改进YOLOV5s的铁轨裂纹目标检测算法

铁轨表面的裂纹图像目标小、背景干扰信息多、分辨率高,使其目标检测效果并不理想。对此,提出一种改进YOLOV5s的目标检测算法以提升铁轨裂纹的检测效果。在颈部网络中引入VOV-GSCSP模块,用更轻量的卷积方式GSconv来替换普通的卷积,在保留更多细节信息的同时减轻网络的计算量。改进特征金字塔结构,提出多路径跨层融合结构,在特征金字塔下采样的过程中跨层融入主干网络的信息,保留更多原始的特征信息,提升目标检测的精度。同时,引入CA注意力模块和Transformer结构进一步加强高阶语义的信息提取。实验结果表明,改进的YOLOV5s算法,平均均值精度(mAP)达到62.4%,相对于原YOLOV5s算法提高了6.2个百分点;召回率(Recall)为92.2%,提升了4.4个百分点。

改进YOLOv8的水面小目标检测算法

针对水面目标检测中的噪声干扰和小目标的漏检问题,提出一种改进YOLOv8的水面小目标检测算法YOLOv8-WSSOD(YOLOv8-water surface small object detection).首先,为降低水面复杂环境在主干网络下采样过程中产生的噪声干扰,提出基于BiFormer双层路由注意力机制构建的C2fBF(C2f-BiFormer)模块,在特征提取过程中保留细粒度的上下文特征信息;其次,针对水面小目标的漏检问题,新增一个更小的检测头,提升网络对小目标的感知力,并在Neck端引入GSConv和Slim-neck,减轻模型复杂度并保持精度;最后,使用MPDIoU损失函数解决CIoU损失函数的局限性,以提高模型检测准确率.实验结果表明,相较于原始YOLOv8算法,该算法在水面小目标上平均准确率mAP@0.5提升了4.6%,mAP@0.5:0.95提升了2.2%,并且改进后的算法检测速度达到86f/s,能有效实现对水面小目标快速、准确的检测.

基于改进YOLOv5n的轻量化海产生物目标检测

对于海产生物科考与捕捞等行业,在海上远洋的船只在利用水下机器人进行海产生物的捕捞与识别时,由于通信带宽受限,计算资源有限,而采用轻量化网络模型可以更好地适应这样的条件。为此,提出了一种改进YOLOv5n的海产生物目标检测模型。首先,引入高效的轻量化卷积模块(Group Shuffle Convolution,Gsconv),对模型主体进行缩减;然后改进损失函数,引用α-giou损失函数进行优化,提升预测框回归精度;再引L1-norm正则化剪枝,裁剪不必要的通道以及相关的卷积核;最后采用L2知识蒸馏,将模型精度调整到接近剪枝前的水平。结果显示,与原有基线模型YOLOv5n相比,改进后的模型计算量下降了53%,参数量下降了51%。所提出的改进算法在保持模型性能的同时保证了轻量化处理的有效性。

基于改进轻量化YOLO v5n的番茄叶片病害识别方法

针对现有番茄叶片病害识别存在背景复杂、识别准确率低、模型参数量大、计算量大以及难以部署至移动设备或嵌入式设备等问题,提出一种改进的轻量化YOLO v5n的番茄叶片病害识别方法。首先收集细菌性斑疹病、早疫病、晚疫病、叶霉病、斑枯病、褐斑病等6种常见番茄叶片病害图像以及番茄健康叶片图像,对图像进行镜像翻转、高斯模糊等数据增强方式增加样本多样性,提升模型识别和泛化能力。接着在YOLO v5n网络基础上,选择采用轻量化的C3Ghost模块替换C3模块以压缩卷积过程中的计算量、模型权重和大小,同时在颈部网络中融合轻量级卷积技术GSConv和VOV-GSCSP模块,在增强特征提取能力的同时降低模型参数量。最后引入PAGCP算法对改进后的模型进行全局通道剪枝压缩参数量并减少训练开销。试验结果表明,改进后的YOLO v5n平均精度均值达到99.0%,参数量减少66.67%,计算量降低了2.6 G,模型权重压缩了2.23 MB。本研究提出的番茄叶片病害识别方法在降低了模型大小、参数量、计算量的同时仍保持较高的识别精度,为移动设备上实现番茄叶片病害识别提供技术参考。

