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CED-YOLOv5s模型的煤矸识别方法研究

由于煤矿井下高噪声、低照度、运动模糊的复杂工况和煤矸易聚集现象,导致煤矸目标检测模型特征提取困难及煤矸分类、定位不准确问题。针对该问题,提出一种基于CED-YOLOv5s模型的煤矸识别方法。首先,在YOLOv5s主干网络中引入坐标注意力(CA)机制,通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码,充分利用通道注意力信息和空间注意力信息,使模型更加关注重要特征,抑制无用信息。其次,在YOLOv5s的检测头部引入EIoU回归损失函数,将目标框与锚框的宽高差异最小化,以增强目标的位置和边界信息,提高模型在密集目标下的定位精度和收敛速度;最后,在YOLOv5s的检测头部引入轻量化解耦头,解耦出单独的特征通道,分别用于分类任务和回归任务,解决了原模型中耦合头部分类任务与回归任务的相互干扰问题,进一步提升了模型的并行运算效率与检测精度。实验结果表明:CED-YOLOv5s模型与其他YOLO系列目标检测模型相比,综合性能最佳,平均检测精度达94.8%,相较于YOLOv5s模型提升了3.1%,检测速度达84.8帧/s,可充分满足煤矿井下煤矸实时检测需求。

基于改进YOLOv5s的不同成熟度苹果目标检测方法

[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer block),用于不同成熟度苹果检测。首先改进YOLOv5s的多尺度目标检测层,在Prediction中构建检测160×160特征图的检测头,提高小尺寸的不同成熟度苹果的检测精度;其次在Backbone结构中融合Swin Transformer Block,加强同级成熟度的苹果纹理特征融合,弱化纹理特征分布差异带来的消极影响,提高模型泛化能力;最后将Neck结构的Conv模块替换为动态卷积模块ODConv,细化局部特征映射,实现局部苹果细粒度特征的充分提取。基于不同成熟度苹果数据集进行试验,验证改进模型的性能。[结果]改进模型SODSTR-YOLOv5s检测的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%,高、中、低成熟度苹果平均精度均值分别为94.1%、93.1%、93.7%,平均检测时间为16 ms,参数量为7.34 M。相比于YOLOv5s模型,改进模型SODSTR-YOLOv5s精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%,参数量和平均检测时间分别增加了0.32 M和5 ms。[结论]改进模型SODSTR-YOLOv5s提升了在自然环境下对不同成熟度苹果的检测能力,能较好地满足实际采摘苹果的检测要求。

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。

改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度(average precision)和每秒传输帧数(frame per second,FPS)达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07个百分点。结果表明,该方法能够实现病理学图像中猪只小肠绒毛自动化检测,保证复杂图像检测速度的同时,提高了小肠绒毛的检测精度。

基于YOLOv5s的改进实时红外小目标检测

针对红外图像分辨率低、背景复杂、目标细节特征缺失等问题,提出了一种基于YOLOv5s的改进实时红外小目标检测模型Infrared-YOLOv5s。在特征提取阶段,采用SPD-Conv进行下采样,将特征图切分为特征子图并按通道拼接,避免了多尺度特征提取过程中下采样导致的特征丢失情况,设计了一种基于空洞卷积的改进空间金字塔池化模块,通过对具有不同感受野的特征进行融合来提高特征提取能力;在特征融合阶段,引入由深到浅的注意力模块,将深层特征语义特征嵌入到浅层空间特征中,增强浅层特征的表达能力;在预测阶段,裁减了网络中针对大目标检测的特征提取层、融合层及预测层,降低模型大小的同时提高了实时性。首先通过消融实验验证了提出各模块的有效性,实验结果表明,改进模型在SIRST数据集上平均精度均值达到了95.4%,较原始YOLOv5s提高了2.3%,且模型大小降低了72.9%,仅为4.5 M,在Nvidia Xavier上推理速度达到28 f/s,利于实际的部署和应用。在Infrared-PV数据集上的迁移实验进一步验证了改进算法的有效性。提出的改进模型在提高红外图像小目标检测性能的同时,能够满足实时性要求,因而适用于红外图像小目标实时检测任务。

