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YOLOv5模型的智能变电站目标违规行为检测方法研究

针对目前智能变电站安全智能巡视方法巡视效率低和所耗时间长等问题,在视频监测系统的基础上,提出了一种改进的YOLOv5模型用于智能变电站目标违规行为检测。引入K-means++算法解决小目标不敏感问题,引入注意力机制(convolutional block attention module,CBAM)提高小目标特征占比,引入alpha-IoU损失函数增强对小数据集的鲁棒性。为了验证所提模型的适应性和优越性,对其进行试验分析。结果表明,所提方法与常规方法相比,在多种目标行为检测中具有较高的检测性能,检测准确率为93.80%,检测速度为32.6 FPS,满足智能变电站对目标违规行为检测要求。可为智能变电站无人值守提供一定的参考。

基于YOLOv5模型的变电站基建期行为分析识别研究

随着电力工程的不断发展,变电站的基建成为电力行业中至关重要的环节之一,在变电站基建期间,涉及到众多的施工活动和行为。本文首先介绍YOLOv5模型的基本原理和在目标检测领域的优势,然后针对变电站基建期行为进行详尽的调研和分析。通过采集大量实地数据,并结合先进的深度学习技术,建立基于YOLOv5的行为识别模型,实现对基建期行为的实时监测和识别。实验证明,本文提出的基于YOLOv5模型的变电站基建期行为分析识别方法具有高度准确性和实用性,能够为电力工程的管理和安全提供有力支持。

YOLOv5模型的火车车厢目标识别技术研究

在火车运行过程中,可通过智能化程序完成车厢目标识别,准确定位车厢位置,避免出现差错,保证火车正常运行。本研究主要探讨基于YOLOv5模型的应用原理与特点,分析YOLOv5模型在火车车厢目标识别技术的应用要点,完成深度学习与数据集训练,借助数据集识别火车车厢目标。经过研究,以YOLOv5模型的火车车厢目标识别系统识别准确率在99%以上,满足火车运行中的车厢识别需求,为类似识别系统研究提供参考。

基于改进YOLOv5模型的船舶焊缝缺陷检测方法

当前船舶焊缝缺陷检测主要是通过人工目视的手段检查焊缝的射线探伤图像进行的,存在耗时长、工作量大、效率低的问题,为此提出了一种基于改进YOLOv5模型的船舶焊缝缺陷检测方法.首先对1 152张船舶焊缝射线图像进行标注,建立船舶焊缝射线图像数据集;然后根据船舶焊缝缺陷几何尺寸小、特征不明显的特点,对YOLOv5模型进行改进.通过对图像进行正弦灰度变换,提高缺陷处的对比度.加入卷积注意力模块(CBAM),增大感兴趣区域的权重.增加检测尺度,提高对微小目标的检测精度.计算对比检测结果表明,使用改进的YOLOv5模型对船舶焊缝缺陷进行识别,使精确度从95.3%提高到98.4%,召回率从77.5%提高到77.9%,交并比为0.5时的平均精确度从81.5%提高到84.2%,证明该方法可以有效地改进船舶焊缝缺陷检测的效果.

基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低,小目标检测较困难的问题,提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制,使模型聚焦于图像中的关键信息,改进传统YOLOv5网络检测精度不高的问题。结果表明:改进后的模型具有更好的检测性能,其中引入CBAM模块后提升幅度最明显,较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。

基于改进YOLOV5模型的嵌入式端航拍图像目标检测

随着基于深度学习目标检测模型日渐成熟,将目标检测模型部署到航拍无人机上已成为重要研究方向,针对无人机机载推理设备算力和内存有限,提出一种结构重参化的YOLOV5(you only look once V5)航拍目标检测算法。首先替换YOLOV5模型的特征提取网络为结构可重参网络,然后借助开源数据集训练多分支YOLOV5模型,再对多分支网络重参化得到单路网络模型,最后把Pytorch模型转化为ONNX模型,完成在无人机嵌入式端推理部署。实验表明:重参化YOLOV5模型推理速度提高3倍左右,检出率增加0.03%,召回率增加0.02%,mAP0.5增加1.22。

基于改进YOLOv5模型的复杂场景口罩佩戴识别

为满足疫情时期的特殊需要,基于改进YOLOv5模型,设计一款应用于复杂场景的口罩佩戴识别检测系统。系统采用Py Charm集成开发环境,从网络上爬取1600张口罩佩戴相关的图片,在原始k-means算法基础上加入聚类算法,获取与真实框之间的更高的先验框。在人机交互界面使用Qt组件设计,图像和模型数据加载使用开源OpenCV视觉库实现。口罩佩戴检测的核心算法使用目标检测算法中的YOLOv5训练并结合PyTorch框架实现。实验结果表明,系统能够实现多人场景下人群佩戴口罩状况的检测,在多人物以及实时检测场景中准确率有所提高,在使用和效果上都具有自身特有的优势。

基于YOLOv5的智慧监考模型设计与研究

针对传统监考模式存在的监考人员工作量大、主观性强等问题,构建基于目标检测的智慧监考模型。该模型能够应用于国家标准化考场,自动实时监测考生的作弊行为。采用YOLOv5算法训练出智慧监考模型,对考生回头的作弊行为进行检测,并使用深度学习方法对其作弊行为进行判定。在实验过程中,通过模拟真实的考场环境,该智慧监考模型对考生作弊行为检测的准确率较高,检测精确度可达96.3%,并能在GPU支持下实现实时检测。同时,实验对不同光线和像素下的识别准确度进行了比较分析,证明光线和像素会对准确度造成一定影响。实验结果表明,该模型能有效降低监考人员工作成本,实现考场监考公平性。

