基于YOLOv5s目标检测算法的研究

近几年,环境污染依然是人们非常关注的话题,而生活垃圾的快速收集处理,能够有效地减少环境的污染。因此,智能垃圾收集机器人的研究与发展是非常必要的,它可以代替人们完成大量垃圾收集的工作。基于此,研究了一种YO⁃LOv5s目标检测算法,先对目标进行合理的标注,接着进行有效的算法训练,然后算法测试,最后得到目标检测算法的模型,进而可以快速检测识别目标。

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YOLOv5s的改进实时红外小目标检测

针对红外图像分辨率低、背景复杂、目标细节特征缺失等问题,提出了一种基于YOLOv5s的改进实时红外小目标检测模型Infrared-YOLOv5s。在特征提取阶段,采用SPD-Conv进行下采样,将特征图切分为特征子图并按通道拼接,避免了多尺度特征提取过程中下采样导致的特征丢失情况,设计了一种基于空洞卷积的改进空间金字塔池化模块,通过对具有不同感受野的特征进行融合来提高特征提取能力;在特征融合阶段,引入由深到浅的注意力模块,将深层特征语义特征嵌入到浅层空间特征中,增强浅层特征的表达能力;在预测阶段,裁减了网络中针对大目标检测的特征提取层、融合层及预测层,降低模型大小的同时提高了实时性。首先通过消融实验验证了提出各模块的有效性,实验结果表明,改进模型在SIRST数据集上平均精度均值达到了95.4%,较原始YOLOv5s提高了2.3%,且模型大小降低了72.9%,仅为4.5 M,在Nvidia Xavier上推理速度达到28 f/s,利于实际的部署和应用。在Infrared-PV数据集上的迁移实验进一步验证了改进算法的有效性。提出的改进模型在提高红外图像小目标检测性能的同时,能够满足实时性要求,因而适用于红外图像小目标实时检测任务。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

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。

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。

基于改进YOLOv5s的轻量级葡萄目标检测融合算法

针对农业自动采摘机械对目标检测模型准确率、实时性及轻量化的需求,提出了一种轻量级葡萄目标检测网络YM-GDM(YOLOv5s-MobileNetV3 grape detection model)。使用MobileNetV3代替CSPDarknet53作为YOLOv5s的主干网络,以实现模型的轻量化;引入Res2Net_C2f模块和BiFPN(Bi?directional feature pyramid network)结构,以提高模型的多尺度特征融合能力;同时,改用VariFocalLoss损失函数对模型进行训练,以减少正负样本不均带来的影响。使用包含5类食用葡萄的自制数据集与包含5类酿酒葡萄的公开数据集(WGISD)作为试验数据集进行测试。结果表明,YMGDM网络对10个品种葡萄的目标检测平均精度均值(mAP50)达到90.8%,比YOLOv3-tiny、YOLOv5s分别提升6.2、2.2百分点;模型体积为9.72 MB,相比YOLOv3-tiny、YOLOv5s分别缩小44.4%、32.8%。此外,进一步减少参数量得到了轻量特化模型YM-GDM-tiny,模型体积缩小到4.73 MB,mAP50达到86.8%,以部署于算力更低的移动设备。

基于改进YOLOv5s的无人机小目标检测算法研究

【目的】针对无人机航拍图像中目标尺度多样、背景复杂、小目标密集的特点,提出了基于YOLOv5s的小目标检测算法LM-YOLO。【方法】首先,增加小目标检测头并采用K-DBSCAN聚类算法优化锚框,生成更适合小目标检测的锚框,提高算法对小目标的检测精度;然后,设计更高效的MobileNetV3-CBAM作为特征提取网络,减小网络模型大小;最后,在特征融合网络引入大核选择性注意力机制LSK,增加模型对相似目标的分辨率。【结果】在公开数据集VisDrone2019上的实验结果表明,与基准模型YOLOv5s相比,LM-YOLO对所有目标的平均检测精度提升了7.6%,模型大小压缩了45%。【结论】文章算法可以在降低模型大小的同时保持良好的检测精度。

