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。

基于改进YOLOv5的遥感图像检测

针对现有遥感图像目标检测中背景复杂和尺度变化大等问题,基于YOLOv5模型提出了一种改进的遥感图像目标检测算法。首先,利用Mosaic数据增强方法重构数据集,以改善模型的训练效果和鲁棒性;其次,在YOLOv5s的Backbone中添加SE注意力机制,使改进后模型能够更精准地捕捉目标特征信息;最后,采用BiFPN替代原模型中的FPN+PAN结构,使模型能够进行不同尺度的特征融合,以减少检测过程中浅层信息的丢失。实验结果表明,相较于原模型,改进后模型的平均精度均值、准确率和召回率都有所提升;相较于原模型,改进后模型具有更强的特征提取能力及更快的检测效率。

改进YOLOv5s算法在非机动车头盔佩戴检测中的应用

针对现有非机动车头盔佩戴检测算法在车流密集场景中存在漏检,对佩戴其他帽子存在误检的问题,提出一种改进YOLOv5s(you only look once version5)的头盔佩戴检测算法YOLOv5s-BC。首先,采用软池化替换特征金字塔池化结构中的最大池化层,以放大更大强度的特征激活;其次,将坐标注意力机制和加权双向特征金字塔网络结合,搭建一种高效的双向跨尺度连接的加权特征聚合网络,以增强不同层级之间的信息传播;最后,用EIoU损失函数优化边框回归,精确目标定位。实验结果表明:在自制头盔数据集上,改进后的算法的平均精度(mAP)可达98.4%,比原算法提高了6.3%,推理速度达到58.69帧/s,整体性能优于其他主流算法,可满足交通道路环境下头盔佩戴检测的准确率和实时性要求。

基于改进YOLOv5的电厂人员吸烟检测

发电厂厂区内违规吸烟易导致火灾、爆炸等事故,会带来巨大损失;针对电厂内人员违规吸烟行为检测精度不高的问题,提出一种基于改进YOLOv5s(You Only Look Once v5s)的电厂内人员违规吸烟检测方法;该方法以YOLOv5s网络为基础,将YOLOv5s网络C3模块Bottleneck中的3×3卷积替换为多头自注意力层以提高算法的学习能力;接着在网络中添加ECA(Efficient Channel Attention)注意力模块,让网络更加关注待检测目标;同时将YOLOv5s网络的损失函数替换为SIoU(Scylla Intersection over Union),进一步提高算法的检测精度;最后采用加权双向特征金字塔网络(BiFPN,Bidirectional Feature Pyramid Network)代替原先YOLOv5s的特征金字塔网络,快速进行多尺度特征融合;实验结果表明,改进后算法吸烟行为的检测精度为89.3%,与改进前算法相比平均精度均值(mAP,mean Average Precision)提高了2.2%,检测效果显著提升,具有较高应用价值。

基于改进YOLOv5的菇房平菇目标检测与分类研究

随着食用菌行业由自动化向智能化、信息化发展的趋势越来越明显,为了实现现代化菇房中平菇的准确检测,解决工厂化平菇栽培中收获阶段平菇之间相互遮挡等问题,帮助平菇采收机器人进行准确的自动化采收,该研究提出了一种基于YOLOv5(you only look once version 5)模型的OMM-YOLO(ostreatus measure modle-YOLO)平菇目标检测与分类模型。通过在YOLOv5模型的Backbone层添加注意力模块,对输入的平菇图像特征进行动态加权,以获得更详细的特征信息,并在Neck层采用加权双向特征金字塔网络,通过与不同的特征层融合,提高算法的平菇目标检测的精度。此外,为了改善算法的准确性和边界框纵横比的收敛速度,该文采用了EIoU(enhanced intersection over union)损失函数替代了原有的损失函数。试验结果表明,与原始模型相比,改进模型OMM-YOLO对成熟平菇、未成熟平菇和未生长平菇的平均精度均值分别提高了0.4个百分点、4.5个百分点和1.1个百分点。与当前主流模型Resnet50、VGG16、YOLOv3、YOLOv4、YOLOv5m和YOLOv7相比,该模型的精确率、召回率和检测精度均处于优势,适用于收集现代化菇房中的平菇信息,有效避免了平菇之间因相互遮挡而产生的误检测现象。菇房平菇目标检测可以自动化地检测平菇的数量、生长状态等信息,帮助菇房工作人员掌握菇房内的菇况,及时调整温湿度等环境条件,提高生产效率,并且对可以对平菇进行质量控制,确保平菇产品的统一性和品质稳定性。同时可以减少对人工的依赖,降低人力成本,实现可持续发展,对智能化现代菇房建设具有积极作用。

