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。

改进YOLOv5s算法的车辆目标实时检测方法

针对城市道路车辆检测中小目标车辆漏检率高和存在异类冗余框的问题,提出一种改进YOLOv5s的车辆实时检测算法。对YOLOv5s算法网络结构进行优化,采用增加小目标检测层,将浅层特征图与深层特征图拼接后进行检测的方法,提升小目标车辆的检测率;针对异类冗余框问题,采用加权非极大值抑制融合两边框信息的方法,提升检测准确性。实验结果表明,改进YOLOv5s算法的平均检测精度(mAP@0.5∶0.95)达到64.17%,相比YOLOv5s算法,查准率、召回率分别提高1.72%、0.72%;在小目标车辆检测中,正检率提高5.95%,漏检率降低4.63%。改进YOLOv5s算法能有效改善小目标车辆的检测精度和准确率。

基于改进YOLOv5s算法的钢轨扣件状态检测方法

[目的]为提高轨道巡检效率以及优化巡检策略,有效避免漏巡、漏检等问题的发生,提出了一种基于改进YOLOv5s算法的钢轨扣件状态检测方法。[方法]介绍了YOLOv5算法的网络结构。在YOLOv5s算法的骨干网络中融入C3-CBAM(卷积注意力)模块以获取更多细节特征,然后采用BiFPN(加权双向特征金字塔)网络进行多尺度特征融合,形成改进YOLOv5算法。针对弹条断裂、弹条缺失、弹条移位和螺栓缺失4种状态进行了试验验证。[结果及结论]采用改进后的YOLOv5s算法比原YOLOv5s算法在测试精度、召回率、平均精度上都有所提高,表明该方法对钢轨故障扣件分类检测具有很好的工程应用价值。

铁路轨道伤损检测系统YOLOv5s算法模型优化研究(下)

在介绍轨道伤损检测系统组成的基础上,分析YOLOv5s算法模型原理,针对采用YOLOv5s算法模型检测钢轨轨面掉块和夹板裂纹等小目标伤损效果不佳的问题,通过数据增强策略和算法模型改进来优化YOLOv5s算法,并进行试验和现场应用验证。结果表明:改进后的YOLOv5s算法模型平均精确率提升7.7%,检测速度增加5.7帧/秒,使轨道伤损检测系统能有效检测出钢轨轨面掉块、夹板裂纹等细小伤损。YOLOv5s算法模型的优化,为轨道伤损检测系统准确检测钢轨轨面掉块和夹板裂纹等小目标伤损提供理论依据。

铁路轨道伤损检测系统YOLOv5s算法模型优化研究(上)

在介绍轨道伤损检测系统组成的基础上,分析YOLOv5s算法模型原理,针对采用YOLOv5s算法模型检测钢轨轨面掉块和夹板裂纹等小目标伤损效果不佳的问题,通过数据增强策略和算法模型改进来优化YOLOv5s算法,并进行试验和现场应用验证。结果表明:改进后的YOLOv5s算法模型平均精确率提升7.7%,检测速度增加5.7帧/秒,使轨道伤损检测系统能有效检测出钢轨轨面掉块、夹板裂纹等细小伤损。YOLOv5s算法模型的优化,为轨道伤损检测系统准确检测钢轨轨面掉块和夹板裂纹等小目标伤损提供理论依据。

基于改进YOLOv5s算法的隧道初期火灾检测模型

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明:YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检出率方面更具有优势,检测效果明显,满足实际火灾检测需要。

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展,人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测,可提高检查驾驶员手势执行情况的效率,保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题,提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块,加强重要特征信息,抑制次要特征信息;其次在颈部网络中引入BiFPN模块,在不过多增加计算量的情况下,更好地实现多尺度特征融合;最后通过改进的K-means聚类算法生成适合本文数据集的先验框,更好地提升预测框精准度,加强模型的识别性能。实验结果表明,本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势,对于实现工程部署有重要意义。