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。

改进的YOLOv5s遥感影像机场场面飞机小目标识别

遥感影像具有地物拍摄模糊以及背景环境复杂等特点,导致大面积地面物体识别准确率较低。针对此问题,提出了一种基于YOLOv5s改进网络模型。该模型对YOLOv5s中的骨干提取网络和颈部多尺度特征融合网络进行优化,引入Swin Transformer以获得更多关于目标物体的特征信息;同时对骨干网络中的模块做了修剪;此外,模型中还添加了坐标注意力机制来提升特征提取和融合效果。对于遥感数据集进行了小目标检测识别测试实验,改进后的YOLOv5s网络的mAP值为0.8375,比YOLOv5s网络模型提高了0.0225。实验结果表明,改进后的YOLOv5s网络模型对比YOLO系列网络和EfficientDet模型有效地提高了识别准确率、召回率以及mAP值,并且在训练时间上也比YOLOv5s减少了1/12。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

改进YOLOv5s的钢材表面缺陷检测算法

为提高钢材表面缺陷检测的准确率,提出一种改进YOLOv5s的钢材表面缺陷检测算法。首先,在特征提取网络中引入Swin Transformer结构,增强网络对特征的感知能力;其次,添加坐标注意力机制,加强对重要特征信息的关注;最后,针对钢材缺陷的特点增加检测层,提升多尺度目标检测能力,并使用SIOU损失函数评估检测效果。将所提出的算法在公开数据集NEU-DET上进行消融实验,结果表明:所提算法能有效提高钢材表面缺陷目标检测的准确率。

基于改进YOLOv5s的玻璃盖板划伤检测算法

针对当前玻璃盖板检测速度较慢、精确率较低的问题,提出一种基于YOLOv5s算法的玻璃盖板划伤检测改进模型。首先,借鉴ResNeXt结构和大核注意力(largekernelattention,LKA)结构改进原C3模块,增强网络对于特征的检测和提取能力;其次,向网络中引入BiFPN模块,提高网络的特征融合能力和小目标检测能力;最后,使用EIOU损失函数替换原网络中的CIOU损失函数,提高锚框生成的准确性和模型收敛速度。结果表明,改进后模型,精确率达到98.2%,召回率达到98.4%,实现玻璃盖板划伤的高效检测。

改进YOLOv5s的采煤机滚筒与支架护帮板干涉状态智能识别

针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法(Soft-NMS)的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析,结果表明:本文方法与原模型相比的识别精确率提高了约8.1%,GFLOPs降低1.86倍;mAP@.5达到97.2%、平均识别速度为检测时间为5.9 ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压支架护帮板视频图像进行干涉状态识别试验验证,结果表明:对采煤机滚筒与液压支架护帮板干涉状态识别准确率为96%。

基于改进YOLOv5s的输电线路螺栓缺销检测方法

针对无人机输电线路巡检图像中螺栓缺销检测精度较低、漏检较多的问题,提出了一种基于改进YOLOv5s的输电线路螺栓缺销检测方法。在Backbone部分嵌入Coordinate Attention注意力模块;在Neck部分原有的“FPN+PAN”结构的基础上,新增一条“自顶向下”的特征信息传递路径,跨越临近的同尺度特征层,与较浅层网络以加权融合的方式进行特征融合;将Head部分设置为解耦检测头,将对螺栓检测的分类任务与定位任务分开进行。改进后的YOLOv5s算法增强了对螺栓特征信息的学习能力。使用本方法在螺栓缺销数据集上实验,精确率提升了2.3%,召回率提升了3.4%,平均精度提升了3.1%,检测速度达到了41.1帧/秒,表明改进后的方法能提升输电线路螺栓缺销的检测能力,在智能巡检中具有一定的应用价值。

