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YOLOv5s轻量化改进的LCD缺陷检测方法

针对目前LCD缺陷检测速度较慢、检测精度较低的现状,本文提出一种YOLOv5s轻量化改进模型来检测识别LCD所存在的缺陷情况。通过改进上采样CARAFE算子进行Nearest的替换,并修改其kencoder与kreassembly两项参数进行对比;同时,增加CBAM注意力机制,更加关注目标区域特征信息以提升模型召回率;最后进行轻量化设计替换C3为C3_Ghost,以达到参数量、运输量以及模型大小的减小。实验结果说明,改进YOLOv5s算法在原模型基础上,准确率P提高了2.1%,召回率R提高了5.4%,模型平均精度mAP达到88.8%,相对于改进前提高了2.1%,参数量和运算量分别减少了15.6%和20.9%,并且模型大小减少了14.6%。整体而言,改进后的算法模型更加轻量化,模型MB减小并且参数量以及运算量相对减少,因此方便对低算力硬件进行部署,同时也为LCD工厂智能检测技术提供一定技术参考。

基于YOLOv5s的轻量化红外图像行人目标检测研究

基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。

基于改进YOLOv5s的轻量化安全帽佩戴检测算法

针对基于神经网络的安全帽检测工作场景模型部署嵌入式设备困难的问题,提出了一种基于改进YOLOv5s的轻量化目标检测算法。首先将YOLOv5s的主干网络替换为轻量化网络MobilenetV3,降低模型的参数量和计算量,保留模型的SPPF模块以提高模型对不同尺寸目标的检测能力;其次,在模型的Neck和Head之间添加注意力机制,以更好地捕获图像中的目标信息,提高精确度和鲁棒性;最后,将模型损失函数替换为EIoU,加速模型收敛,提高模型检测精度。通过自建安全帽数据集对所提模型进行了训练和验证,实验结果表明,相较于原模型,检测精确度提升了1.2%,参数量降低了39.4%、计算量降低了56.3%,模型体积压缩了38.6%,为基于改进YOLOv5s的安全帽识别算法在嵌入式设备上部署提供了一种有效的方法。

安全帽与反光衣的轻量化检测:改进YOLOv5s的算法

安全帽与反光衣检测对生产与交通环境的安全管理具有重要意义。针对目前安全帽和反光衣检测算法参数量大、计算量大和模型体积较大等问题,提出了一种基于YOLOv5s轻量化改进的检测算法。引入GhostNet网络结构中的Ghost模块代替原有的部分卷积与C3模块,大大降低了模型的复杂度。在主干网中增加CA注意力机制,抑制无效信息,增强对特征丰富区域的提取。用C3CBAM代替neck层的C3模块,既减少参数量,又提高了检测精度。实验结果表明,改进模型的mAP(平均精度)为93.6%,参数量为4.28×10^(6),计算量为9.2 GFLOPs,模型大小为8.58 MB。与YOLOv5模型相比较参数量减少了39%,计算量减少了41.7%,模型大小降低37.3%。该检测算法既保证了检测的识别准确率,又实现了检测算法的轻量化。

基于YOLOv5s室内目标检测轻量化改进算法研究

针对现有室内目标检测算法,存在结构复杂,计算量以及模型参数量过大等问题,难以部署到计算能力有限的室内机器人平台,实现高效的目标检测。为解决这一问题,提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征提取网络,并且在改进的主干网络基础上采用CA注意力机制,同时在颈部网络中采用GSConv和VOV-GSCSP模块。最后引入边框回归损失函数EIOU加快网络收敛。研究结果表明,改进后的目标检测算法,模型计算量减少了68.75%,模型参数量减少了62.2%,权重文件减少了59.7%,平均精确率mAP均值为0.653,改进后的目标检测模型能够在保证轻量化的同时保证检测精度。

基于改进YOLOv5s的轻量化交通灯检测算法

针对目前交通灯检测算法网络模型参数量过大、实时性差的问题,提出了一种基于改进YOLOv5s的轻量化交通灯检测算法.首先,用轻量化网络MobileNetv3替换原主干网络并引入注意力机制,在对检测精度影响不大的前提下降低模型参数量;然后,使用深度可分离卷积替换颈部网络中的传统标准卷积,进一步降低模型参数量;接着,针对交通灯尺度小的特点,删除检测大目标的检测层;最后,改进边框回归损失函数,提升边框检测精度.同时,为了能实时部署在嵌入式平台,该算法对网络进行通道剪枝实现模型压缩和加速.实验结果表明,该算法在嵌入式平台NVIDIA Jetson Xavier NX上能达到48.1帧/s的检测速度,相比原始YOLOv5s牺牲了1.5%的mAP,但是该模型体积压缩了54.3%,检测速度提高为原来的2.6倍,可以满足在交通道路中实时对交通灯检测的需要.

