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。

一种基于YOLOv5-Lite算法的船员行为图像识别方法

为及时发现船员的不安全行为,降低因船员行为不当而引发船舶事故的风险,提出一种基于YOLOv5-Lite算法的船员行为图像识别方法。在YOLOv5算法中引入Fire Module结构,并对其通道进行变换,减少图像识别模型残差模块的数量,减小模型的体量,提升模型的运行效率。以对船上重点作业区域的船员是否佩戴安全帽进行识别为例,建立基于YOLOv5-Lite算法的图像识别模型,收集图像数据,构建HTST(Helmet Tumble Smoke Tired)数据集,对模型进行训练,实现对人员动作的识别。将采用该算法与采用YOLOv3和YOLOv4等算法所得识别结果相比较,验证该算法的有效性。结果表明:基于YOLOv5-Lite算法的船员行为图像识别方法能有效识别船员的不安全行为,识别的准确度能达到95.70%;相比另外2种算法,YOLOv5-Lite算法具有更好的稳定性和检测效果,FPS(Frames Per Second)检测速度快,满足对船员的行为进行实时识别的需求。

基于树莓派与YOLOv5-Lite模型的行人检测系统设计

把在PC端上训练好的YOLOv5s与YOLOv5-Lite目标检测模型分别部署在搭载Linux系统的树莓派4B平台上,并在此平台上搭建深度学习环境,构建道路行人检测系统。对这两个模型进行分析对比,实验结果表明,在识别准确率相差0.1%的情况下,YOLOv5-Lite模型相对于原YOLOv5s模型,网络参数量下降了78.26%,模型计算量下降了77.91%,模型内存大小下降了75.52%,检测速度提高了91.67%。综上,本文提出的基于树莓派和轻量化YOLOv5-Lite目标检测网络模型的行人检测系统兼顾了识别准确、适用性好、小型化、成本低等综合性能优势。

基于YOLOv5-Lite的小型无人机识别方法

近年来,小型无人机获得了广泛应用,对公共安全构成了巨大的威胁,因此对无人机进行监测是安防的重要手段。然而,小型无人机体积小、移动快的特点,使传统雷达、射频检测技术难以进行检测。针对这一问题,提出一种基于改进YOLOv5-Lite模型的小型无人机视觉检测方法。该方法在原YOLOv5-Lite模型中插入SEnet注意力模块构成YOLOv5-LiteSE模型,并利用自制数据集进行训练。经测试,该网络模型训练后的精确度可达97.33%,mAP@0.5达到97.43%,并能够满足30帧的视频流帧速率。与YOLOv5s相比,YOLOv5-LiteSE识别无人机精确度高0.2~0.3%,识别所用时间为YOLOv5的1/3。与YOLOv4与YOLOv3相比,YOLOv5-LiteSE识别目标的精确度高2~3%,识别速率更快。

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YOLOv5的烟草叶部病害智能识别

为提高烟草病害的智能识别精度和判别效率,提出基于YOLOv5网络改进的烟草病害识别模型,针对原模型对小目标病斑特征提取能力弱的问题提出改进模型,分别为添加多尺度增强模块的YOLOv5-ME、添加小目标检测层的YOLOv5-LT和同时添加小目标检测层和多尺度增强模块的YOLOv5-ME-LT,对从田间采集的赤星病、黄瓜花叶病、普通花叶病、气候斑点病和野火病等5874幅病害图像进行识别验证。结果表明,3种改进模型的检测精度均优于原始模型,YOLOv5-ME的mAP为88.7%;YOLOv5-LT的mAP为88.1%;YOLOv5-ME-LT的mAP为91%,远高于原模型的78%。本文改进的烟草叶部病害识别算法相对原模型性能有明显提高,但研究中仍存在相似病害难区分等问题,后续研究将结合生命化学指标和多光谱技术,对早期烟草病害进行检测。