改进YOLOv5s的轻量化目标检测算法研究

针对当前YOLOv5s目标检测网络复杂、参数多、部署所需配置高,难以在嵌入式平台上获得优质识别结果的问题,设计了一种轻量化目标检测算法YOLOv5s_GCB。算法使用GhostNet作为主干特征提取网络,充分发挥其计算量少、特征图不冗余的优势,从而降低算法的复杂度,提高检测速度;引入CA(coordinate attention)注意力机制,将空间坐标信息与注意力图有效整合,有助于网络快速提取有用特征,进一步增强算法的特征提取能力;借助双向特征金字塔网络(Bi-FPN)结构代替原始算法的路径聚合网络(path aggregation network)结构,对多个尺度的特征进行融合,以此构建新轻量化网络模型YOLOv5s_GCB。与原始算法相比,改进后的算法在保持目标检测精确的同时精简了模型参数,降低了运行YOLOv5算法所需的硬件要求。在VOC2007数据集中,YOLOv5s_GCB算法的平均准确率(mAP)达到75.2%,模型体积为10.6 MB,浮点计算量11.3GFLOPs(giga floating-point operations per second),与原始算法相比,参数量降低了30%,权重模型减少了20%。实验结果表明:YOLOv5s_GCB算法在保证检测精确度的同时实现了模型的轻量化,为其在性能较弱的嵌入式平台上的部署与应用提供了一定的理论依据。

基于ECA和BIFPN的低照度环境下的行人目标检测算法

针对在低照度环境下多尺度行人目标检测准确率低的问题,本文提出了一种基于改进YOLOv5s的行人目标检测模型BE-YOLOv5s。首先,在YOLOv5s的主干网络中融入ECA通道注意力机制,突出目标特征同时抑制低照度环境的干扰;其次,引入加权双向特征金字塔BIFPN,增强特征融合,提升行人检测精度;最后,采用可见光图像和红外图像这两组数据进行对比研究。实验结果表明,改进后的BE-YOLOv5s模型在两种数据集上的平均精度均值mAP均有所提升,同时保持了原算法的高实时性。

基于注意力机制和跨尺度特征融合的摩托车头盔检测算法

在道路交通摩托车事故中,未佩戴头盔是导致骑乘人员受到致命伤害的主要原因。针对目前头盔检测中由于黑色头发、帽子和头盔的颜色和形状相似存在误检和漏检问题,提出了一种具有三重注意力机制和双向跨尺度特征融合的摩托车头盔检测算法。首先,在YOLOV5s的主干网络中引入三重注意力机制,提取了不同维度之间的语义依赖,消除了通道和权重的间接对应关系,通过关注相似样本的差异从而提升检测精度。其次,采用EIOU边框损失函数优化对遮挡和重叠目标的检测效果。最后,在特征金字塔中采用加权双向特征金字塔网络结构,实现高效的双向跨尺度连接和加权特征融合,增强了网络特征提取能力。实验结果表明,改进算法实现了98.7%的mAP@0.5、94.0%的mAP@0.5:0.95,与原算法相比,改进算法的mAP@0.5提升了3.9%以及mAP@0.5:0.95提升了7.6%,具有更高的精度和更强的泛化能力。

改进的轻量级GBC-YOLOv5疲劳驾驶检测方法

针对现有的YOLO疲劳驾驶检测算法参数多、计算量大、实车推广困难等问题,提出一种改进的轻量级GBC-YOLOv5疲劳驾驶检测方法。首先,利用Ghost卷积模块实现特征提取;其次,采用Ghost Bottleneck模块来降低计算瓶颈,减少模型参数量和不必要的卷积计算;然后,引入CA注意力机制来增强网络的特征提取能力;最后,通过BiFPN结构来实现多尺度特征的高效融合。对YawDD疲劳驾驶数据集的检测结果表明,GBC-YOLOv5模型的平均精度均值达到了98.6%,实现了模型轻量化和实时性的平衡。