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YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。

基于轻量化YOLOv5s的售货柜商品识别方法

自动售货柜行业在中国内地地区大中城市中发展势头迅猛。传统的售货柜采用硬件分隔、重量判断和射频感应等商品识别方法,导致售货柜空间利用率低和购物体验较差。目前基于深度学习的目标检测方法如YOLOv5s等被应用于商品识别领域,而现有的目标检测算法网络模型参数多、计算量大,难以在售货柜嵌入式系统部署应用。针对上述问题基于YOLOv5s提出一种轻量化的商品识别算法模型。首先采用轻量化网络ShuffleNetv2替换YOLOv5s原来的主干网络,大量缩减网络模型的参数数量和计算量;然后在模型颈部的所有C3层引入注意力机制CBAM形成C3CBAM,提取图像中的关键信息进行自适应特征融合,提高网络检测精度;最后利用WIoU Loss代替CIo U Loss作为回归损失函数,借助WIo U的动态非单调聚焦机制重点关注普通质量的锚框,提高网络模型的整体性能。设置4组不同的实验进行验证分析,实验结果表明,利用ShuffleNetv2替换原始YOLOv5s的主干网络后,网络的参数量和计算量分别降低了84.3%和86.4%,有效减少了内存占有率,改进后的YOLOv5s算法实现了模型轻量化和检测精度的有效平衡,能够部署在售货柜嵌入式系统中进行商品识别,对商品智能识别算法方面的研究具有重要借鉴意义。

基于改进YOLOv5s轻量化带钢表面缺陷检测方法

针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。

基于轻量化改进型YOLOv5s的玉米病虫害检测方法

针对复杂环境下目前现有的玉米病虫害检测方法的精度不理想、模型复杂、难以在移动端部署等问题,本研究提出了基于轻量化改进型YOLOv5s的玉米病虫害检测方法。首先,采用轻量级网络GhostNet替换原始YOLOv5s模型中特征提取网络和特征融合网络的卷积层,降低模型的计算量和参数量,提高运行速度,以满足移动端的部署要求;其次,为弥补GhostNet所带来的检测精度下降缺陷,在模型的主干特征提取网络中引入注意力机制,更加全面地评估特征权值,以增强玉米病虫害的特征,减弱无关信息的干扰,提升检测性能;最后,将模型的损失函数由CIOU替换为EIOU,以增强模型对目标的精确定位能力,从而提升模型的收敛速度和回归精度。试验结果表明,改进模型相比原始YOLOv5s模型在对供试玉米病虫害检测中,P、R和mAP分别提高了1.9个百分点、2.2个百分点和2.0个百分点,分别达到了94.6%、80.2%和88.8%;在保持较高检测精度的同时,模型的计算量、参数量和模型大小分别减少了50.6%、52.9%和50.4%,解决了检测模型在移动端的部署问题。

基于FMS-YOLOv5s的轻量化交通标志识别算法

针对目前的道路交通标志模型有着检测速度慢、模型大和参数多的缺点,提出了一种基于YOLOv5s算法的轻量化交通标志识别算法。首先引入轻量化FasterNet网络,利用该网络中的FasterNet Block结构与原主干网络的C3融合,形成一种全新的C3Faster结构;接着将原网络的损失函数修改为基于最小点距离(MPDIoU)的损失函数,来提高边界框回归的准确性和效率;最后结合高效且轻量的置换注意力机制(shuffle attention,SA),提高模型的泛化能力和稳定性。在CCTSDB 2021数据集上的实验结果表明,与原网络相比,改进后模型的参数量、模型大小、GFLOPs分别减少了17.5%、17.5%和20%;同时mAP@0.5、mAP@0.75、mAP@0.5:0.95分别提升了2.3%、3.4%和2.4%。而且与YOLOv3-tiny等其他算法对比,所提出的算法有明显的优越性,能满足各种场景下移动端实时性的需求。

基于改进YOLOv5s的轻量级绝缘子缺失检测

针对现有绝缘子缺失检测模型计算复杂度高和小目标难以检测等问题,提出一种基于改进的YOLOv5s轻量级检测模型。首先,移除主干网络中的C3模块来减少模型的参数量。其次,在多尺度特征融合网络中引入卷积块注意力机制来提高复杂背景下模型的特征提取能力。同时,采用加权双向特征金字塔网络结构对特征进行双向跨尺度加权融合,提升网络在遮挡物、相似目标干扰下目标的检测性能。最后,选用SIoU损失函数提升网络的收敛速度和检测精度。实验结果表明,所提模型的平均精准率为96.8%,浮点运算数为2.8 GFLOPS,而原始YOLOv5s在保证97.4%的平均精准率下的浮点运算数为16.3 GFLOPS。相较于原始模型,所提模型对小目标、遮挡目标以及模糊等场景有着较强的鲁棒性,且在保证近似检测精度的同时极大减少了计算量。

