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。

改进YOLOv5的织物缺陷检测方法

为了在不增加网络参数量的条件下提升深度学习方法对织物缺陷检测的精度,提出了一种基于改进YOLOv5的织物缺陷检测方法。通过深度卷积改造通道注意力,剪裁最大池化优化空间注意力,并通过二者构建的双级联注意力机制来搭建特征提取子网络,从而提高网络对缺陷区域纹理和语义特征的提取能力;采用鬼影混洗卷积改进特征融合子网络,强化对提取特征的筛选,在降低模型参数量的同时,改善缺陷信息丢失和无效信息冗余问题;在检测端引入具有角度损失的新型损失函数SIOU,来促进真实框和预测框的拟合并提升对缺陷预测的准确性。实验结果表明:改进的YOLOv5方法在降低YOLOv5基准模型复杂度和计算量的同时,与YOLOv7等六种先进方法相比,可获得更高的检测精度,相较原模型mAP@0.5值提高了2.6个百分点,mAP@0.5:0.9值提高了1.3个百分点。

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。

基于YOLOv5s改进的无人机航拍图像车辆检测模型

针对无人机航拍图像车辆检测任务中存在车辆遮挡严重、小尺度目标多、背景信息复杂、误检漏检情况严重等问题,提出一种基于YOLOv5改进的车辆目标检测模型。首先,增加一个小目标特征检测层,增强对浅层特征图中有效位置特征信息的复提取,从而缓解因深层卷积导致密集小目标特征信息的缺失问题。其次,在Neck中使用GSConv卷积和VOVGSCSP模块,对模型进行轻量化同时提高检测精度。再次,使用Mish作为全局激活函数,提高特征信息在深层网络中的传播和表达能力。然后,为了模型对检测目标的定位精度,使用EIoU作为回归框定位损失。最后,在Backbone中引入Transformer模块,增强模型感受野,提高对关键点信息的提取能力,增强模型抗干扰能力。实验结果表明,最终改进模型的平均检测精度(mAP)达到了83.8%,比原始YOLOv5s模型提高了5.5%,对小目标检测精度明显得到提升。

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YOLOv5−SEDC模型的煤矸分割识别方法

现有煤矸分割识别技术参数量大、分类速度慢和识别准确度不高;YOLOv5−seg模型在上下采样操作中易造成图像表面的纹理细节和灰度特征信息丢失,降低煤矸识别效率,且在训练过程中过分侧重全局特征,而忽略了对煤矸识别至关重要的局部显著区域和特征。针对上述问题,提出了一种基于YOLOv5−SEDC模型的煤矸分割识别方法。首先接收包含煤矸形状信息的图像,并利用主干网络进行特征提取,生成特征图;其次在YOLOv5−seg模型中集成SENet模块,以保留煤与矸石表面的纹理细节和灰度特征,避免下采样带来的信息丢失;然后采用不同,膨胀率的空洞卷积策略替代传统卷积核,不仅扩大了模型的感受野,还有效减少了模型参数量;最后分割检测头对融合后的特征进行精细处理,实现对煤矸的精确分割和识别。在大柳塔煤矿实际煤矸分选现场搭建煤矸图像采集实验平台,消融实验结果表明,YOLOv5−SEDC模型的煤和矸石识别的精确率较YOLOv5−seg模型平均提高1.3%,参数量减少0.7×10^(6)个,检测速度提高了1.4帧/s。对比实验结果表明:①YOLOv5−SEDC模型的精确率较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了10.7%,2.7%,1.9%,达到95.8%。②YOLOv5−SEDC模型的召回率较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了3.0%,2.1%,0.9%,达到89.1%。③YOLOv5−SEDC模型的平均精度均值较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了6.4%,6.3%,1.8%,达到95.5%。④YOLOv5−SEDC模型的F1较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了5.2%,4.2%,2.1%,达到92.2%。⑤YOLOv5−SEDC模型的检测速度较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别降低了1.9,1.4,2.7帧/s。可视化结果表明,YOLOv5−SEDC模型对煤和矸石的检测准确度较YOLOv5−seg和Mask−RCNN模型更高,说明了YOLOv5−SEDC模型在煤矸分割识别上具有较好性能。

基于YOLOv5的无人机航拍改进目标检测算法Dy-YOLO

由于无人机航拍具有场景复杂多样,目标尺度变化剧烈,高速低空运动模糊等诸多特性,给目标检测带来了很大的挑战。针对无人机航拍目标检测效果不佳的问题,提出了Dy-YOLO模型,在YOLOv5的基础上引入Dynamic Head注意力,从尺度感知、空间位置、多任务3个角度探索具有注意力机制的预测头潜力;设计了C3-DCN结构和Dynamic Head注意力相互配合增强特征提取能力;此外,还使用SimOTA标签分配方式来弥补小样本的损失,并使用CARAFE(content-aware resssembly of features)上采样算子,有效增强了不同卷积特征图的融合效果。在VisDrone2019测试集上,Dy-YOLO检测的平均均值精度达到了38.2%,较基线方法YOLOv5提高了7.1%,同时与主流的检测方法相比也取得更高的检测精度。结果表明,Dy-YOLO算法对于无人机航拍检测任务具有较好的性能。