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。

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。

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的生活垃圾检测算法

针对目前生活垃圾检测算法在背景复杂、目标尺寸多样的情况下检测精度低,模型参数量大的问题,提出了基于改进YOLOv5s的生活垃圾检测算法.基于密集连接与GhostConv,设计了C3_GD与C3Ghost模块,主干中使用C3_GD模块以提升模型在背景复杂、目标遮挡情况下的特征提取能力,颈部的C3Ghost模块用以减少模型参数量.构建融入Involution算子的I-BiC模块,对多尺度特征融合网络进行了优化,提高算法对不同尺寸目标检测能力.引入SimAM注意力机制,抑制背景噪声影响.实验结果表明,在自制数据集上,改进后模型较原始模型mAP@0.5提高2.9%,精度提高4.3%,召回率提高2.8%.在公开的TrashNet数据集上,改进模型mAP@0.5∶0.95增加4.9%.改进后模型表现出更好的检测效果,能较好地完成生活垃圾检测任务需要.

一种改进YOLOv5s的自爆绝缘子检测算法研究

针对绝缘子缺陷巡检过程中,传统算法因背景复杂难以同时兼顾检测精度与模型大小的问题,提出一种基于改进YOLOv5s的绝缘子缺陷检测模型。首先,采用Bottleneck CSP结构,引入轻量型空间与通道卷积注意力机制,强化绝缘子特征并抑制复杂背景特征;然后,提出一种改进的BiFPN结构,实现多尺度特征融合,提升小目标检测能力;最后,采用K-means++算法重新聚类先验框,并设计轻量型GhostC3和Ghost Conv模块,保证网络精度的同时减小模型大小。实验结果表明:改进算法在Insulator2022数据集上的mAP值达到92.3%,提升了3.6%,参数量减少了26.73%,浮点运算量减少了23.17%,漏检率降低了5.47%;在公开数据集上,缺陷绝缘子mAP值达到99.5%,各项评估指标值优于Faster-RCNN、SSD、YOLOv3和YOLOv3-tiny主流算法以及绝缘子检测相关算法。

基于KRB-YOLOv5s的煤矸识别方法

为解决煤矿高粉尘、低照度、高噪声与堆叠等复杂环境因素导致的煤矸识别精度低、漏检与误检问题,提出一种基于KRB-YOLOv5s算法的煤矸识别方法。采用K均值聚类(K-means++)算法对数据集进行重新聚类,以得到更精准的锚框参数;在YOLOv5s主干网络中引入大核卷积结构重参数(RepLKNet)网络,通过大核卷积架构提取目标更高层级的特征信息;在YOLOv5s颈部引入加权双向特征金字塔(Bi FPN)网络,通过双向跨尺度连接对目标多尺度特征进行快速捕捉与融合。在煤矸数据集上开展实验,结果表明:与其他YOLO系列检测算法相比,KRB-YOLOv5s算法在高粉尘、低照度、高噪声与堆叠工况下的综合检测性能最佳,识别精度均值(m AP)达94.5%,比YOLOv5s算法提高了3.3个百分点。研究结论为煤矿复杂工况下煤矸智能分选提供参考。

基于改进YOLOv5s的汽车白车身焊点检测

针对传统的基于机器视觉的汽车焊点检测中焊点不规则及易受环境光线影响导致产生漏检错检的问题,该文提出一种改进YOLOv5s的算法YOLOv5s_CB_SI。该算法通过在主干网络Backbone引入CBAM卷积注意力机制以提高模型对图像重要区域信息的关注度和对目标缺陷的学习能力,并引入SIoU定位损失函数,加快模型的收敛速度,而且有效提升模型检测及定位的能力。将改进后的算法与YOLOv5s法在焊点数据集上作对比,实验结果表明,该文提出的算法与原始算法相比精确率和召回率分别提升了4.8%和2%,在有效地提升了在焊点检测过程中的准确率的同时减少了错检漏检率,证明了改进后模型的有效性。

