基于改进YOLOv5的道路目标检测

为提高自动驾驶中的道路目标检测精度,设计了一种基于YOLOv5的道路目标检测模型。该模型在YOLOv5s的网络模型基础上,将原始的初始锚框聚类算法改为K-means++算法来减小随机带来的聚类误差;并在Backbone中SPP模块之前引入SENet注意力机制,以增强道路目标重要特征并抑制一般特征,达到提高检测网络对道路目标的检测能力。在VOC2012改进数据集上训练、测试,基于改进的YOLOv5s的模型比原始YOLOv5s模型平均准确精度提高了2.4%。实验结果表明,改进的YOLOv5s模型能较好地满足道路目标检测的精度要求。     

基于改进YOLOv5的平贝母检测模型

现有平贝母表土剥离机智能化程度不高,在收获平贝母时存在造成平贝母损伤的问题,故需要研制一款智能化的平贝母表土剥离机,而实现智能表土剥离的第一步就是实现智能识别,因此,提出一种基于改进YOLOv5的平贝母检测模型YOLOv5-Swin-L。通过引入Swin transformer,在骨干网络中替换C3,减少序列长度和降低计算复杂度,从而简化模型的参数量;同时用ACON激活函数将原来网络结构中的激活函数替换,可提高模型的精确度,增加模型的鲁棒性。实验结果表明,改进后的YOLOv5-Swin-L对平贝母识别的准确率最高可达96.39%,召回率最高可达95.76%,优于YOLOv5系列的其他网络模型。     

基于YOLOv5无人机小目标检测技术研究

提出一种改进的YOLOv5m目标检测算法,解决无人机在复杂环境下对小目标特征提取不足导致的检测精度低的问题.在CBAM的基础上提出一种通道——空间(CAM-SAM)注意力机制,通过改变通道和空间的连接结构,对不同尺寸的特征图进行注意力权重分配,在特征融合中采用跳跃式连接方法,进行不同尺度的特征融合;在预测网络中使用高斯加权的Soft-NMS替换原NMS非极大值抑制.实验结果表明,改进的YOLOv5m模型mAP值为42.1%,比原YOLOv5m提高了5.8%.     

基于YOLOv5的无人机航拍改进目标检测算法Dy-YOLO

由于无人机航拍具有场景复杂多样,目标尺度变化剧烈,高速低空运动模糊等诸多特性,给目标检测带来了很大的挑战。针对无人机航拍目标检测效果不佳的问题,提出了Dy-YOLO模型,在YOLOv5的基础上引入Dynamic Head注意力,从尺度感知、空间位置、多任务3个角度探索具有注意力机制的预测头潜力;设计了C3-DCN结构和Dynamic Head注意力相互配合增强特征提取能力;此外,还使用SimOTA标签分配方式来弥补小样本的损失,并使用CARAFE(content-aware resssembly of features)上采样算子,有效增强了不同卷积特征图的融合效果。在VisDrone2019测试集上,Dy-YOLO检测的平均均值精度达到了38.2%,较基线方法YOLOv5提高了7.1%,同时与主流的检测方法相比也取得更高的检测精度。结果表明,Dy-YOLO算法对于无人机航拍检测任务具有较好的性能。     

一种融合RepVGG和YOLOv5的行人检测方法

现如今,基于YOLOv5的网络模型被广泛应用在行人检测的任务中,在精度和速度上有着良好的效果。但在终端设备上部署使用,往往受到算力的限制。因而,基于RepVGG模型改进的主干网络,并且为了提高在密集人群和复杂环境下的适应性,加入了坐标注意力机制,扩大感受野的同时增强感兴趣区域的权重。经过实验测试,这种轻量化的网络参数量和计算量比较小,而且检测精度和鲁棒性也比较高,能够在一定程度下满足工程应用的要求。     

基于改进YOLOv5算法的车辆目标检测

为了解决车辆目标检测中准确率低的问题,提出了一种基于改进YOLOv5算法的车辆目标检测.改进后的YOLOv5算法主要是在原来的基础上通过K-means聚类的方法对数据集中的目标边框进行重新聚类、并将CIoU损失函数和DIoU＿nms应用于YOLOv5算法来提高目标识别效果.改进后的YOLOv5算法,目标检测mAP达到了85.8%,比改进前的YOLOv5算法提升了1.3%.     