一种深度学习改进算法的图像处理技术研究

针对YOLOv5算法对目标物体及局部特征定位不准确的问题,提出了一个基于YOLOv5的YOLOv5 ABN目标检测网络。首先为了得到准确的定位信息,本文将卷积注意力机制中的空间注意力机制与坐标注意力机制相结合,提出了一个融合空间特征信息与坐标信息的空间坐标注意力机制,在YOLOv5的Backbone网络中加入空间-坐标注意力模块,在Neck检测层引入加权双向特征金字塔网络,并对错框参数进行优化,提高了网络对样本模型及局部特征的检测精度及定位能力,分别用改进前后的算法对自定义数据集和康奈尔数据集进行训练。实验结果表明,改进后的算法性能要优于YOLOv5算法,在识别精度没有降低的前提下,对目标物体的定位更加准确,鲁棒性更好。

基于改进YOLOv5s的机坪特种车辆检测算法研究

机坪特种车辆作为航班保障服务的重要一环,其种类多,形状各异;目前已有的车辆检测算法在识别机坪特种车辆时检测精度不高,在遮挡时无法检测;针对于此问题,提出了一种基于改进YOLOv5s的机坪特种车辆检测算法;为了在机坪特种车辆检测中快速、准确地定位感兴趣区域,在主干网络中融合协同注意力机制;考虑到机坪监控场景下特种车辆尺度差别较大的情况,为了能够增强对不同尺度特种车辆的检测能力,提出了四尺度特征检测网络结构;为了提高检测网络多尺度特征融合能力,结合加权双向特征金字塔结构对网络的Neck部分进行改进;将改进后的算法在自建的机坪特种车辆数据集上进行训练、测试,实验结果表明,与YOLOv5s相比,改进后算法的精确度提升了1.6%,召回率提升了3.5%,平均精度mAP0.5和mAP0.5:0.95分别有2.3%和3.3%的提升。

融合CA-BiFPN的轻量化人体姿态估计算法

针对现有的基于热力图的人体姿态估计网络模型复杂度高、算力需求大、不易部署至嵌入式平台和无人机移动平台等问题,提出了一种基于YOLOv5s6-Pose-ti-lite不使用热力图的轻量化人体姿态估计网络模型。通过将主干网络替换为GhostNet网络,旨在以更少的计算资源输出更有效的特征信息,提升网络检测速度,缓解网络冗余的问题;在主干网络中结合轻量化的坐标注意力CA模块,将图片的人体关键点位置信息聚集到通道上,增强特征提取能力;引入加权双向特征金字塔网络,提升模型的特征融合能力,平衡不同尺度的特征信息;最后将CIoU损失函数替换为Wise-Io U(WIo U),进一步提升模型对人体关键点回归的性能。结果表明,在COCO2017人体关键点数据集上,优化后的网络模型参数量降低26.2%,计算量降低30.0%,平均精确度提升1.7个百分点、平均召回率提升2.7个百分点,能够满足实时性的效果,验证了所提模型的可行性和有效性。

引入注意力机制的YOLOv5安全帽佩戴检测方法

对于钢铁制造业、煤矿行业及建筑行业等高危行业来说,施工过程中佩戴安全帽是避免受伤的有效途径之一。针对目前安全帽佩戴检测模型在复杂环境下对小目标和密集目标存在误检和漏检等问题,提出一种改进YOLOv5的目标检测方法来对安全帽的佩戴进行检测。在YOLOv5的主干网络中添加坐标注意力机制(coordinate attention),该机制将位置信息嵌入到通道注意力当中,使网络可以在更大区域上进行注意。将特征融合模块中原有特征金字塔模块替换成加权双向特征金字塔(BiFPN)网络结构,实现高效的双向跨尺度连接和加权特征融合。在自制安全帽数据集上实验结果表明,改进的YOLOv5模型平均精度达到了95.9%,相比于YOLOv5模型,平均精度提高了5.1个百分点,达到了在复杂环境下对小目标和密集目标检测的要求。

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9MB,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。

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。