基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。

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。

改进YOLOv5模型在自然环境下柑橘识别的应用

在复杂的自然环境中绿色柑橘生长形态各异,颜色与背景色相近,为有效识别绿色柑橘,提出一种基于混合注意力机制并改进YOLOv5模型的柑橘识别方法。首先,改进YOLOv5的网络结构,在主干网络中添加混合注意力机制,即在主干网络中的第2层嵌入SE(squeeze and excitation)注意力,第11层嵌入CA(coordinate attention)注意力;其次,改进网络模型特征融合结构,将YOLOv5模型Concat特征融合操作的下层分支放在模型C3模块之前,再与另一条上层分支进行特征融合;最后,改进模型分类损失函数,将YOLOv5模型的分类损失函数改成Varifocal Loss函数,加强绿色柑橘特征信息的提取,提高绿色柑橘检测精度。根据自然环境和柑橘自身的特点,对自建数据集进行分类,设计3组不同分类场景下柑橘的对比试验以验证其有效性。试验结果表明,改进后的YOLOv5-SC模型准确率为91.74%,平均精度为95.09%,F1为89.56%,在自然环境下对绿色柑橘的识别具有更高的准确率和更好的鲁棒性,为绿色水果智能采摘提供技术支持。

基于改进YOLOv5的胶囊内窥镜病灶区域检测

针对目前胶囊内窥镜病灶检测模型存在检测疾病单一且效率低等问题,提出了一种基于YOLOv5的胶囊内窥镜病灶区域检测方法。该方法在原始YOLOv5基础上进行了如下改进:首先,在主干网络Backbone部分,添加一个CBAM(convolutional block attention module)模块,增强模型对重要特征的突出能力;其次,在头部网络Head部分,添加一个检测头,增强模型对小目标的检测能力;最后,将原始YOLOv5的泛化交并比(generalized intersection over union, GIoU)损失函数替换成完整交并比(complete intersection over union, CIoU)损失函数,使模型训练时更快地收敛。本文提出的方法在长江大学第一临床医学院提供的胶囊内窥镜影像数据上进行了实验,精确率达到了93.6%,召回率达到了94.3%,mAP@0.5达到了97.2%,而且检测速度达到了每帧0.027 2 s。实验结果表明提出的方法是有效的、灵活的、鲁棒的,能够满足临床医学诊断的实际需求。

基于改进YOLOv5s的玻璃盖板划伤检测算法

针对当前玻璃盖板检测速度较慢、精确率较低的问题,提出一种基于YOLOv5s算法的玻璃盖板划伤检测改进模型。首先,借鉴ResNeXt结构和大核注意力(largekernelattention,LKA)结构改进原C3模块,增强网络对于特征的检测和提取能力;其次,向网络中引入BiFPN模块,提高网络的特征融合能力和小目标检测能力;最后,使用EIOU损失函数替换原网络中的CIOU损失函数,提高锚框生成的准确性和模型收敛速度。结果表明,改进后模型,精确率达到98.2%,召回率达到98.4%,实现玻璃盖板划伤的高效检测。

YOLOv5-LR:一种遥感影像旋转目标检测模型

真实遥感图像中,目标呈现任意方向分布的特点,原始YOLOv5网络存在难以准确表达目标的位置和范围、以及检测速度一般的问题。针对上述问题,提出一种遥感影像旋转目标检测模型YOLOv5-Left-Rotation,首先利用Transformer自注意力机制,让模型更加注意感兴趣的目标,并且在图像预处理过程中采用Mosaic数据增强,对后处理过程使用改进后的非极大值抑制算法Non-Maximum Suppression。其次,引入角度损失函数,增加网络的输出维度,得到旋转矩形的预测框。最后,在网络模型的浅层阶段,增加滑动窗口分支,来提高大尺寸遥感稀疏目标的检测效率。实验数据集为自制飞机数据集CASIA-plane78和公开的舰船数据集HRSC2016,结果表明,改进旋转目标检测算法相比于原始YOLOv5网络的平均精度提升了3.175%,在吉林一号某星推扫出的大尺寸多光谱影像中推理速度提升了13.6%,能够尽可能地减少冗余背景信息,更加准确检测出光学遥感图像中排列密集、分布无规律的感兴趣目标的区域。