基于YOLOv5s的轻量化朱鹮检测算法研究

针对当前朱鹮检测算法模型参数较多、计算量大的问题,本文设计研究了一种基于YOLOv5s的高性能轻量化网络模型。首先,结合EfficientNet网络中的MBConvBlock对原主干网络进行重构,大幅降低网络参数;同时在浅层网络中采用Stem模块,提升浅层网络的特征提取能力;然后改进卷积注意力模块(CBAM),即将其中的通道注意力替换为高效通道注意力模块(ECA),避免了降维操作,有效提取了邻近通道间的信息,且大幅降低了通道注意力的参数数量,并将其嵌入特征融合网络路径聚合网络(PANet)中,达到了引入微小参数数量而有效提升网络性能的目的,并将其命名为高效卷积注意力模块(ECBAM)。最后,在自建朱鹮数据集和公共数据集PASCAL VOC、COCO上进行实验,实验结果表明,与YOLOv5s算法相比,本文算法模型参数数量降低了52.37%,计算次数降低了54.55%,在自建朱鹮数据集上P_mAP@0.5:0.95仅降低了约2个百分点,达到0.666,在公共数据集PASCAL VOC上P_mAP@0.5达到0.792,在公共数据集COCO上P     

基于改进YOLOv5的绝缘子缺陷检测算法

绝缘子缺陷检测是电网巡检过程中重要的一环,为提高绝缘子缺陷检测的精度,该文提出一种基于改进YOLOv5算法的绝缘子缺陷检测算法——YOLOv5t,能够在保证网络运行速度的条件下,提升网络的检测精度.该算法在YOLOv5s的基础上,将三重注意力机制(triplet attention)添加到骨干网络中,给予每个特征通道不同的权重,以提高网络的检测精度;并采用CIoU Loss作为网络回归损失的损失函数,提升网络的收敛速度;同时将Soft-NMS作为网络的预测结果处理方法,降低网络的漏检率.YOLOv5t与几种常用的缺陷检测网络的对比实验结果表明,YOLOv5t的准确率达到97.2%,召回率达到98%,平均精度均值达到99.1%,较YOLOv5s算法分别提升了0.9%、5.1%和2.1%,并且检测速度没有受到影响.     

基于YOLOv5的遥感图像目标检测

目标检测是遥感图像处理领域的一项重要技术,遥感图像目标种类繁多且存在目标物体难以被检测.提出把YOLOv5算法应用到遥感图像目标检测的方法,首先选择YOLOv5x来构建网络模型,再通过Mosaic数据增强对样本集进行预处理和自适应锚框筛选方法确定锚框大小,然后切片卷积操作得到原始特征图,将原始特征图送入主干网络进行特征融合得到最优权重,最后采用GIOU Loss做边界框的损失函数和非极大值抑制目标框的筛选,对遥感图像进行目标检测.在公开的10类地理空间物体(NWPU-VHR 10)数据集进行了检测实验,以评估所提出模型的目标检测性能.对比实验表明,本文的模型mAP达到了0.9239,与使用相同数据集的模型中的最佳结果进行比较,mAP提升了1.78％,该方法可以提高遥感图像目标检测精度.     

基于改进YOLOv5的鱼群小目标检测优化算法

随着深度学习技术的发展,水下图像检测近年来受到广泛的关注,为了克服在复杂水下环境下传统小鱼群的误检、漏检和识别准确率低等问题,提出一种改进YOLOv5的目标检测方法(INV-YOLOv5)。该方法包括将YOLOv5m中的Focus模块替换为卷积模块,提高网络精度;在主干网络(Backbone)中添加多头自注意力机制,增大网络特征提取视野;最后,在网络中引入了内卷算子和加权的特征融合,降低网络的参数量,提高检测精度。在实验阶段,使用Labeled Fishes in the Wild数据集和WildFish数据集验证,该方法的平均精度(mAP)分别为81.7%和83.6%,与YOLOv5m网络相比分别提升了6%和14.5%,不仅拥有较高的识别率并且更加轻量化,而且模型大小与YOLOv5m网络相比减少了6 M(Mega)左右,验证了所提出的改进方法具有较好的效果。     

基于改进YOLOv5的农业害虫检测

设计了一种改进的YOLOv5模型实现对小目标害虫识别定位并将其应用于农业虫情分析。首先对数据集中的图片进行数据增强操作,结合目标背景分析,对一半数据进行降低亮度处理以增大训练难度。为了解决目标检测模型中小目标容易随着卷积神经网络的加深而导致目标信息丢失的问题,提出在模型中额外增加特征提取层,以达到丰富小目标的特征信息和位置信息的目的。该模型采用一种切割图像再检测的方法,在降低模型计算量的同时提高了检测精度。最后设计了多组实验并进行对比,验证了模型的有效性,平均检测精度达92%。     

基于YOLOv5的城市交通目标检测研究

随着机动化的成熟,更多的行人、车辆甚至天气等因素导致城市交通场景日趋复杂,且智能化的发展使得无人驾驶技术快速发展.更好地监测城市道路交通和完善无人驾驶场景归结为提高目标检测算法精准度问题.本文为了更准确地检测真实场景下的城市道路交通图片,首先利用非局部均值滤波(NLM)去除图片中的噪声,突出目标信息和位置,然后利用YO...     