基于YOLOv5s室内目标检测轻量化改进算法研究

针对现有室内目标检测算法,存在结构复杂,计算量以及模型参数量过大等问题,难以部署到计算能力有限的室内机器人平台,实现高效的目标检测。为解决这一问题,提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征提取网络,并且在改进的主干网络基础上采用CA注意力机制,同时在颈部网络中采用GSConv和VOV-GSCSP模块。最后引入边框回归损失函数EIOU加快网络收敛。研究结果表明,改进后的目标检测算法,模型计算量减少了68.75%,模型参数量减少了62.2%,权重文件减少了59.7%,平均精确率mAP均值为0.653,改进后的目标检测模型能够在保证轻量化的同时保证检测精度。

改进YOLOv5-S的交通标志检测算法

在自动驾驶领域,现有的交通标志检测方法在检测复杂背景中的标志时存在着漏检或误检的问题,降低了智能汽车的可靠性。对此,提出了一种改进YOLOv5-S的实时交通标志检测算法。在特征提取网络中融合坐标注意力机制,通过构建目标的长范围依赖来捕获物体的位置感知,使得算法聚焦于重点的特征区域;引入Focal-EIoU损失函数来取代CIoU,使其更关注高质量的分类样本,提高对难分类样本的学习能力,减少漏检或者误检的问题;在网络中融合轻量级卷积技术GSConv,降低模型的计算量。增加新的小目标检测层,通过更丰富的特征信息提高小尺寸标志的检测效果。实验结果表明,改进方法的mAP@0.5和mAP@0.5:0.95分别为88.1%和68.5%,检测速度达到了83 FPS,能够满足实时可靠的检测需求。

复杂场景下害虫目标检测算法:YOLOv8-Extend

[目的/意义]实现复杂的自然环境下农作物害虫的识别检测,改变当前农业生产过程中依赖于专家人工感官识别判定的现状,提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作物拟态、检测准确率低、算法推理速度慢等问题,本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目标检测算法。[方法]首先通过引入GSConv提高模型的感受野,部分Conv更换为轻量化的幻影卷积(Ghost Convo⁃lution),采用HorBlock捕捉更长期的特征依赖关系,Concat更换为BiFPN(Bi-directional Feature Pyramid Network)更加丰富的特征融合,使用VoVGSCSP模块提升微小目标检测,同时引入CBAM(Convolutional Block Attention Module)注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本,提高网络模型的泛化能力和整体性能。之后,对改进后的YOLOv8-Extend模型与YOLOv8原模型、YOLOv5、YOLOv8-GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比,验证模型检测准确度和精度。最后将模型移植到边缘设备进行推理验证,在实际应用场景中验证模型的有效性。[结果和讨论]YOLOv8-Extend在对比实验中均取得良好的表现,其中与原模型对比实验中,精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、2.4%和7.2%,表现突出,具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比,mAP@0.5提升4.6%,达到57.6 FPS,满足实时性检测要求。在复杂农业场景中YOLOv8-Extend模型具有更好的适应性,在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优势,在困难数据检测方面准确率提高了11.9%。[结论]本研究提出的YOLOv8改进模型有效提高了检测精度和识别率同时保持了较高的运行效率,能够部署在边缘终端计算设备上实现农作物害虫的实时检测,也为其他小目标智能检测和模型结构优化提供参考和帮助。

