针对磁悬浮控制系统中目标物体定位精度低以及速度慢的问题,提出一种基于YOLOv5(you only look once v5)改进算法来对磁悬浮球进行识别定位。首先,利用Mish损失函数取代YOLOv5原模型中SiLU(sigmoid-weighted linear units)激活函数,以...针对磁悬浮控制系统中目标物体定位精度低以及速度慢的问题,提出一种基于YOLOv5(you only look once v5)改进算法来对磁悬浮球进行识别定位。首先,利用Mish损失函数取代YOLOv5原模型中SiLU(sigmoid-weighted linear units)激活函数,以得到准确性更高和泛化能力更强的网络模型;其次,将协同注意力机制融合到YOLOv5算法中,提高模型的特征提取能力;在此基础上,选择CIOU(complete-intersection over union)损失函数替换YOLOv5算法中的GIOU(generalized intersection over union)损失函数来优化训练模型,以提高识别精度。最后,进行了仿真验证,结果表明,改进后的YOLOv5算法与原算法相比,在磁悬浮球目标识别精度由原来的92.4%提高到96.2%,MAP(mean average precision)由原来的88.8%提高到94.3%,从而验证了本文所提方法的有效性和可行性。展开更多
文摘针对磁悬浮控制系统中目标物体定位精度低以及速度慢的问题,提出一种基于YOLOv5(you only look once v5)改进算法来对磁悬浮球进行识别定位。首先,利用Mish损失函数取代YOLOv5原模型中SiLU(sigmoid-weighted linear units)激活函数,以得到准确性更高和泛化能力更强的网络模型;其次,将协同注意力机制融合到YOLOv5算法中,提高模型的特征提取能力;在此基础上,选择CIOU(complete-intersection over union)损失函数替换YOLOv5算法中的GIOU(generalized intersection over union)损失函数来优化训练模型,以提高识别精度。最后,进行了仿真验证,结果表明,改进后的YOLOv5算法与原算法相比,在磁悬浮球目标识别精度由原来的92.4%提高到96.2%,MAP(mean average precision)由原来的88.8%提高到94.3%,从而验证了本文所提方法的有效性和可行性。