改进YOLOv5s的无人机视角下小目标检测算法

针对无人机飞行时与目标距离较远,被拍摄的目标大小有明显的差异且存在被物体遮挡等问题,提出一种基于YOLOv5s的无人机视角下小目标检测改进算法BD-YOLO。在特征融合网络中采用双层路由注意力(bi-level routing attention,BRA),其以动态稀疏的方式过滤特征图中最不相关的特征,保留部分重要区域特征,从而提高模型特征提取的能力;由于特征图经过多次下采样后会丢失大量位置信息和特征信息,因此采用一种结合注意力机制的动态目标检测头DyHead(dynamic head),该检测头通过尺度感知、空间感知和任务感知的三者统一,以实现更强的特征表达能力;使用Focal-EIoU损失函数,来解决YOLOv5s中CIoU Loss计算回归结果不准确的问题,从而提高模型对小型目标的检测精度。实验结果表明,在VisDrone2019-DET数据集上,BD-YOLO模型较YOLOv5s模型在平均精度(mAP@0.5)指标上提高了0.062,对比其他主流模型对于小目标的检测都有更好的效果。

改进YOLOv5s的弱光水下生物目标检测算法

针对水下光学图像目标检测过程中由于水中光线衰弱严重、图像环境复杂和拍摄设备移动等造成的生物识别精度低的问题,提出了基于改进YOLOv5s的弱光水下生物目标实时检测算法YOLOv5s-underwater。针对弱光水下光线衰弱的问题,引入了限制对比度自适应直方图均衡(CLAHE)算法对输入图像进行预处理,解决了颜色失真和图像毛糙的问题。针对复杂的弱光水下图像环境,提出了快速空间金字塔池化(SPPF)模块,解决了水下物体区分度低和特征损失严重的问题。针对拍摄设备移动带来的场景和形态变化问题,提出了一种基于旋转窗口的Swin-Transformer模块,提高了模型的泛化能力。针对水下小目标,修改了网络模型结构,提高了小目标的检测能力。仿真和实验结果表明:所提算法相较于YOLOv5s检测精度提高30.7%,证明了算法的有效性。

基于改进YOLOv5s-ECA-ASFF算法的茶叶病害目标检测

在自然场景下,茶叶病害形状各异、目标小,传统卷积神经网络不适用于复杂背景下的病害检测。因此,提出一种改进的YOLOv5s-ECA-ASFF茶叶病害目标检测算法。该算法通过引入ECA通道注意力模块来增强通道维度上的全局上下文信息,并使用自适应空间特征融合(ASFF)技术改进茶叶病害的多尺度特征融合,提高模型的背景抗干扰能力。同时,使用GIoU损失函数作为边界框损失函数,进一步提高回归目标的检测精度。与原始YOLOv5s模型相比,改进YOLOv5s-ECA-ASFF模型在茶白星病、茶轮斑病、茶炭疽病、茶藻斑病的识别平均精度分别提高5%、4%、3%、2%,平均精度均值为92.1%。此外,该模型的图像检测速度为64 f/s,并且综合性能也优于YOLOv4、SSD和Faster R-CNN模型。因此,该模型为茶叶在自然生长环境下不同种类病害的检测提供参考,并为早期预测提供重要的技术支持。

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。

计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法研究

轨枕作为固定钢轨和扣件的重要轨道零部件之一,由于长期承受钢轨传来的各种作用力,其端部易出现掉块,造成轨道机械结构稳定性下降,故轨枕掉块缺陷检测对保证列车正常运行起到重要作用。针对轨枕掉块缺陷检测方法存在精度较低和缺陷样本少的问题,提出一种计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法。首先,采用Copy-Pasting数据增强方法增加轨枕图像中掉块小目标数量,解决缺陷样本少的问题;其次,通过降低网络下采样倍数和删除大尺度检测层的方式改进YOLOv5s模型的多尺度检测层,提高轨枕掉块缺陷检测精度和速度;然后,将锚框之间的平均交并比作为距离量度改进K-means聚类算法,并使用遗传算法优化,重新匹配适合轨枕掉块缺陷检测的锚框;最后,使用跨尺度连接结构和双向特征加权融合模块改进YOLOv5s的特征融合结构,增强特征融合能力。实验结果表明,与原模型相比较,改进后的YOLOv5s模型平均精度达到94.1%,提高2.3%,检测速度达到93.3 fps,提高26.6 fps,能够准确且快速地识别轨枕掉块小目标缺陷。

基于改进YOLOv5s的CNN-Swin Transformer森林野生动物图像目标检测算法

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2~4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLOv3、YOLOXs、RetinaNet、Faster R-CNN等其他流行目标检测算法。【结论】针对陷阱相机所摄取森林野生动物图像背景与目标对比度低、遮挡重叠严重,致使检测误检率、漏检率高等问题,在检测算法中提出一系列改进措施,为我国森林野生动物的保护和数据获取提供一种新的可行性方案和思路。

