4-Tiny、Faster_R-CNN等目标检测算法,该检测算法在精度上具有更大的优势,在实际的草莓果园环境中具有良好的鲁棒性与实时性,可以满足草莓病害识别精度的需求,能够可靠地提示草莓健康状态,从而及时地实现精准施药等保护措施。

基于改进YOLOv5的路面坑洼检测算法研究

路面坑洼作为路面结构的重要缺陷之一,对于保障自动驾驶车辆的行驶安全或移动机器人运行具有重大意义。在处理路面坑洼检测时,面临着挑战性的计算机视觉任务,要求在不同的工况下对多样化的数据样本进行处理。诸如雾、雨、雪等天气因素会对道路图像的质量和可见性产生负面影响,进而增加了数据预处理和特征提取的难度。传统的目标检测算法通常难以有效适应这些场景变化,导致训练数据集无法充分反映道路坑洼的多样性和复杂性,从而降低了目标检测模型的泛化能力和准确性。在实际应用中,这些方法容易导致漏检和误检的错误,对道路状况识别和评估的效率和质量造成影响。本文提出了一种基于YOLOv5的改进的路面坑洼检测算法,通过引入一个概念简单、功能强大但非常新颖的注意力机制(BiFPN),并替换适合的激活函数与损失函数,提升了模型的检测精度以及查全率,同时降低计算参数,简化检测模型。经实验验证,本文改进的算法与原模型相比准确率(Precision)提升了7.2%,召回率(Recall)提高了5.5%,平均准确率(mAP)达到了80.8%,较原YOLOv5s模型提升了2.1%。综上,与常用的一类传统算法相比,本文的改进算法能在几乎不牺牲运行速度的情况下较为明显地提高检测精度,降低漏检率,且不影响检测时的帧率,具有较好的移动端部署价值与对相应研究的参考价值。

YOLOv5与视差计算算法的目标检测与测距系统设计

视觉目标检测与测距是一种利用计算机视觉技术实现对图像或视频中目标物体进行检测和测距的技术。该技术在工业自动化领域发挥着重要的作用。基于YOLOv5算法,进行目标检测时,采用视差计算算法透视变换来估计每个像素的视差值,并利用训练的视差神经网络模型代替传统三角测量原理实现目标检测和测距,为了加快计算速度,使用最新并行计算框架OpenCL来充分发挥计算设备的并行计算能力,运行效率提高了43%,实现了更准确、更快速的检测目标,并提高了测距精度。首先系统调用双目摄像机检测出目标物品,并得到相应的边界框和置信度,然后利用相机的视角差异,双目视觉的立体匹配功能,计算目标物体的实际距离。实验在室外进行,结果表明该系统能准确检测室外目标障碍物,并实现目标测距,在0.5~1.5 m范围内测距误差不超过4%,为巡检机器人自动避开障碍物提供技术参考。

基于轻量化YOLOv5s的集装箱锁孔识别算法

为提高现有集装箱的锁孔识别检测效率,减少算法参数量以及减小模型大小,提出了一种基于轻量化YOLOv5s的集装箱锁孔识别算法。该算法将YOLOv5s的Backbone主干特征提取网络部分更换为轻量级神经网络模型MobileNetV3,并对neck部分的特征融合结构进行进一步的优化,减少了模型的参数量和计算量,并提高了检测速度。引入注意力机制SimAM层,提高了检测的准确率和效率。使用不同的改进方法对模型进行重构后,在自建的集装箱锁孔数据集上进行训练和测试,并与改进的YOLOv5s进行对比实验。结果表明,改进后的模型大小仅为2.4 MB,每幅图像的平均检测时间仅为5.1ms,平均检测精度达97.3%;与原始目标检测模型相比,该模型的大小减小了82.8%,检测速度提高了39%,在确保高检测精度的前提下展现出了较强的算法实时性。

