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。

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YOLOv5s网络的垃圾分类和检测

目的为了实现垃圾自动按类处理,通过研究基于视觉的垃圾检测与分类模型,实现对垃圾的自动识别和检测。方法采用YOLOv5s网络作为垃圾检测与分类的模型,在自制垃圾分类数据集上对网络进行训练,利用训练好的YOLOv5s网络提取不同种类垃圾图像的特征和位置信息,实现垃圾的分类与检测。结果在真实场景中进行了测试,基于YOLOv5s的垃圾分类检测模型可以有效识别6种不同形态的垃圾,检测mAP值为99.38%,测试精度为95.34%,目标检测速度达到6.67FPS。结论实验结果表明,基于YOLOv5s网络的垃圾分类检测模型在不同光照、视角等条件下,检测准确率高,鲁棒性好、计算速度快。同时,有助于促进垃圾处理公司实现智能分拣,提高工作效率。

基于YOLOv5s网络模型的口罩佩戴检测系统

为解决人工查看人员口罩佩戴情况存在的问题,基于YOLOv5s网络模型和PyQt5框架设计并实现了一个口罩佩戴实时检测系统,具备摄像头检测与视频文件检测功能,可以实时检测人员口罩佩戴的情况,在GPU环境下检测速度可达100FPS,平均精度在0.82左右,满足实时检测的要求。

基于YOLOv5s网络模型的手势检测系统

为了解决人们对手势识别的问题,本文对通过YOLOv5s网络模型及Py Qt5框架设计并实现了手势检测的系统,同时具备摄像头检测与文件(照片或视频)检测功能,可以实现在人们做出手势的时候检测手势的类别,在GPU环境下检测速度可达100 fps,平均精度在0.95左右,满足实时检测的要求。

基于改进YOLOv5s的滚动轴承表面缺陷识别算法

为了解决机械设备轴承表面缺陷检测中多目标情形下的小目标漏检率高、检测速度慢、模型精度和特征提取泛化能力不足的问题,提出一种滚动轴承表面缺陷识别网络模型YOLOv5s-CDOD。在卷积操作前,使用B-ConvNeXt网络平衡模型的精度和复杂度,保留轴承表面小目标缺陷的特征,同时提升模型的泛化能力;通过将YOLOv5s网络中的传统卷积模块替换为具有二次深度过参数化卷积的卷积(DOD-Conv)模块,在不增加模型参数的情况下,提高模型的识别精度和速度;最后,在特征处理阶段,使用VariFocal Loss损失函数,增加模型对正样本目标的学习,对轴承小目标缺陷的检测精度进一步提升。实验结果表明:与原YOLOv5s网络相比,优化后的网络参数量减少了10%,使得模型的检测速度明显提升;同时,所提模型的平均检测精度达到了94%,对轴承表面小目标缺陷的识别率也有所提高。

基于YOLOv5s的绝缘子故障检测仿真研究

针对无人机巡检中采集到的绝缘子图片数量庞大、故障难以定位的问题,提出一种基于YOLOv5s网络的绝缘子故障检测算法。利用调整色调、翻转、随机矩形遮挡等操作强化现有的数据集,同时使用K-means++算法重新统计先验框大小,使其对应到大小匹配的特征层;在YOLOv5s骨干网络中添加了SE(Squeeze-and-Excitation)注意力模块,提升需要特征对应通道的权重,抑制其他特征通道的权重;在PANet(Path Aggregation Network)的基础上,引入BiFPN(Bi-directional Feature Pyramid Network)。仿真结果表明,改进后的YOLOv5s在识别不同故障时,准确率均有不同程度提升,对比原YOLOv5s模型,mAP(mean Average Precision)提升3.6%,速度提升5 FPS,且大小仅有13.8 MB,有助于智能巡检工作的展开。

基于改进的YOLOv5s绝缘子故障识别方法

为解决高速铁路绝缘子故障检测中常见的错检、漏检等问题,以YOLOv5s算法为基础进行优化提出TASM YOLOv5算法。首先,增加Triplet注意力机制,以提升算法的特征提取能力;其次,引入AFPN渐进特征金字塔网络来提高特征融合利用能力,并且选用SiLU控制激活函数以提高稳定性;最后,更换损失函数为MPDIoU损失函数,可实现准确有效的边界框回归。实验结果表明,TASM YOLOv5算法的平均准确率较高,所得权重文件大小符合轻量化的要求,能有效提高绝缘子故障检测的精度。

改进YOLOv5s的石化火灾巡检机器人检测算法

为解决石化火灾检测算法模型复杂、实时性差、准确率不高和难以部署的问题,提出一种基于改进YOLOv5s网络模型的石化火灾图像识别方法,通过主干网络引入注意力模块CBAM,提高模型对特征的学习能力;通过添加大尺度Detect层来改进多尺度检测机制,增强模型对小目标的识别能力.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98.8%,帧率达55.23 f/s,对小目标的识别效果更好,能方便部署于石化巡检机器人.