注意力特征融合的番茄叶部早期病斑诊断算法

番茄产量受到病害、天气等因素的影响,其中番茄生长过程中叶片的病害问题是影响番茄产量的最关键因素。然而,在叶片病害检测领域,现有模型普遍存在泛化能力不足以及小病斑漏检率高等问题。提出一种改进的番茄病害早期检测算法,通过对YOLOv5s网络进行多方面的优化来改善这些问题,同时保持模型轻量化。首先,采用Mosaic 9数据增强技术,强化了模型对小病斑的检测能力,增加了图像背景的复杂度,提高了模型的泛化能力;其次,使用GSConv和Slim-Neck网络,在保持模型准确性的前提下轻量化模型,降低计算负担;同时,使用SimAM注意力机制更准确地捕捉叶片上的小病斑特征,从而降低漏检率;此外,为了进一步增强多尺度目标的检测能力,引入自适应空间特征融合,有效地整合不同尺度的特征,提升了多尺度目标,特别是小目标的检测准确性。实验结果表明:该模型在叶片病害早期检测方面表现出色,对叶霉、早疫、晚疫以及健康叶片四种番茄病害的早期平均识别准确率、召回率、F1分数及mAP分别达到了0.951%、0.918%、0.934%、0.948%。可见该方法对于小病斑具有较好的检测性能,改善了模型泛化能力不足及小病斑检测过程中的漏检问题,进一步提高了检测效果。

基于改进YOLOv5s的森林烟火检测算法研究

该文提出一种基于改进YOLOv5s的森林烟火检测算法,通过引入GSConv轻量化卷积和消除网格敏感度的策略,在原始YOLOv5s模型的基础上优化。在烟火数据集上进行广泛的实验,同时将改进的算法部署到无人机上进行真机测试。实验结果表明,经过改进的模型在森林烟火检测任务中取得显著的性能提升。模型的平均精度达到90.65%,且检测耗时仅为4.1 ms,满足烟火检测的高精度和实时性要求。这一研究为森林烟火检测算法的实际应用提供有力支持,具有重要的实际意义和应用价值。

基于YOLOv7-Tiny的车牌及放大号检测研究

由于大型车辆的后车牌容易污损和遮挡,目前车牌号的识别对于这种情况有明显缺陷。提出将车牌放大号和车牌共同检测后再识别,提升车牌识别算法的适用性。本文基于YOLOv7-Tiny检测,算法先后采用更换主干网络和卷积模块实现模型轻量化,通过改进损失函数来提升精度。实验表明,在YOLOv7-Tiny更换Mobilenetv3主干网络、GSConv卷积核和Focal-EIoU后,实现模型体积下降35%,参数量下降37%,运算量下降58%,从而实现一种轻量化的模型。

基于改进YOLOv5的焊接件表面缺陷检测

为提高工业环境下焊接件表面缺陷检测精度与检测效率,提出一种改进YOLOv5目标检测模型的焊接件表面缺陷检测算法。首先,改进主干网络中的C3模块,包括引入ConvMixer混合卷积结构及Mish激活函数,并增加Shuffle Attention注意力机制,实现在提高检测精度的同时降低模型复杂度;其次,针对NWD Loss存在的不足加以改进,使其关注更多边界框几何信息;最后,将Neck中的所有标准卷积层更换为GSConv卷积层从而进一步提升网络性能。实验结果表明,改进后网络的mAP达到91.3%,与原始网络相比,提高了4.8%,并且参数量与计算量分别减少21.4%和8.9%,检测帧率达到142.9 f/s。改进模型在提高检测精度的同时降低了结构复杂度,满足工业生产中对于焊接件表面缺陷检测要求。

基于改进Yolov5n的无人机对地面军事目标识别算法

针对目前主流的目标检测算法在真实航拍战场数据背景下识别精度低、误检率与漏检率高等问题,对Yolo目标识别算法进行了研究,提出一种基于改进Yolov5n的轻量化航拍军事目标检测模型;首先,采用ECA注意力机制与主干网络C3模块融合,以解决航拍图像背景复杂且存在相似目标干扰问题;其次,引入归一化高斯瓦萨斯坦距离(NWD)代替CIoU损失函数,提高对模糊小目标的检测识别;最后,采用GSConv轻量化卷积代替标准卷积,减轻模型重量;经过实验测试,改进后的算法模型平均检测精度达到81.5%,提升0.9个百分点,模型大小为3.4 MB,减轻0.4 MB,识别速度为每秒113帧;实验结果表明该模型在轻量化的同时保持着高精度的航拍军事目标检测。