基于改进YOLOv5的行人目标检测方法

针对行人检测中对小尺度目标和遮挡的检测困难问题,提出一种基于改进YOLOv5的行人目标检测方法。结合GhostNet将YOLOv5的CSP模块改进为CSPGhost模块,对于相似的特征,将复杂的卷积运算简化成线性运算;在每个CSPGhost模块后面插入通道注意力模块,保证了模型检测速度的同时具有较高的检测精度;优化空间金字塔池化层,在不改变原有效果的前提下,降低算法的时间成本;将边框回归损失函数GIoU优化为考虑了长度损失和宽度损失的EIoU,其回归速度更快,得到的回归结果更好。实验结果表明:基于CSPGhost改进的YOLOv5的行人目标检测方法在COCO数据集上种类平均精度值为55.8%,检测速度达到374帧·s^(-1),对小目标的检测能力更强,对遮挡条件下的目标漏检率更低,检测速度更快,能够达到行人检测的实际应用要求.

基于Transformer改进的YOLOv5+DeepSORT的车辆跟踪算法

针对传统目标检测跟踪算法检测精度低、全局感知能力差、对遮挡和小目标物体的识别能力差等问题,提出了一种基于轻量化Transformer改进的YOLOv5和DeepSORT算法的车辆跟踪方法。首先,利用EfficientFormerV2模型改进YOLOv5算法模型,增强车辆的目标检测能力;然后,利用移位窗口(Swin)模型的优点改进DeepSORT多目标跟踪算法中的重识别(Re-Identification)模块,提高车辆的跟踪能力和精度;最后,通过数据集KITTI和VeRi开展对比试验和消融实验。结果表明,在复杂工况下,该方法的性能在车辆遮挡和小目标识别方面显著提高,平均准确度达到96.7%,目标跟踪准确度提高了9.547%,编号(ID)切换总次数减少了26.4%。

基于注意力与多级特征融合的YOLOv5算法

针对复杂场景下目标检测与识别精度较低的问题,提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制,增强对特征空间和通道信息的学习能力,同时在瓶颈网络中采用多级特征融合结构,对不同分支的特征进行融合,增加特征的丰富性,提升应对复杂场景的能力。此外,利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积,降低网络参数量和复杂度。结果表明:与传统的YOLOv5s算法相比,所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。

基于YOLOv5s和Android部署的电气设备识别

针对变电站多种电气设备实时检测的需求,提出了一种基于改进YOLOv5s的电气设备识别方法,并设计基于Android部署的电气设备识别APP,以便对电气设备进行识别与学习。以电力变压器、绝缘子串等6种常见变电站电气设备为例构建图像数据集。数据集进行图像预处理后对YOLOv5s算法进行改进。通过引入C2f模块提高小目标检测精度,采用Soft-NMS提高检测框筛选能力,减少漏检和误检的情况,使用改进后的算法对数据集进行模型训练。将训练好的识别网络模型通过TensorFlow Lite框架进行模型部署,设计电气设备识别APP。经验证,改进后的变电站电气设备识别网络模型mAP稳定在91.6%,与原模型相比提高了3.3百分点。部署后的APP具有设备识别和设备介绍等界面,使用移动端进行识别时每张图片识别时间都小于1 s,具有较快的识别速度和较高的识别精度,可以高效地实现变电站电气设备的实时检测与设备学习。

改进YOLOV5s的铁轨裂纹目标检测算法

铁轨表面的裂纹图像目标小、背景干扰信息多、分辨率高,使其目标检测效果并不理想。对此,提出一种改进YOLOV5s的目标检测算法以提升铁轨裂纹的检测效果。在颈部网络中引入VOV-GSCSP模块,用更轻量的卷积方式GSconv来替换普通的卷积,在保留更多细节信息的同时减轻网络的计算量。改进特征金字塔结构,提出多路径跨层融合结构,在特征金字塔下采样的过程中跨层融入主干网络的信息,保留更多原始的特征信息,提升目标检测的精度。同时,引入CA注意力模块和Transformer结构进一步加强高阶语义的信息提取。实验结果表明,改进的YOLOV5s算法,平均均值精度(mAP)达到62.4%,相对于原YOLOV5s算法提高了6.2个百分点;召回率(Recall)为92.2%,提升了4.4个百分点。