基于改进YOLOv5的田间复杂环境障碍物检测

为实现田间复杂环境下农业机器人自主导航作业过程中障碍物快速检测,提出一种基于改进YOLOv5的田间复杂环境下障碍物检测方法。建立包含农业机械、人、羊三类目标障碍物共计6766张图片的农田障碍物数据集;通过k-means聚类算法生成最佳先验锚框尺寸;引入CBAM卷积块注意力模块,抑制目标障碍物周围复杂环境的干扰,增强目标显著度;增加一个检测头,跨层级连接主干特征,增强多尺度特征表达能力,缓解标注对象尺度方差带来的负面影响;使用Ghost卷积替换Neck层中普通卷积,减少模型参数,降低模型复杂度。改进后的模型比YOLOv5s基准模型检测精度提高2.3%,召回率提高3.1%,精确率提高1.9%,参数量降低7%左右,为无人农业机械自主作业过程中导航避障的研究提供技术参考。

基于改进YOLOv5s的鱼雷检测算法

针对目前深海鱼雷检测中存在检测精度低和检测速度慢的问题,提出了一种基于改进YOLOv5s的鱼雷检测算法。使用可分离视觉变换器(SepViT)模块来替换主干层网络最后一层中的C3模块,增强骨干网络与全局信息的联系以及鱼雷特征的提取,降低漏检率和误检率。在YOLOv5s网络模型的主干层网络中引入ECA注意力机制,提高复杂的深海环境下检测模型对于鱼雷深层次关键特征的提取能力,同时避免了降维,以有效的方式捕捉跨通道的交互信息,以此来提高鱼雷检测模型的检测精度。将网络模型颈部层中的路径聚合网络(PANet)替换为双向特征金字塔网络(BiFPN),采用跨尺度连接去除路径聚合网络(PANet)中对特征融合贡献较小的节点,实现多尺度特征的快速融合,提高鱼雷检测模型的检测效率。实验结果表明:改进的YOLOv5s鱼雷检测算法的均值平均精度(mAP)达到了97.0%,较原来的YOLOv5s算法提高了3.7%,检测速度达83 FPS,有效地提高了深海鱼雷检测的精度和速度。

基于YOLOv5s的铝型材表观缺陷检测方法

目前,在铝制品的加工生产过程中,缺陷检测环节仍以人眼观测为主,这种传统方式存在检测精度差和检测效率低等缺陷,为此,提出基于YOLOv5s的铝型材表观缺陷检测方法。针对具有9种缺陷的铝型材图像,使用labelimg进行标注,构建了铝型材数据集。基于该数据集,以YOLOv5s、YOLOv5m、YOLOv5l在COCO数据集上训练好的权值作为初始权值,对该3种模型进一步迭代训练,并将最优权重进行测试。对比3种模型的实验结果,决定采用YOLOv5s作为铝型材表观缺陷检测的模型,其测试精确度P、召回率R、均值平均精度mAP分别达到了0.684、0.742、0.692。并基于该模型,采用PyQt5开发了铝型材表观缺陷检测系统,其检测速率可达98Fps左右,可以很好地满足实时性要求,从而为铝型材表观缺陷检测提供了有效的参考方案。

基于改进YOLOv5的玉米叶枯萎检测

叶片枯萎是玉米生长过程中最常见的症状之一,利用视觉传感与模式识别技术实现玉米叶枯萎的自动检测可极大提高玉米的产量和生产效率,是智慧农业发展的重要方向。针对玉米叶遮挡场景下的枯萎检测问题,通过YOLOv5单阶段目标检测框架对叶片进行建模,并结合通道和空间注意力机制对模型架构进行改进,增强其骨干网络的特征提取能力,提高小目标玉米叶枯萎的检测精度。试验结果表明,提出的方法在Stewart_NLBimages_2019数据集上检测性能优于YOLOv5,检测平均精度均值达到86.84%,具有广阔的应用前景。

基于改进YOLOv5的中药饮片缺陷检测算法

为实现中药饮片的高效分选,针对筛选过程中部分缺陷特征相似且难以区分的问题,提出了一种基于改进YOLOv5的中药饮片缺陷检测算法。首先,在Backbone中引入Faster Net网络结构,替换原始的C3结构,减少模型参数量,提高检测效率;其次,添加SimAM三维注意力模块,更好地提取目标特征;最后,引入Sim OTA标签匹配机制,提升模型训练速度的同时也提高检测精度。在黄芪饮片数据集上进行测试,最后结果表明,改进后的网络模型mAP为87.53%,相较于原始模型提高了1.78%,对中药饮片各类缺陷识别能力更强。