改进轻量化VTG-YOLOv7-tiny的钢材表面缺陷检测

针对钢材表面缺陷形态多样、结构复杂且存在检测目标漏检现象和算法参数量过大等问题,提出一种轻量化VTG-YOLOv7-tiny的钢材缺陷检测算法。该方法一是设计VoVGA-FPN网络,以减少信息传递过程中的丢失,增强网络特征融合能力;二是构建三重坐标注意力机制,提升模型对空间和通道信息的特征提取能力;三是引入鬼影混洗卷积,在提高精度的同时降低模型参数量和计算量;四是增加大目标检测层,改善特征图中部分缺陷占比较大,导致检测精度低的问题。在NEU-DET和Severstal钢材缺陷数据集进行实验验证,改进后算法与原模型相比,mAP分别提升5.7%和8.5%;参数量和计算量分别降低0.61 M和4.2 G;精确度和召回率分别提升7.1%,1.8%和8.9%,7.0%。实验结果表明,改进后的算法更好地平衡了检测精度和轻量化,为边缘终端设备提供了参考。

改进YOLOv7-tiny的目标检测轻量化模型

当前目标检测算法参数量大、计算复杂度高,难以部署在计算资源有限的边缘终端设备上,为此,提出一种改进的YOLOv7-tiny模型。引入ShuffleNet v1网络,改进后作为新的特征提取网络,增强对图像特征的提取,降低计算复杂度,获取更多丰富的语义信息,进一步提升检测精度;引入GSConv(鬼影混洗卷积)模块改进网络的Neck层,在降低参数量和计算量前提下,提升检测效果;采用Mish激活函数,增加非线性表达,提高模型的泛化能力。实验结果表明,改进后的模型与原模型相比,精度提高了3.3%,参数量和计算量分别下降了4.8%和13.7%,模型规模降低了8.7%。改进后的YOLOv7-tiny在保持较高的精度下,降低了模型的参数量和计算量,进一步提升了检测效果,为在边缘终端设备部署提供了可行性。

基于改进YOLOv7的矿用电铲检测算法

针对现有基于深度学习的电铲检测方法未能很好地平衡检测速度与检测精度的问题,提出了一种改进YOLOv7模型,并将其用于矿用电铲检测。该模型以YOLOv7模型为基础,在主干网络中采用轻量化GhostNet网络进行特征提取,在颈部网络中采用轻量级GSConv替换部分普通卷积,以减少模型参数量和计算量,提高模型检测速度;考虑到轻量化改进后模型参数量减少对特征信息提取能力的影响,在不增加计算量的前提下,对颈部网络进行进一步改进,在扩展高效层聚合网络(ELAN)中嵌入坐标注意力机制(CA),同时利用双向特征金字塔网络(BiFPN)改进路径聚合网络(PANet),以提高网络对特征信息的提取能力,进而有效提高模型检测精度。实验结果表明,与YOLOv7模型相比,改进YOLOv7模型的参数量减少了75.4%,每秒浮点运算次数减少了82.9%,检测速度提高了24.3%;相较于其他目标检测模型,改进YOLOv7模型在检测速度和检测精度方面取得了良好的平衡,满足在露天煤矿场景下对电铲进行实时、准确检测的需求,为嵌入到移动设备中提供了有利条件。

基于YOLOv5s的轻量化行人检测算法

行人检测系统普遍安装在移动智能设备上,而这些设备对模型的轻量化要求较高,已有算法很难在精度和轻量化之间达到平衡。针对这一问题,提出一种改进的YOLOv5s轻量化行人检测模型。选用EIoU作为边界框损失函数,加速收敛并提高回归精度;结合CA(Coordinate Attention)注意力模块改进主干网络的C3模块,增强模型对行人目标的精确定位能力;引入一种新卷积层GSConv替换颈部网络的卷积层(Conv),以减轻模型的复杂度并保持准确性;引入改进的自注意力模块CoT,进一步提高网络模型的特征表达能力。使用INRIA数据集进行训练和测试,实验结果表明:改进后的模型mAP@0.5达到97%,相比于原始模型提高1.9%,mAP@0.5:0.95提高2.1%;而模型参数量降低10.5%,模型体积降低13%,计算量GFLOPS减少7%,能够在提高行人检测精度的同时使得模型更加轻量化。