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。

YOLOv5s中注意力机制对检测小目标的影响

为提高YOLOv5s目标检测算法在检测图像中小目标时的准确度,本文研究引入注意力机制来提高神经网络对于图像特征提取的能力。将三种注意力机制CBAM、CoordAtt和GAM分别与YOLOv5s相融合,并在小目标数据集上进行训练。实验的结果显示,在YOLOv5s算法中添加注意力机制时,需考虑注意力机制在网络中的添加位置、该机制与数据集任务之间是否匹配以及预训练权重的影响。

基于改进YOLOv5s的硬核期葡萄簇检测

为实现自然环境下硬核期葡萄簇的快速精准检测,提出一种改进的YOLOv5s网络。首先,将YOLOv5s主干特征提取网络和加强特征提取网络中的卷积模块(Conv)替换为拥有更强特征提取能力的RepConv模块;然后,将YOLOv5s主干特征提取网络中C3结构的BottleNeck也替换为RepConv模块;接下来,将高效通道注意力模块(ECA)添加到YOLOv5s加强特征提取网络中的C3结构;最后,将YOLOv5s卷积模块中的激活函数SiLU改为ReLU6。试验结果表明,改进YOLOv5s网络对葡萄簇检测的精确率为96.5%、召回率为94.5%、平均精度均值为98.0%、检测速度为260 f/s。相比Faster R-CNN、SSD、RetinaNet、YOLOv3(Ultralytics)、YOLOXs和YOLOv5s,其平均精度均值分别高10.4、44.1、13.9、0.2、8.9和1.0个百分点。提出的改进网络能够较好地检测自然环境下模糊、遮挡、簇粘连、不完整、昏暗及逆光等各种状态的硬核期葡萄簇,且方便在移动设备上部署。

复杂背景下铁路扣件的改进YOLOv5s检测算法

针对复杂背景下铁路扣件外观缺陷形态检测困难的问题,提出一种改进的YOLOv5s(RFYOLOv5s)铁路扣件检测算法。首先,结合铁路扣件形态特征,采用DenseBlock模块代替YOLOv5s网络中的Focus模块,并嵌入Ghost-BottleNeck模块,替换YOLOv5s主干网络中的Bottleneck模块;然后,引入损失函数LCIoU对YOLOv5s网络进行优化。此外,对原网络中马赛克数据增强方式进行改进,以丰富数据样本特征。将RF-YOLOv5s算法与Faster R-CNN,SSD,YOLOv3,YOLOv4和YOLOv5s等经典目标检测算法对无人机获取的铁路扣件外观缺陷形态数据影像进行检测效果对比。结果表明:RF-YOLOv5s算法的平均检测精确率可达95.46%,平均检测用时为15 ms,可实现对昏暗、遮挡、杂物干扰和模糊复杂背景下铁路扣件外观缺陷形态的准确检测;相比于几种经典目标检测算法,RF-YOLOv5s算法的整体性能表现更为出色,能够满足在实际铁路工况下对扣件实时检测的需求,为铁路管养部门提供技术参考。

基于GBS-YOLOv5s的煤矿烟火检测

针对现有的煤炭烟火检测方法精确度低、参数量大、算法复杂度高等问题,提出了一种基于GBS-YOLOv5s的煤矿烟火检测算法。使用Ghost卷积模块实现特征提取,在原始算法上加入Ghost Bottleneck模块来减少模型参数量。其次,通过在SPPF模块后面加入全局上下文特征提取BoT3模块,增加对小目标的检测效果。最后,引入一种新的Soft-NMS算法,降低这些边界框的置信度,提升召回率,减少重叠目标的漏检。实验结果表明:GBS-YOLOv5s目标检测算法优于YOLOv5s算法,准确率提升了3.3%,每秒的浮点运算数GFLOPs减少了7.6 G,可以满足煤矿场景下对模型检测的要求。