基于改进YOLOv5算法的接触网绝缘子定位方法

【目的】针对高速铁路接触网绝缘子在复杂背景下检测效率不高的问题提出一种检测算法。【方法】首先对样本数据集进行大规模扩充,在原有YOLOv5s算法的基础上,为有效的提升模型的表征力,增加ECA注意力机制,进行无降维的跨信道方式来聚焦绝缘子位置信息;使用BiFPN特征金字塔网络,进行多尺度的特征融合来丰富语义信息;选用Meta-ACON自适应控制激活函数,在函数允许的最大范围内,严格把控函数的上下限,防止模型出现失控现象;将原有GIOU损失函数更换为EIOU损失函数,从梯度的角度对锚框进行更深一步的划分,进而提升网络的收敛速度。【结果】实验结果表明,通过对YOLOv5s改进后的检测算法,可以对绝缘子进行更精确的定位与识别,准确率达到了99.4%。【结论】所提出的检测算法为绝缘子定位检测提供了更加准确快捷的方法。

基于改进YOLOv5的远距离小目标检测方法研究

针对实际情况中小目标人物在目标检测领域中存在识别率低、漏检、精度低等问题,本文提出一种基于改进YOLOv5的远距离小目标检测算法。通过提高数据集图片分辨率,增强目标的特征信息;在特征提取网络引入CABM注意力机制,提高模型提取小目标特征的能力;在特征融合网络引入BiFPN,提高了网络的多尺度特征融合能力和小目标特征识别的效果。与原YOLOv5算法相比,在神经网络模型体积大小变化不大的前提下,验证集数据集上检测精度提升了8%,召回率提高了6%。实验证明该改进方法对远距离小目标检测应用的有效性。

改进YOLOv5s的室内喷涂机器人的窗户检测算法

室内窗户检测对喷涂机器人实现自动化喷涂作业有着重要意义。现有的窗户检测模型受光照环境影响较大,且无法识别局部窗户图像,参数量多、计算量大,难以部署在算力有限的喷涂机器人上。针对以上问题,本文提出一种改进YOLOv5s网络的轻量级室内窗户检测算法,在YOLOv5s网络的基础上引入PP-LCNet和GhostNetv2两个轻量级网络,降低模型的参数量和计算量,提升模型的实时检测速度;再将基于Transformer编码的C3TR模块添加到主干网络,增强模型的特征提取能力,并使用SIoU损失函数加快网络的收敛速度,保留有利特征。实验结果表明,本文改进的算法相较于原算法参数量降低了77.7%,权重文件减小了75.7%,检测速度提高了77.8%,平均精度均值提升了2.9%。

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。

改进YOLOv5s的钢轨表面缺陷检测算法

针对钢轨多类别缺陷识别任务中样本不平衡、尺度差异大,提出一种改进YOLOv5s的钢轨表面缺陷检测算法。在骨干网络中嵌入全局注意力机制,增强网络对缺陷特征的提取能力;构建加权双向特征融合网络,减少缺陷目标特征信息的丢失;在颈部采用改进的卷积结构,降低模型复杂度,同时提升检测精度;最后引入WIoU损失函数提升低质量样本预测能力。该方法在2种不同类别的数据集中都具有较好的表现,在RailDefect公共数据集上,其平均精度均值(mAP)达到91.2%,较YOLOv5s网络提高了3.6%,准确率(precision)和召回率(recall)分别提高了3.3%和3.9%。该算法在保证较高检测精度的同时降低了模型复杂度,更适合部署于算力有限的移动端轨道检测设备中,具有一定的实用价值。

基于改进Yolov5的绝缘子损坏检测识别

绝缘子是一种设计用于在不同电势导线上承受电压和机械压力的装置;由于电环境和电力负载波动的影响,绝缘子可能会遭受多种电-机耦合应力破坏,从而无法正常工作并且影响整个绝缘子网络的寿命;为了解决这个问题,提出了通过目标检测算法来检测绝缘子损坏的方案;改进的方案基于Yolov5s模型进行;首先,在原有的Yolov5s模型基础上增加了更多的小目标检测层,从而提高了检测的精度;此外,引入了额外的运算层以扩展特征图,并使用SE(注意和观察)注意模块使网络更专注于检测对象,还采用SIOU代替YOLOv5s中的损失函数;实验结果显示,改进后的模型相对于传统的Yolov5s模型在绝缘子损坏检测方面具有明显优势;改进后的模型在mAP(平均精度均值)、P(查准率)和R(查全率)等指标上分别提高了2.5%、1.1%和0.8%;与原始的Yolov5s模型以及其他模型(如Yolov5m、Yolov5l等)相比,在绝缘子缺陷检测和识别方面具有更强的竞争力;这些改进策略为提高绝缘子损坏检测精度提供了有效的解决方案;通过这些改进,可以更准确地检测绝缘子损坏,并及早采取必要的维修和保养措施,以延长绝缘子的寿命和确保电力系统的稳定运行。

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。

基于改进YOLOv5s的两种输电杆塔缺陷检测研究

国内的电力事业发展迅速,输电杆塔的缺陷检测与修复是保证电网安全运行的关键技术手段。当前主要是人为识别输电杆塔的缺陷,工作负担巨大。故以YOLOv5s网络为基础,提出一种改进YOLOv5s目标检测算法,提升检测效率。在基础模型上引入Focal-EIoU损失函数,提升模型收敛速度与精度;在卷积层引入Hardswish激活函数,提高模型的表达能力,查准率得到提升;上调算法推理的置信度阈值conf-thres,减少模型推理的误检情况,提升模型正检率。另外在研究中尝试融入注意力机制提升网络特征提取能力,但效果不好,故舍弃此改进策略。实验结果表明,改进模型的各项指标均获得了提升,查准率由92.96%提升至95.02%,上涨了2.06百分点;查全率由87.36%提升到了87.38%;mAP@.5∶mAP@.5∶.95(0.1∶0.9)由0.644 3提升至0.648 1,上涨了0.38百分点;模型检测速度FPS提高了4.4。