基于改进YOLOv4的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化．首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck＿body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%．在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%．实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度．     

基于改进YOLOv5的轻量化无人机检测算法

针对现有的无人机检测算法无法同时兼顾检测速度及检测精度的问题,本文提出了一种基于YOLOv5s（You Only Look Once）的轻量化无人机检测算法TDRD-YOLO（Tiny Drone Real-time Detection-YOLO）.该算法首先以YOLOv5s的多尺度融合层和输出检测层分别作为颈部网络和头部网络,引入MobileNetv3轻量化网络对原骨干网络进行重构,并将骨干网络后的通道在原YOLOv5s的基础上进行压缩,减小网络模型大小;其次,将骨干网络中Bneck模块的注意力机制由SE修改为（Convolutional Block Attention Module,CBAM）并在颈部网络引入CBAM,使网络模型更加关注目标特征;最后修改颈部网络的激活函数为h-swish,进一步提高模型精度.实验结果表明：本文提出的TDRD-YOLO算法平均检测精度达到96.8%,与 YOLOv5s相比,参数量减小到原来的1/11,检测速度提升1.5倍,模型大小压缩到原来的1/8.5.实验验证了本文算法可在大幅降低模型大小、提升检测速度的同时保持良好的检测性能.     

基于改进YOLOv5的胶囊内窥镜病灶区域检测

针对目前胶囊内窥镜病灶检测模型存在检测疾病单一且效率低等问题,提出了一种基于YOLOv5的胶囊内窥镜病灶区域检测方法。该方法在原始YOLOv5基础上进行了如下改进：首先,在主干网络Backbone部分,添加一个CBAM(convolutional block attention module)模块,增强模型对重要特征的突出能力;其次,在头部网络Head部分,添加一个检测头,增强模型对小目标的检测能力;最后,将原始YOLOv5的泛化交并比(generalized intersection over union, GIoU)损失函数替换成完整交并比(complete intersection over union, CIoU)损失函数,使模型训练时更快地收敛。本文提出的方法在长江大学第一临床医学院提供的胶囊内窥镜影像数据上进行了实验,精确率达到了93.6%,召回率达到了94.3%,mAP@0.5达到了97.2%,而且检测速度达到了每帧0.027 2 s。实验结果表明提出的方法是有效的、灵活的、鲁棒的,能够满足临床医学诊断的实际需求。     

改进的YOLOv5-ResNet相似目标检测方法

针对在相似目标检测问题中,以YOLOv5为代表的一步法漏检错检率高、以Faster R-CNN为代表的两步法检测速度慢的问题,提出了一种改进的YOLOv5-ResNet相似目标检测网络模型。该模型以YOLOv5框架为基础,借鉴了两步法的优点。在边框生成方面,改进了特征融合结构,强化了模型的特征提取能力,降低了总体漏检、误检率。在类别预测方面,引入了SE模块(squeeze and excitation module),在通道方向上施加注意力机制,降低网络检测时的计算量,并保持了较高的准确率。在斯坦福宠物狗数据集和自制音符卡片数据集上的实验结果表明,本文提出的相似目标快速检测模型不仅在识别精度方面略高于Faster R-CNN,而在速度方面仅次于YOLOv5,检测帧率约为YOLOv5的72%,能够满足相似目标检测的实时需要。     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

基于改进YOLOv5算法的钢铁表面缺陷检测

根据以往钢铁表面缺陷检测技术的检测效能较低、准确性低的情况,提出一种改进YOLOv5s的钢材表面缺陷检测算法。主要改进为：加入坐标注意力机制(Coordinate Attention,CA)的空洞空间卷积池化金字塔 (Atrous Spatial Pyramid Pooling,ASPP),扩大模型感受野和多尺度感知能力的同时能更好的获取特征位置信息;加入改进的选择性内核注意力机制(Selective Kernel Attention,SK),使模型能更好的利用特征图中的频率信息,提升模型的表达能力;将损失函数替换为SIoU,提升模型性能的同时加快模型的收敛。实验数据表明,改进的YOLOv5s网络模型在NEU-DET数据集上的mAP值为78.13%,相比原网络模型提高了2.85%。改进的模型具有良好的检测型性能的同时检测速度为103.9 FPS,能够满足实际应用场景中钢材表面缺陷实时检测的需求。     

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.     

改进YOLOv5网络模型的车位检测方法

针对目前车位检测方法效率低的问题,提出一种轻量级车位检测方法OG-YOLOv5。首先,基于YOLOv5网络添加车位分隔线方位回归分支,实现车位方位的准确预测,可直接根据网络预测结果推断完整车位信息;其次,通过检测尺度裁剪、Ghost模块重构网络实现模型轻量化;再者,通过在网络主干中引入ECA注意力机制、优化损失函数提高目标预测精度。通过对比实验,结果表明所提OG-YOLOv5网络的mAP达到了98.8%,模型参数量和计算量仅为原模型的32.0%和28.3%,在GPU和CPU上的检测时间分别减少了16.2%和28.1%,车位检测准确率和召回率分别达到了97.75%和96.87%。