基于改进YOLOv5网络的侧扫声纳图像目标检测方法

为构建适合不同测量平台搭载以及满足不同任务需求的高效侧扫声纳图像目标检测网络,将高性能轻量级目标识别网络PP-LCNet引入YOLOv5目标检测框架,并通过调整网络卷积层的通道数,构建了8种不同大小的高性能水下目标检测网络模型。以水下沉船目标为例进行了目标检测试验,结果表明,当网络主干改进为PP-LCNet-1.5x和PP-LCNet-2.0x时,检测精度(mAP)可分别达0.845和0.849,较原始YOLOv5s分别提升了0.024和0.028,同时参数量更少,能够满足普通硬件上的实时目标检测需求。

基于Copula贝叶斯分类器与改进YOLOv5网络的手势识别研究

手势识别是通过识别人类手势并结合相关算法实现对手势语义分类的一项议题,在智能建筑、机器控制、新型人机交互、辅助驾驶等领域应用十分广泛,因此,手势识别具有重要研究意义。该文提出在YOLOv5目标检测网络引入注意力机制,以解决YOLOv5目标检测网络特征差异不敏感问题;此外,利用Copula模型改进朴素贝叶斯分类器,以解决图片分类精度缺失问题。实验结果表明:该文提出的Attention-YOLOv5检测网络比原网络在准确率和召回率上都有显著提升,基于Copula理论改进的贝叶斯分类器在准确率上显著高于朴素贝叶斯分类器。

引入注意力机制的改进型YOLOv5网络研究

为了提升复杂多尺度目标检测任务下的分类及定位准确度,在基准的YOLOv5目标检测算法基础上,设计了四组引入注意力机制模块的改进型YOLOv5网络,并在变电站内复杂多尺度检测场景数据集上进行对比实验。实验结果表明,相较于基准YOLOv5网络,SwinTrans-YOLOv5网络的mAP指标提升达9.0%,但模型运算量高达1,061.6GFLOPS(每秒千兆次浮点运算);CA-YOLOv5网络的mAP指标提升也达到4.1%,模型运算量仅需115.8 GFLOPS。因此,在硬件算力充足的情况下使用SwinTrans-YOLOv5网络可以获得更高的检测精度,但在硬件算力不足的情况下使用CA-YOLOv5网络,则实现了检测精度和速度间较好的平衡。

基于YOLOv5网络的气田无人值守场站多路入侵目标检测

为了优化气田无人值守场站监控效果,改善低分辨率画面检测精度低、识别困难及深度学习模型在多摄像头下资源消耗严重的问题,提出一种基于YOLOv5网络的多路入侵目标检测方法。应用YOLOv5网络及Deep SORT算法分别提取目标外观及其运动特征,通过拼接画面的方式实现对显存资源的合理利用。实验结果表明,进行迁移学习后模型的mAP值可达95%,检测精度较高,模型鲁棒性良好。

一种基于YOLOv5网络模型的端到端眼底视盘定位方法研究

目的:研究增进眼底图像视盘检测精度和速度的方法,以提高眼底图像视盘检测精度和速度。方法:设计一种基于YOLOv5网络模型的端到端视盘定位方法,在特征提取网络的输出中舍弃8倍的下采样通道,保留32倍和16倍的下采样通道;运用公共眼底数据库Messidor和Kaggle对YOLOv5网络模型进行200个epoch的训练,并使用该方法对890张眼底图像进行测试。结果:YOLOv5网络模型定位方法在数据集Messidor、DiaretdB0(DB0)和DiaretdB1(DB1)中视盘定位准确率为100%;在深度学习计算平台Stare、Kaggle和Drive数据集上的视盘定位准确率分别为95.06%、97.5%和99.33%。平均定位时间为0.005 s。结论:在数据测试集中的测试结果中,基于YOLOv5网络模型的端到端眼底视盘定位方法在正常眼底图像和病变视网膜眼底图像中都能快速、准确地定位视盘,具有较好的适用性和鲁棒性。

