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。

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YOLOv5s改进模型的堆叠螺栓抓取研究

在当前工业的螺栓生产过程中,堆叠螺栓的分拣工作依然需要人工完成,不仅工作效率低,而且会导致大量人力资源的浪费。针对这一问题,对YOLOv5网络模型进行了改进,提出了SE_YOLOv5网络模型。首先,在原网络的Neck部分删除了P′1特征层,减小了网络对浅层信息的提取,在不影响对大尺寸目标检测的前提下,提高了网络检测的实时性;然后,改进了Backbone模块,通过添加压缩与激励(SE)注意力机制,使网络更高效地聚焦于图像中的重要部分,增强了网络对堆叠螺栓检测的准确性;最后,提出了检测框重叠最小法,减少了抓取时夹爪与非目标螺栓的碰撞,并对螺栓检测框进行了抓取点位姿优化,提高了抓取的成功率。研究结果表明:SE_YOLOv5网络对堆叠螺栓检测的平均精度为86.5%,平均速度为13.02 FPS;相比于原YOLOv5s网络模型,SE_YOLOv5网络在检测精度上提升了1.2%,在检测速度上提升了2.71 FPS;相比于其他检测模型,SE_YOLOv5也具有更高的检测精度和检测速度。抓取结果证明,该模型能用于有效地指导机械臂进行螺栓抓取操作。

基于改进Yolov5模型的纱筒余纱量检测方法

为实现针织圆纬机纱架上纱筒余纱量的实时检测,提出一种深度学习与传统图像处理相结合的检测方法。通过优化Yolov5的主干网络并加入Shuffle-Attention注意力机制,利用改进后模型在图像中检测并框出纱筒位置;然后利用透视变换、均值偏移、canny轮廓检测、闭操作等处理获取纱筒内外圆轮廓,设计基于梯度下降的圆拟合算法,拟合纱筒内外圆的轮廓,得到纱筒的内外圆半径;最后结合小孔成像的原理完成纱筒余纱量的测量。结果表明:改进后的Yolov5模型在纱筒检测精度上达到99.5%,检测速度可达20帧/s,同时模型参数减少至3.255×106可检测的最小纱筒余纱量为3 mm,当纱筒余纱量小于3 mm后,将其视为空筒,进行延时更换。本文算法拟合圆所花费时间是传统霍夫圆检测算法的1/4左右,因此可满足针织车间的实际应用需求。

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。

基于数学模型的5G通信网络资源分配优化研究

文章研究了5G通信网络中的资源分配优化问题,通过构建线性规划数学模型,并采用单纯形法进行求解,应用结果表明,优化后的资源分配方案显著提高了网络的整体性能,包括网络吞吐量和用户满意度,并对不同资源分配策略进行了对比分析,验证了数学模型在5G通信网络性能优化中的有效性。

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。

基于轻量化YOLOv5的新型菜品识别网络

为了更好地满足中餐菜品识别对准确性和时效性的应用需求,设计一种新型的菜品识别网络。在原YOLOv5模型的基础上,结合Supermask方法与结构化通道剪枝对模型进行剪枝操作,并利用Int8量化技术最终实现对模型的轻量化处理,保证模型在菜品识别中兼顾准确率和速度,同时提高模型的可移植性。实验结果表明,所提模型在交并比(IoU)为0.5时,平均精度均值(mAP)达到99.00%,平均每帧识别时间达到59.54 ms,相较于原始YOLOv5降低了20 ms,且准确率基本保持一致。此外,利用Qt软件将新型菜品识别网络移植到瑞萨RZ/G2L开发板,构建智能出餐系统,可实现点餐、生成订单、自动出餐全流程,为未来真正的餐厅智能出餐系统的构建应用提供了理论与实践基础。

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。

采用ERA5数据构建基于人工神经网络的天津ZWD模型

提出一种高精度的ZWD模型(tianjin_zwd,TZ)。TZ基于2016-2018年逐小时气压分层的ERA5,欧洲中尺度气象预报中心第五代再分析产品数据,采用BP神经网络建立。然后,根据2019年的ERA5产品导出的ZWD对TZ模型进行了验证。结果表明:相比GPT3模型,TZ模型可提供更贴近真值的ZWD估值;并且,其RMSE由5.0 cm (GPT3)降至4.5 cm,表明10%的精度提升。上述结果表明TZ模型实现了更优的预测性能,该模型的构建策略可为全国其他地区的ZWD建模提供借鉴。