一种Yolov5颈部细化的小交通标志检测算法

针对现有交通标志检测算法对小尺寸交通标志特征提取不充分、检测精度低、速度慢等问题,文中提出一种Yolov5颈部细化的小交通标志检测算法。首先,为使网络更关注小交通标志的检测,在主干网络中添加一条浅层特征提取分支,获得浅层特征图,并与具有较强语义信息的深层特征图融合,改善浅层特征图的感受野;其次,在Yolov5颈部网络引入GSConv模块,通过深度可分离卷积与普通卷积信息渗透、网络通道减半压缩的方式提高算法的检测性能;最后,利用完备交并比(CIoU)损失函数加快模型收敛,提高检测速度。实验结果表明,改进后的Yolov5网络模型性能有所上升,在TT100K交通标志数据集上平均精度均值mAP可达83.56%,相较于原始Yolov5基本框架mAP提升2.24%,且检测速度FPS可达40.5 f/s,满足实时性要求。

基于改进YOLOv5的PCB缺陷检测算法

针对目前大多数印刷电路板(printed circuit board, PCB)检测模型参数量大、不利于移动部署的问题,同时为了进一步提升检测精度,提出一种基于改进YOLOv5的轻量化缺陷检测算法。该算法使用ShuffleNetV2替换CSPDarkNet53,减少参数量;将普通卷积替换为鬼影混洗卷积(ghost-shuffle convolution, GSConv),提升网络的运行速度;采用内容感知特征重组模块(content-aware reassembly of features, CARAFE)替换最邻近上采样算子,在保证模型轻量化的同时充分利用特征语义信息,有助于提升精度;并且增加了小目标检测层和坐标注意力机制(coordinate attention, CA),以进一步提升算法对小目标缺陷的检测能力。实验结果表明,改进算法相较于YOLOv5,精度提升了0.91%,达到99.11%,召回率提高1.38%,参数量减少40%,检测速度达到74 fps,模型大小仅8.52 MB。该算法可以满足工业检测的要求。

基于改进YOLO v5的城市树木检测

针对城市道路环境复杂、草坪树木密集等引起的树木误检、漏检以及模型较大不易部署在边缘计算设备上等问题,提出一种基于改进YOLO v5的城市树木检测算法.算法引入融合注意力机制的双向加权特征金字塔结构BiFPN-ECA,减少冗余语义特征,增加特征融合网络对关键特征的关注度,提升特征融合质量;利用GSConv卷积替换Neck部分的密集卷积,提升特征提取能力并减少运算量;引入SIoU损失函数,通过加入向量角度这一惩罚项,减少与距离相关的变量,降低回归自由度,加快网络收敛,进一步提升回归精度.采集城市常见绿化树木的图像和视频,建立城市绿化树木样本集进行模型对比试验.试验结果表明,本文方法比初始YOLO v5模型的平均精度均值提升了5%,模型参数量减小为原来的50%,模型的帧率提升了5帧/s,兼顾了检测精度和实时性.

改进YOLOv5s的磁瓦表面缺陷检测算法

针对磁瓦图像的高对比度和不同缺陷类别的差异较大,工业生产环境中磁瓦检测方式漏检率高、检测效率低下的问题,提出一种基于YOLOv5s的改进算法。该算法在Neck端使用GSconv (group shuffle convolution)替换原有标准卷积,实现网络轻量化的同时提升检测精度;在BackBone引入CA(coordinate attention)注意力机制,对重要的特征进行强化,提升网络特征提取能力;将原有模型中CIoU损失函数替换为SIoU损失函数,使模型在训练过程中能更快收敛。实验结果显示,改进后的算法平均精度达到了97.1%,相对于原有的YOLOv5s模型,提升了1.8%。