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改进的铁路工人安全帽检测算法研究

目前铁路上普遍采用人工监督方式来检测工人是否佩戴安全帽,但监督范围过大,在实践中不能及时跟踪和管理所有工作人员;因此针对该问题,采用深度学习目标检测的方法,通过改进YOLOv5s目标检测算法来实现铁路工人是否佩戴安全帽和穿戴背心;具体来说,以YOLOv5s算法为基础,采用GhostNet模块替换原始网络中的卷积Conv,提高模型的实时检测速度;采用更高效简单的多尺度特征融合BiFPN,使特征融合方式更加简单高效,以提高检测速度和降低模型复杂度;把原始的CIOU损失函数替换为SIOU损失函数,以提高模型精度;研究结果表明,改进的YOLOv5s-GBS算法的准确率和识别效率可达到95.7%和每秒45帧,并且模型大小减少了一半,准确率提高了4.5%。

基于改进YOLOv5s的着装不规范检测算法研究

针对餐饮后厨工作人员着装不规范,在复杂背景下采用现有算法检测精度低且易出现误检、漏检等问题,提出一种基于YOLOv5s的着装规范检测改进算法YOLOv5s-ESW。首先,在主干网络引入新型多尺度注意力机制改进C3模块,增强网络的特征提取能力;其次,在颈部网络中采用空间和通道重建卷积模块(SCConv)替换原始网络中的卷积模块(Conv),减少模型参数冗余,同时提升模型的精度;最后,在预测部分引入WIoU损失函数更换CIoU损失函数,提高模型泛化能力,加快收敛速度。将改进算法应用到自建餐饮后厨工作人员着装数据集中进行实验,实验表明,改进后的模型检测平均精度提升了4.1%,参数量减少了11.4%。该模型在提高了检测精度的同时降低了网络复杂度,能够满足餐饮后厨工作人员的着装规范检测的要求。

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。

基于改进YOLOv5s的仓储货物检测算法研究

针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。

基于改进YOLOv5算法的无人机巡检图像智能识别方法

提出一种基于改进YOLOv5算法的无人机巡检图像智能识别方法。该方法构建无人机巡检图像的相邻图像独立坐标系,并利用相对定向法确定图像中共同目标的位置关系。将巡检目标统一转换至同一坐标系下,采用先进的分割技术提取目标纹理特征向量,为后续的图像识别提供了有力支持。在改进YOLOv5算法的过程中,特别注重多尺度网络的选择与融合激活函数及损失函数的优化组合。采用大疆无人机获取建筑裂缝巡检图像进行实验。结果表明,该方法能够在高效率下实现不同类型建筑裂缝的高精度识别,展现出优异的稳定性能。这一研究成果为无人机巡检图像的智能识别提供了新的思路和方法,具有广泛的应用前景和实际价值。

基于YOLOv5的茶叶嫩芽图像识别算法研究

现有的机器采茶都需要人工辅助进行采茶,且存在老叶、嫩芽一刀切的情况,会损害一部分茶叶,只适用于低端茶叶的采摘。因此,需要研究出一种精准高效的茶叶嫩芽识别方法。针对茶叶嫩芽图像背景复杂的问题,在YOLOv5算法的基础上,对算法进行多角度的改进,实验结果表明,改进算法的模型的mAP提升了4.1%,Recall提升了4.0%,且改进方法减少了漏检情况的发生。

基于改进YOLOv5s算法的禁捕期长江渔船识别及应用研究

长江实行十年禁渔是长江生态环境修复的关键环节,针对禁渔期间长江非法捕捞渔船目标小、背景复杂、流动大等问题,提出了一种基于改进YOLOv5s的目标检测算法。该算法优化多尺度自适应锚框模块,采用改进的K-means++聚类算法,重新匹配适合长江船舶尺寸的锚框;使用轻量高效的坐标注意力(coordinate attention,CA)机制,提升模型关注目标通道信息特征的能力;采用SPPCSPPC(spatial pyramid pooling and context-aware spatial pyramid pooling combination)对特征图进行池化,提高小目标检测能力;通过构建长江船舶数据集训练得到最优权值模型。结果显示,改进后的模型在准确率、召回率、mAP0.5、mAP0.5∶0.9和原模型相比分别提高了1.5%、3.0%、2.4%、7.7%,且训练过程损失收敛更快,收敛值更低,能够准确快速识别出长江上的渔船目标。研究结果可为长江十年禁渔提供技术支持。

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。

基于OBE理念的Yolov5算法实例教学研究

针对深度学习课程理论知识多、教师讲解困难、学生难于理解的教学实际,重点研究深度学习课程中有关图像处理的最新算法Yolov5的实例教学策略,以提高学生对深度学习课程的学习兴趣,增强学生发现问题并解决问题的能力。本实例讲解了基于OBE理念的Yolov5口罩佩戴识别算法,首先进行教学方法阐述与分析;其次进行教学实例的选择和算法的实现讲解;最后通过教学反思和教学评价促进教学质量的提升。