基于改进YOLOv5s的轻量级水下鱼群检测与识别

为进一步提高水下鱼群检测与识别的检测精度和工作效率,提出了一种改进DCG-YOLOv5s的轻量化水下鱼群检测算法。首先为了增强网络模型的特征提取能力及识别准确性,在Backbone主干网络的卷积层中引入可变形卷积;其次采用轻量级上采样算子CARAFE,在增大感受野的同时进一步提高模型对于水下鱼群的识别效果;最后引入了GhostBottleneck替换原结构中的部分C3结构,在不影响精度的前提下实现了轻量化。实验结果表明,改进后模型的平均检测精度、计算量均有明显提高,达到了轻量化的效果。

基于改进YOLOv5s的齿轮表面缺陷检测

为解决传统齿轮表面缺陷检测精度低、速度慢等问题,设计了一种基于通道和空间的注意力机制的齿轮表面缺陷检测方法。在YOLOv5s网络模型的基础上引入卷积注意力模块,对特征在通道维度和空间维度上进行融合增强,增强缺陷区域特征并抑制背景区域特征,提高小目标的检测精度;同时改进了非极大值抑制的后处理方法,改进后的方法(DIOU_NMS)将预测框与真实框的重叠区域和2个框之间的中心点距离作为抑制原则,提升复杂背景下目标的检测精度。实验结果表明,该方法的平均精度均值mAP_0.5为90.3%,相比YOLOv5s提升了1%,检测速度FPS为75 f/s,模型大小为14.8 MB,满足齿轮表面缺陷检测实时性和准确性的需求。

基于YOLOv5s的滑雪人员检测研究

针对滑雪人员目标检测研究中,存在的检测精度低、速度慢,不同姿态识别效果差等问题,采用YOLOv5s网络模型,改进损失函数,增加平衡因子,在自制滑雪人员数据集上对网络进行训练,利用训练好的网络进行图像特征提取,实现滑雪人员的快速检测。基于YOLOv5s的滑雪人员检测模型可以有效识别不同姿态下的滑雪人员,mAP值达到99.87%,Recall值达到97.66%,检测速度可以达到7ms/帧。实验结果表明,改进的YOLOv5s滑雪人员检测模型,检测速度快,检测精度高,鲁棒性强,有较好的可扩展性,既满足检测精度要求,又满足检测速度要求。

基于热红外图像的带式输送机托辊故障检测研究

针对目前带式输送机巡检机器人搭载红外采集设备移动受限,存在不能实时进行数据采集、数据处理并上传至监控终端,无法完成远程故障检测,续航能力不足等问题,提出了一种基于热红外图像的带式输送机托辊故障检测方法。带式输送机巡检机器人搭载托辊故障检测器及红外热像仪,红外热像仪将采集的托辊热红外图像序列与温度数据传输给托辊故障检测器进行托辊故障检测,检测结果由托辊故障检测器内置的WH-L101无线传输模块发送给上位机。提出了一种带式输送机托辊故障检测算法:利用YOLOv5s目标检测算法提取托辊热红外图像的感兴趣区域(ROI),采用维纳滤波和自适应中值滤波算法对ROI图像进行滤波,利用自适应直方图均衡化和图像锐化算法对滤波后的ROI图像进行增强,采用基于形态学的Otsu图像分割算法对增强后的ROI图像进行图像分割,得到待检测的托辊图像,利用Harris角点检测算法提取托辊图像特征,获得托辊位置信息,提取相应位置的温度信息,并采用基于相对温差法的托辊故障检测算法判定托辊故障。实验结果表明:①YOLOv5s网络模型提取托辊ROI的目标检测结果平均准确率为99.12%。②提出的托辊故障检测算法对托辊故障(无故障、轴承锈蚀、托辊卡转、筒体磨穿)检测的平均准确率为97.625%,帧率为16帧/s。③将检测结果通过无线传输模块传送至上位机,可显示故障类型及关键区域温度,并进行报警。

基于深度学习的绝缘子故障检测仿真研究

针对无人机巡检中采集到的绝缘子图片受干扰严重、检测精度低的问题,在YOLOv5s算法的基础上进行优化,基于改进后的YOLOv5s算法进行了绝缘子故障检测的仿真研究。通过在颈部网络添加CBAM注意力模块、运用K-means聚类重新计算先验框大小、采用MetaAconC作为激活函数3种措施改进了原算法,并基于Python进行了实验结果分析。实验结果表明本方案算法平均精度均值mAP达到了96.7%,对比原YOLOv5s模型,平均精度均值mAP提升3.3%;且方案算法训练出的权重文件大小仅有15.1 M,仅比原YOLOv5s大了0.1 M,仍然保持了轻量化的特点,在智能巡检工作的部署上有良好前景。