基于改进Yolov5s的增强现实文物识别方法

将增强现实技术应用于数字博物馆的文物展览,有助于拉近参观者与文物的距离,使展览更具趣味性。针对增强现实技术在文物展览应用场景中,增强现实设备采集的文物目标图像背景复杂、文物形状纹理丰富而导致的误检、识别准确率低的问题,提出一种基于改进的Yolov5s的文物识别方法。在Yolov5s网络结构中的骨干网络与颈部网络之间引入了CBAM注意力机制,并在骨干网络中的Bottleneck模块中,使用多头注意力机制替换普通卷积,有效捕获局部信息,降低了无用信息的干扰。为了提高识别网络对于目标文物的边界框定位精度,采用DIoU-NMS方法挑选最优的目标识别框作为最终的预测框。实验结果表明,该方法提高了文物的平均识别精度,比原模型更适用于AR应用文物的目标识别。

基于改进YOLOv5s的肠镜息肉多分类实时检测方法

为了在肠镜检查过程中对结直肠息肉进行快速鉴别检测,提出一种基于改进YOLOv5s的肠镜息肉多分类实时检测模型.该模型采用ConvNeXt作为主干网络,融入SimAM注意力机制提升检测性能,同时在颈部网络中使用基于GSConv的slim-neck模块减少网络参数.为了对模型进行训练和测试,构建了包含1676张息肉图像并由专业医生标注的结直肠息肉数据集.提出的模型在测试集上的平均精度均值(mAP@0.5)为83.0%,相较于改进前提升8.4%,检测速度达到120帧/s.此外,模型在边缘侧部署检测速度超过25帧/s.结果表明,改进的YOLOv5s满足临床结肠镜检查对实时性与准确性的要求.

一种改进YOLOv5s的森林火灾烟雾检测算法

提出一种基于改进YOLOv5s的森林火灾烟雾检测算法。构建包含16573幅图片的火焰烟雾数据集,解决训练数据不足的问题,提高训练模型的泛化能力。设计一种轻量化的GC-C3模块替换原有的C3模块,减少模型参数量和计算量;将加权双向特征金字塔网络结构融合到Neck结构中,增强网络对于中小目标的检测能力;修改网络空间金字塔池化结构,使用SimSPPF结构替换SPPF,提高了网络的计算效率和检测准确度;将边界框回归损失函数CIOU替换为Focal-EIOU,加快模型的收敛速度,解决正负样本不匹配的问题。实验结果表明:改进之后的网络平均检测准确度提高2.3%,模型参数数量下降46.7%,模型计算量下降47.5%。

一种改进的YOLOv5s航拍车辆检测算法

为了解决航拍图像中车辆小目标检测困难的问题,提出一种改进的YOLOv5s航拍车辆检测算法。首先,将未利用的浅层特征信息与其他深层特征信息进一步融合,组成用于小目标检测的新检测层,提高小目标的检测能力;其次,结合SPD模块重新设计CSP模块构成SPD-CSP模块,代替原有网络的下采样操作,减少特征提取时小目标有效信息的损失;最后,将通道注意力机制ECA模块引入到Backbone部分中,通过自适应地调整不同特征通道的权重系数,使得网络更加关注特征图中的关键信息,减少无关信息的干扰。实验结果表明:提出的算法在VisDrone数据集上,与YOLOv5s网络相比,均值平均精度P_(mAP 0.5)提高了6.4%,检测速度FPS达到65帧/s,能实时、精确地对航拍车辆进行检测。

基于改进YOLOv5s 的白酒瓶盖瑕疵检测

目的瓶装白酒生产过程中,瓶盖表面瑕疵会影响产品外观质量。针对白酒瓶盖表面瑕疵检测效率低和目标检测效果差的问题,提出一种基于YOLOv5s的改进算法DTS-YOLO。方法首先,在主干网络中引入可变形卷积,以提高模型对极端长宽比瑕疵的检测精度。其次,引入Transformer编码块,使网络聚焦于提取图像的全局信息。最后,在颈部网络构建C3SE-Lite模块,将C3模块嵌入SE注意力模块的同时引入Ghost卷积,减少参数量的同时,增强对瓶盖瑕疵的检测能力。结果实验结果表明,本文所提方法相较于基础网络,参数量减少了10%,平均精度均值达95%,平均检测速度达30帧/s。结论本文方法有效实现了白酒瓶盖表面瑕疵快速、准确地检测,可广泛应用于瓶装白酒生产过程中瓶盖表面检测。

基于改进YOLOv5s的仓储货物检测算法研究

针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。