基于YOLOv5网络的径赛人体目标检测

针对径赛人体目标识别中,在图像上重叠、粘连的运动员检测精度低,容易漏检并在多目标识别中检测速度较慢的情况,本文提出一种基于YOLOv5的径赛人体目标检测模型。首先,在专业场地拍摄运动员冲刺影像,对所有运动员与遮挡目标进行标注,制作成专用径赛识别数据集。其次,通过数据增强的手段,将数据集中运动员部分身体进行遮挡,获取大量的差异性增强数据,提高模型对遮挡目标识别度。最后,对YOLOv5网络进行优化,将网络中Leaky Relu激活函数与Hardswish激活函数全部改为Silu激活函数,简化了体系结构;改进nms非极大值抑制机制,增加模型对重叠目标的敏感度。实验结果表明,改进后的YOLOv5模型对重叠的人物有着更为精确的检测效果。模型平均精度mAP@0.5值为0.982,测试精度为0.969,单张图片处理的平均时间为0.012 s,目标检测速度达到83.3FPS。能够满足径赛检测的需求。

基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统目标检测应用

为评估金枪鱼延绳钓系统运行质量、降低人工成本,以及从金枪鱼延绳钓系统电子监控EMS系统中提取浮球、金枪鱼数量等信息,本文提出一种基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统浮球及金枪鱼目标检测方法,从HNY722远洋渔船EMS系统视频监控数据中截取包含有目标浮球和金枪鱼的15578帧关键帧,将所有关键帧及其标记文件划分为14178个训练数据及1400个验证数据,基于YOLOV5s、YOLOV5l、YOLOV5m、YOLOV5x等4种YOLOV5神经网络模型,设计分组训练试验对比训练效果。结果表明:参与训练的4种神经网络模型均可完成金枪鱼延绳钓电子监控系统的目标检测任务,但网络模型的选择对广义交并比损失(GIoU loss)、目标检测损失(objectness loss)、准确率(precision)、召回率(recall)、多类别平均精度值(mAP)等参数具有显著性影响(P<0.05),对目标分类损失(classification loss)参数无显著性影响(P>0.05);检测效果表现较好的模型是YOLOV5l和YOLOV5m,二者的mAP@0.5值分别为99.1%和99.2%,召回率分别为98.4%和98.3%,但YOLOV5m网络模型在GIoU损失等表现上劣于YOLOV5l。研究表明,4种网络模型中YOLOV5l模型是最适合应用于金枪鱼延绳钓电子监控系统目标检测的网络模型。

基于YOLOv5网络模型的户内燃气安全检查仪

设计基于YOLOv5网络模型的户内燃气安全检查仪,在燃气公司工作人员不入户的情况下,实现燃气泄漏检测、简单隐患识别、检查结果告知等功能。对检查仪的功能、硬件设计和软件设计、隐患识别算法进行探讨。采用该检查仪,未用气接头未封堵、软管老化、管道锈蚀的隐患识别准确率较高,无管箍、无烟道、烟道破损的隐患识别准确率较低。

基于改进YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进:使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。

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。

基于改进的YOLOv5甘蔗茎节智能识别系统

甘蔗茎节的快速准确识别对实现甘蔗田间作业和糖料产业精细化管理等任务具有重要意义,是田间产量测量的前提。为此,针对当前甘蔗人工测量成本高、人工参与量大和工作效率低等问题,设计了一种基于边缘计算的便携式甘蔗茎节智能识别系统。YOLOv5网络模型具有架构小、运行速度快等优势,通过对网络模型的进一步改进,使用K均值聚类方法调整锚框尺寸至最优,增强网络模型鲁棒性的同时也提高了茎节识别准确性;在卷积层后添加了CBAM注意力机制模块,使网络模型更加关注甘蔗茎节特征;引入VarifocalNet,使网络模型对于密集遮挡区域的甘蔗茎节有更好的识别效果。将改进后的算法移植入Jetson TX2嵌入式开发平台。试验结果表明:系统平均准确率(AP值)为89.89%,相比于之前的88.23%,提升了1.66%,单幅图像检测时间约为1.87s,视频检测速度可达15fps。系统可有效实现对甘蔗茎节的实时准确识别,为甘蔗田间产量测量提供了新的解决思路。