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。

基于改进YOLOv5算法的织物缺陷检测

基于现有织物缺陷检测算法受疵点尺寸与织物纹理背景的影响导致检测精度较低,同时检测模型过于复杂,难以部署到工控设备上,无法满足织物缺陷实时检测等现状,提出一种改进YOLOv5算法的织物缺陷检测算法。以YOLOv5算法为基准模型,采用跨阶段部分连接残差网络替代原模型的主干网络,增强模型上下文特征信息学习能力;将SimAM注意力机制融入到模型中,提升对有用特征的提取能力,抑制无用纹理背景特征的干扰;引入WIoU与Varifocal Loss损失函数,提高回归框准确性的同时降低负样本权重;最后,针对织物的小目标疵点难以检测的问题,提出增加小目标检测层的方法,提高模型的检测能力。试验结果表明:该研究算法能够快速准确地检测织物疵点,精确率与mAP分别达到86.46%与84.4%,与基准模型相比,分别提高6.16个百分点和5.8个百分点。

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的焊缝识别算法研究

针对机器人自适应打磨焊缝的问题,文章提出一种基于YOLOv5改进的焊缝检测算法,实现焊缝的识别和初定位。使用焊接机器人制作各类不同参数和形貌的焊缝,自制一个包含3 996张焊缝图像的数据集用来深度学习。选用YOLOv5s模型进行训练,在Backbone中添加了GAM注意力机制模块;同时引入GhostNet,用GhostConv模块和C3Ghost模块替换原模型的Conv模块和C3模块。改进后的YOLOv5s-GhostNet-GAM模型的mAP@0.5达到了90.21%,相比原YOLOv5s模型提高了4.05%,同时参数量减少了5.64%,FLOPs降低了27.44%,检测速率为23.47 FPS,达到了机器人自适应打磨焊缝对识别精度与后期软件部署的要求。

基于改进YOLOv5的牧群检测方法

在农牧业生产和生态环境监测领域,精确识别牧群对于管理和监测工作至关重要。然而,传统的牧群目标检测方法存在着检测精度低和效率低等问题。针对这些问题,提出了一种改进的YOLOv5牧群(以羊和牛为检测对象)识别算法。首先,在网络中嵌入SA注意力机制模块,通过组卷积来减少计算负担,同时采用Channel Shuffle操作来促进不同组之间的信息交流。其次,引入CoordConv卷积,有助于优化神经网络在包含坐标信息的任务中的表现,同时提升精度和召回率。最后,用EIOU损失函数替代原模型中的CIOU,在提高模型收敛速度的同时获得更好的定位效果。经过实验证明,优化后的模型在自行制作的数据集上的平均精度达到了92.3%,相较于原始YOLOv5模型提升了1.4%。改进后的模型在检测精度和速度方面都有明显提升,可以快速而准确地进行牧群的检测和识别。

融合注意力机制与YOLOv5s的服装领型自动检测方法

为了解决光线、人体姿势、环境噪声和拍摄设备等外部因素对服装领型检测精度的影响,提出了一种融合注意力机制与YOLOv5s的服装领型自动检测方法。首先,构建并标注了11个类别的服装领型数据集;然后,通过改变激活函数、引入注意力机制等方式对原YOLOv5s模型进行改进,提升模型检测的准确性;最后,对改进的模型进行训练、验证和测试。实验结果表明:选择FreLU作为激活函数,并把CBAM注意力机制融入到原YOLOv5s模型中,检测效果更佳;改进后的模型mAP@0.5值可达0.824,每秒能处理27.78帧图像,两项指标均优于faster RCNN和SSD512方法,表明本方法能够完成复杂背景下的服装领型自动检测任务。

基于上下文信息聚合YOLOv5的织物缺陷检测

为了解决目前主流检测方法无法有效捕获织物缺陷丰富的上下文信息,导致对背景相似的缺陷检测精度低及漏检率高的问题,提出一种能聚合上下文信息的改进YOLOv5模型(YOLO-CA模型)。YOLOCA模型通过在YOLOv5的骨干网络中加入双重交叉注意力模块(DCCA)捕获缺陷与背景丰富的上下文关系,使模型聚焦于缺陷区域,提高模型对缺陷的检出率,并结合跨阶段软池化特征金字塔模块(CSP-SoftSPPF)提取更详细的缺陷特征信息,进一步提高模型的检测精度。试验结果表明:YOLO-CA模型在SDCFD和TILDA两个公开数据集上mAP值分别为67.6%和93.2%,MR值分别为38.4%和10.5%;与原YOLOv5模型相比,YOLO-CA模型的mAP值分别提高了20.8个百分点和4.5个百分点,MR值分别降低了16.5个百分点和6.9个百分点。认为:YOLO-CA模型具有更好的检测性能,能够有效降低与背景相似类缺陷的漏检率,提高多种缺陷的检测准确率,适用于织物缺陷检测任务。

基于EPSA-YOLOv5电力高空作业安全带佩戴检测

电力工作人员在高空作业中,安全带佩戴仍存在漏检和检测速度较慢等现象,利用EPSA-YOLOv5算法,给出了一种新的电力高空作业安全带佩戴检测方法。该方法基于EPSANet的主干抽取网络,在保持良好特征抽取性能的前提下,减少了网络中的参数,加快了模型的辨识速度。通过对空间金字塔池化结构的改进,提高了模型的检测精度,在此基础上,提出了一种基于Soft-NMS的改进算法,以减少对目标的检测。实验结果表明:基于EPSA-YOLOv5网络模型的高空作业安全带检测精度和检测速度等方面均比原YOLOv5模型提高了2.34%,具有实用性和高效性。