基于YOLOv5-TGs的PCB缺陷检测算法研究

针对目前PCB缺陷检测算法在实际应用中检测精度低等问题,提出基于改进YOLOv5s的PCB缺陷检测算法YOLOv5-TGs。该算法以YOLOv5s算法模型为基础,首先在主干网络中引入Swin Transformer结构,并取代C3模块中的Bottleneck模块,并使用Ghost卷积模块替换Conv模块,降低了模型的计算复杂度,实现轻量化,同时增加了其接收域,增强PCB缺陷的小目标的特征表达能力;其次,在颈部网络的C3结构后面添加全局注意力机制,更大程度地保留通道和空间信息,在减少特征信息弥散的情况下放大全局跨纬度的交互特征,提高检测效率。最后用SIoU损失函数来代替原有的CIoU损失函数,通过在损失函数代价中引入方向性,加快模型收敛速度,提高回归精度。本文实验使用的是北京大学实验室公开发布的PCB缺陷数据集,结果表明:改进算法的平均精度均值达到98.2%,精确率达到95.5%;相较于YOLOv5s,改进算法的平均精度均值提升了7.3%,精确率提升了7.5%。

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YOLOv5的装载机物料细粒度检测优化算法

针对装载机智能铲装过程中缺少对物料细粒度方面的高精度检测算法问题,提出基于YOLOv5改进的物料细粒度目标检测算法。该方法主要利用注意力机制提高模型对细粒度特征的提取能力和对低质量数据的检测能力。为进一步利用注意力优化网络性能,提出双线性注意力机制,研究最佳嵌入方案并将软阈值思想与双线性注意力机制结合,以达到缓解低质量数据对模型检测精度影响的目的。实验结果表明,相较于原YOLOv5,双线性注意力机制改进后的网络在高质量样本上的mAP@0.5为93.2%,提高6.0%,每秒检测帧数(FPS)为52.6;嵌入软阈值后,网络在低质量样本上的mAP@0.5为90.2%,提高9.9%,FPS为50.0,满足装载机智能铲装过程对算法检测精度和实时性的要求。

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YOLOv5算法的多尺度小目标船舶识别方法

为提高海面多尺度小目标船舶的识别性能,提出一种数据集划分方法,并在YOLOv5算法中改进数据增强方法,融合注意力机制,改进损失函数。实验结果表明,该方法能更好地识别海面上的多尺度小目标船舶,平均精度(mAP)、精确率(P)、召回率(R)分别为99.1%,98.5%,97.5%,识别性能比经典深度学习算法和近几年的方法都高。

基于改进YOLOv5s的烟火轻型检测算法

针对传统传感器对烟火检测不及时且无法给出烟火详细信息,当前主流烟火检测算法检测效率与精度不平衡等问题,提出了一种改进YOLOv5s的烟火轻型检测算法。将Backbone中第2个卷积模块替换成Stem模块,在提高模型对小目标空间信息检测性能的同时有效地控制了总体的浮点运算数;在Backbone和Neck中引入C3Ghost模块和Ghost卷积模块,以达到减少网络参数数量和提高烟火检测性能的目的;为了区分特征融合过程中不同特征的重要性,提出了一种在PAN中添加可学习权重参数的结构,显著提高了对烟火检测的平均精度。实验结果表明:与原模型相比,模型的权重从14.4 M减小到10.2 M,GFLOPs从15.8减小到3.7,平均精度提升了1.1%。改进的模型在轻量化的同时提升了对烟火检测的性能。

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%。

基于改进YOLOv5s算法的尾气黑度测量方法研究

针对传统尾气黑度测量方法精度低、环境适应性差等问题,文章提出一种基于改进YOLOv5s算法的尾气黑度测量方法。考虑到尾气形状多变、背景复杂,在现有YOLOv5s网络中添加自适应特征融合(adaptively spatial feature fusion,ASFF)和全局注意力机制(global attention mechanism,GAM),提高尾气目标的检测准确度;同时,为减少光照等环境因素对尾气目标检测的影响,基于尾气的高温特性,利用红外图像提高尾气区域检测准确度;并基于标准的林格曼黑度对被检测区域内的尾气黑度进行等级判定。实验结果表明:改进后的YOLOv5s对红外尾气目标的检测准确率高达95.3%,比现有YOLOv5s检测准确度提高了3.4%;同时还降低了光照等环境因素对尾气目标检测结果的影响,改善了算法的鲁棒性;最终尾气黑度判定精度达到0.5级,可有效满足现有移动源尾气黑度高精度检测需求。

YOLOv5s-CBAM算法在福寿螺虫卵识别中的应用分析

福寿螺是我国重点关注的入侵物种,对农作物生长和生态环境会造成不利影响。及时获取福寿螺虫卵的分布信息,对于提前防治其入侵能起到有效的帮助作用。基于YOLOv5s基础网络模型,引入CBAM(Convolutional Block Attention Module)注意力机制模块,以提高在复杂的自然环境下对福寿螺虫卵特征信息的提取,提出YOLOv5s-CBAM模型进行福寿螺虫卵识别方法。试验结果表明,引入CBAM的识别效果要好于引入CA和SE注意力模块。同时,引入CBAM的YOLOv5s-CBAM模型,识别效果优于原基础YOLOv5s模型,一定程度上能够克服倒影、植物遮挡等因素干扰。且平均精度均值达到83.8%,相比原模型提升2.5个百分点。基于深度学习的方法对复杂自然环境中的福寿螺虫卵进行识别是切实可行的,为福寿螺等入侵物种的监测防控提供新的思路。