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YOLOv5的Logo检测算法

针对Logo图像背景复杂、Logo目标尺寸多变的问题,提出了一种基于YOLOv5的改进检测算法。首先,结合CBAM(Channel Block Attention Module),分别在图像通道与空间方向进行压缩,提取图像的关键信息与重要区域;然后,使用可变空洞卷积(SAC)使网络在不同尺度下自适应地调整特征图中的感受野大小,以捕获不同尺度下的物体信息,改善网络对多尺度目标的检测效果;最后,将归一化Wasserstein距离(NWD)嵌入损失函数,将边界框建模成2D的高斯分布,计算对应的高斯分布之间的相似度,更好地度量目标之间的相似性,提高对小目标的检测性能与模型鲁棒性和稳定性。实验结果表明,在数据量较小的数据集FlickrLogos-32中,改进后算法的平均精度均值(mAP@0.5)达到90.6%,比原始YOLOv5算法提升了1个百分点;在数据量较大的数据集QMULOpenLogo中,改进后算法的mAP@0.5达到62.7%,比原始YOLOv5算法提升了2.3个百分点;在针对特定类型的Logo检测集LogoDet3K中,针对3类商标改进后算法比原始算法的mAP@0.5分别提升了1.2、1.4与1.4个百分点,说明它有更好的Logo图像小目标检测能力。

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。

改进YOLOv5模型的带钢表面缺陷检测方法

针对带钢表面缺陷检测中的漏检和精度较低问题,提出一种融合swin-transformer和坐标注意力(coordinate attention,CA)模块的改进YOLOv5模型检测方法。在YOLOv5模型的主干网络中引入swin-transformer特征提取模块,使主干网络更聚焦于图像全局特征信息的提取;在特征融合网络输出分支末端嵌入CA模块,进一步增强目标缺陷方向和位置信息的敏感度。研究结果表明:改进模型在NEU-DET数据集上的平均精度值(mAP)达到了77.6%,较原YOLOv5模型提高了3个百分点。改进模型提升了带钢表面缺陷检测精度,具有更好的缺陷检测能力。

采用改进YOLOv5 网络的遥感图像目标识别方法

针对无人机目标识别中因遥感图像模糊、成像距离远、目标图像占比小等使得目标识别准确度不高问题,提出了一种基于改进YOLOv5网络的方法.该方法通过改进损失函数、改进特征金字塔网络(FPN)结构和增加平衡系数来提高目标识别效果.实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络对目标占比小于5%的小目标正确识别率有较为显著的提升,对目标占比仅有1%的小目标正确识别率提升了9%;对各类别图像识别准确率都有所提升,均值平均精度达到了0.767,比原始YOLOv5网络提升了3.2%.

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YOLOv5的卷烟包装真伪智能识别APP系统

在目前的卷烟市场稽查工作中,卷烟真伪的鉴别主要依赖于人眼感官,通过比对检验样品与真品以及真品的加工工艺和印刷工艺等方面的差异来判定,该方法存在效率低、主观性强的问题。为解决上述问题,提出了一种基于人工智能的卷烟包装真伪智能识别系统。该系统使用融合注意力机制的YOLOv5网络模型,用于识别卷烟包装图像的特征并判断其真伪;同时建立了卷烟包装图像信息的数据库和管理系统,开发了手机端应用APP软件,封装了识别算法,能实现卷烟包装的快速光学成像采集和图像真伪智能识别,以提高卷烟稽查工作的效率。

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。