基于YOLOv5s-AntiUAV的反无人机目标检测算法研究

随着无人机的应用领域不断拓展,无人机的“黑飞”给公共安全造成严重损害。为解决侵入式无人机小目标在复杂飞行环境下的错检和漏检问题,提出基于YOLOv5s-AntiUAV的反无人机目标检测算法。首先,引入结合深度超参数卷积的Slim-Neck范式,增强算法特征提取能力并保持计算效率。其次,在骨干和颈部网络引入SPD-Conv模块,提高在低分辨率图像中小目标的检测性能。最后,用Alpha-CIoU替换YOLOv5s算法中的CIoU,增强算法泛用性。YOLOv5s-AntiUAV算法与YOLOv5s、SSD和Faster R-CNN算法在数据集Anti-UAV上的对比实验结果表明,改进算法的mAP@0.5值分别增长了1.1、12.1和4.9个百分点,凸显其实用性。由在VisDrone2019数据集上进行的迁移实验显示,相较于YOLOv5s算法,改进算法mAP@0.5值提升了4.5个百分点,表明其相较于原算法具有更强的鲁棒性。

改进YOLOv5s的无人机视角下小目标检测算法

无人机视角的小目标图像具有目标分布密集、类别不均衡以及特征不明显的特点,导致目标检测任务中出现漏检、误检的问题。针对这些问题,提出一种改进YOLOv5s小目标检测方法,以达到提高目标检测准确率与精确度的目的。重新聚类锚框,更精确地锁定检测区域。更改骨干网络结构,在空间金字塔池化层增加卷积,保证充分获取检测目标特征。同时,将网络结构中的C3模块替换成融合通道注意力机制的轻量级SEC2f模块,以提升网络对于小目标检测的局部特征捕获能力。融合解耦检测头,结合自适应锚框计算,有效提取目标区域的特征。在相同参数、相同环境条件下,在DOTA数据集上和VisDrone数据集上检测精度分别提升6.1%、5.2%,表明改进方法在小目标检测任务上的有效性;在公开数据集voc2007+2012上做通用性对比实验,结果表明改进算法具有通用性。

基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪

针对因受水面波纹、反光及目标外观特征相似而导致的游泳池中目标检测跟踪困难的问题,提出一种基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪方法;通过引入注意力机制改进YOLOv5算法,增强算法对目标特征的提取能力;将检测结果输入到DeepSort算法中,在级联匹配中引入K邻域限制筛选目标检测框,减少因目标外观特征不明显引起的身份切换问题;利用匈牙利算法对检测框和预测框进行匹配,对未匹配成功的检测框采用距离交并比代替交并比进行二次匹配,提高DeepSort算法的跟踪性能;通过对比实验和消融实验验证所提出的多目标检测跟踪算法的性能。结果表明:改进的YOLOv5算法平均精准度提高2%,结合DeepSort算法跟踪检测,身份切换平均减少58次,多目标跟踪精确率为80.26%,比原始YOLOv5算法和Deepsort算法跟踪准确率提升了3.85%。

目标检测算法YOLOv5s用于柑桔成熟果实检测的改进

巡检机器人精准检测成熟柑桔果实,对于保证柑桔果园产量巡检作业效率和质量至关重要。考虑到成熟柑桔果实特有的颜色空间、果实遮挡导致的小目标以及巡检机器人有限的硬件资源,提出一种简单有效的基于YOLOv5s的柑桔成熟果实检测方法———改进YOLOv5s。改进YOLOv5s,主要设计一个由3层Context Aggregation Block(CABlock)组成的金字塔结构特征提取层并将其插入到YOLOv5s网络的Head部分。改进YOLOv5s模型具有如下优点:(1)集成的底层CABlock通过特征通道注意力机制和空间注意力机制,能更好更快地学习小目标局部成熟果实颜色和纹理特征、重叠果实边缘特征;(2)多层CABlock构建的特征金字塔能够有效地避免小目标随网络深度增加而消失,从而降低小目标果实漏检率。柑桔成熟果实识别验证试验结果表明,改进YOLOv5s的检测准确率和平均精度分别为98.21%和98.07%,较原始YOLOv5s分别提升了0.31和0.17百分点,较FasterR-CNN分别提升了8.41和8.31百分点,识别遮挡果实、重叠果实以及小目标果实的平均精度分别为99.4%、97.2%和98.0%;单张成熟柑桔果实图像的平均检测时间32.5ms,模型占用内存15.8 MB。该改进YOLOv5s模型可实现果园自然环境下柑桔成熟果实快速准确地检测识别与产量预估,可为柑桔果园巡检机器人产量巡检提供技术支持。

基于改进YOLOv5s的复杂道路交通目标检测算法

针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明:改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP_0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP_0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP_0.5提高了2.2%。