基于YOLOv5模型的驾驶疲劳研究

打哈欠是判定驾驶员疲劳状态的关键因素,考虑到驾驶疲劳检测易受驾驶员自身条件和外部环境的干扰,以及实时性差等情况研究了驾驶员的打哈欠问题,提出了一种利用YOLOv5网络模型进行疲劳检测的方法。首先通过LabelImg对处理过的YawDD开源数据集进行标注,再经过深度学习模型对样本进行多次迭代训练得到最优权重数据,最后将其用于测试集上进行测试。检测结果表明,样本平均识别准确率可达98%以上,所建模型具有高精度检测打哈欠行为的能力。

基于YOLOv5模型的高架草莓采摘机器人系统设计

为解决草莓采摘设备价格昂贵且采摘效率低等问题,基于YOLOv5模型的目标检测算法,设计了一款高架草莓采摘机器人。该草莓采摘机器人采用单目摄像头和激光测距相结合的识别模式,对草莓进行识别与定位,然后使用双机械臂同时完成草莓采摘动作,再将草莓通过收集缓冲装置送入收集盒。采用双机械臂和缓冲装置的设计,在保证草莓果实完整性的同时提高了草莓的采摘效率。该机器人进行了多次采摘实验,实验结果表明:该草莓采摘机器人可实现对草莓的精准识别与定位,且对成熟草莓的识别率达到95%,满足采摘要求。

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。

改进YOLOv5的钢材表面缺陷检测网络轻量化研究

在YOLOv5模型的基础上设计了一种改进的轻量化网络,能够快速准确地实现钢材表面缺陷检测。首先,使用基于梯度路径设计的ELAN结构,通过提高网络的学习能力来提高检测精度;其次,引入深度可分离卷积和Ghostv2模块减少模型体积和参数量;最后,利用SIOU边界框损失函数训练模型,使模型能够快速收敛并且精确回归。在NEU-DET上的实验结果表明,改进后的模型mAP值提升到77.0%,相较于原模型提高了5.3%,模型体积减少了42.1%,参数量减少了43.4%,检测速度也快了0.4 ms,实现了模型轻量化效果和检测精度的平衡,为后续在硬件终端上部署提供了一种可行方案。

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。

基于改进YOLOv5s模型的车辆及行人检测方法

针对道路交通环境中车辆及行人目标较小或被遮挡造成的检测精度低以及误检、漏检问题,提出一种基于改进YOLOv5s模型的车辆及行人目标检测方法。针对小目标和遮挡目标,引入SIoU边界框损失函数,增加小目标检测层,增强对小尺度特征的获取;改进特征金字塔结构,增加横向特征图传递,并使用CSP stage替换C3_F特征提取网络,使其获得更多的语义信息和图形信息;改进后处理NMS算法,优化冗余边界框剔除方法,筛选出高质量检测结果。试验结果表明:改进YOLOv5s模型算法的Precision、Recall、mAP@0.5和mAP@0.5:0.95指标均优于Faster-RCNN、YOLOv3-tiny和YOLOv8s算法,与原YOLOv5s模型算法相比Precision下降了0.4%,但Recall、mAP@0.5和mAP@0.5:0.95提高了3.4%、2.1%和6.0%,分别达到了86.1%、92.9%和70.0%,对小目标和遮挡目标的检测效果明显提高,证明此改进方法有效解决了对小目标和遮挡目标检测精度低以及误检、漏检问题。

基于FPGA的YOLOv5s网络高效卷积加速器设计

为提升在资源受限情况下的嵌入式平台上卷积神经网络(Convolutional Neural Network,CNN)目标识别的资源利用率和能效,提出了一种适用于YOLOv5s目标识别网络的现场可编程门阵列(Field Programmable Gate Array,FPGA)共享计算单元的并行卷积加速结构,该结构通过共享3×3卷积和1×1卷积的计算单元提高了加速器硬件资源利用率。此外,还利用卷积层BN(Batch Normalization)层融合、模型量化、循环分块以及双缓冲等策略,提高系统计算效率并减少硬件资源开销。实验结果表明,加速器在200 MHz的工作频率下,实现的卷积计算峰值性能可达97.7 GOPS(Giga Operations per Second),其YOLOv5s网络的平均计算性可达78.34 GOPS,与其他FPGA加速器方案相比在DSP效率、能耗比以及整体性能等方面具有一定的提升。