一种基于YOLOv5s的绝缘子自爆轻量化检测方法

绝缘子在电力线路中发挥关键作用,对保障电力系统的安全可靠至关重要。由于绝缘子易受恶劣天气影响产生故障,需定期开展巡检工作。随着人工智能的发展,借助无人机的动态巡检方式逐渐成为热门。通过航拍能更加便利获取绝缘子图像,但也存在图像目标小且易被遮挡的不足,给绝缘子故障图像识别算法带来了挑战。并且实现绝缘子动态巡检必须充分考虑精准率与实时性的平衡。因此,提出一种基于YOLOv5s的轻量化绝缘子自爆检测方法。通过改进损失函数,优化检测模型,提高巡检检测准确率,实现绝缘子自爆快速精准动态检测。

基于轻量化YoloV5s的血癌细胞检测

为了解决人工检测血癌细胞耗费人力,且容易出现漏检、误检的情况,提出一种新型的检测血癌细胞检测算法——YoloV5s-FasterNet。该算法在原本的YoloV5s框架上,通过将主干网络中的C3检测层改进为FasterNet轻量化网络用来提取特征信息,降低整体网络模型的复杂程度,并在主干网络中增加坐标注意力(coordinate attention, CA)机制模型更好的定位和识别目标信息来提高检测精度。通过在血癌数据集上进行大量实验结果表明:与原模型相比,改进的模型平均精度提升2.2%,参数量减少25.7%,检测速度提高15%,实验结果良好,证明该算法对血癌细胞检测具有实用性。

基于PCS-YOLOv5轻量化模型的布匹外观缺陷检测方法

针对现有布匹外观陷检测模型参数数量大、计算量大、部署于普通工控机检测速度慢等问题,文章提出一种轻量化模型PCS-YOLOv5。首先采用PP—LCNet替换YOLOv5主干网络实现模型轻量化,加快推理速度;在Neck网络引入CBAM注意力模块,抑制干扰信息关注重要特征,提高目标检测精度;修改边界框回归损失函数为SIoU,增强缺陷定位准确率。实验测试结果表明,PCS-YOLOv5相比YOLOv5原模型,在mAP@0.5基本保持一致的情况下,检测速度提高10.2%,参数数量减少56.8%,运算量降低63%,模型权重减小56%,可满足现场布匹外观缺陷在线检测要求。

基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

基于轻量化YOLOv5的电气设备外部缺陷检测

为了提高变电站电气设备外部缺陷实时检测的精度,同时让检测模型更加轻量化,提出了一种基于轻量化YOLOv5的电气设备外部缺陷检测方法。首先,构建电气设备外部缺陷图像数据集并进行数据增强处理。其次,采用3种优化策略对原YOLOv5进行改进:通过引入EfficientViT网络改进算法主干网络,减少模型参数量,并在算法Neck部分中加入SimAM无参数注意力机制来提高变电站复杂背景下的识别精度,同时采用Soft-NMS模块来改进检测框筛选方式,避免出现缺陷漏检现象。最后,通过消融实验进行验证。结果表明:轻量化后的电气设备外部缺陷检测模型mAP值稳定在86.4%,与原模型相比提高了1.2百分点,模型参数量减少了20%,计算量减少了38%,模型大小为11 MB,比原模型减少了19.7%。改进后的模型能够满足设备外部缺陷实时检测的要求,可以实现模型的轻量化部署。

基于YOLOv5的零件识别轻量化算法

为了解决现有的基于深度学习的零件识别模型参数量过大、检测速度慢、检测精度低的问题,以YOLOv5模型为基础,提出了结合轻量级网络和Transformer的零件识别算法。首先,设计了一种轻量级主干特征提取网络,以减少网络的参数量和计算量,并提升推理速度;其次,将Transformer模块与C3模块融合构成C3TR模块,以增强小目标的检测能力;最后,引入噪音净化模块,通过过滤噪音来提高零件识别模型的准确率。模型的检测平均准确率和平均召回率分别达到了86.7%和85.5%,相较原模型分别提升了和24.2%和17.4%。实验结果表明,改进后的模型在实现模型轻量化的同时,具有更快的检测速度和更高的识别准确率。