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YOLOv5s的轻量化交通灯检测算法

针对目前交通灯检测算法网络模型参数量过大、实时性差的问题,提出了一种基于改进YOLOv5s的轻量化交通灯检测算法.首先,用轻量化网络MobileNetv3替换原主干网络并引入注意力机制,在对检测精度影响不大的前提下降低模型参数量;然后,使用深度可分离卷积替换颈部网络中的传统标准卷积,进一步降低模型参数量;接着,针对交通灯尺度小的特点,删除检测大目标的检测层;最后,改进边框回归损失函数,提升边框检测精度.同时,为了能实时部署在嵌入式平台,该算法对网络进行通道剪枝实现模型压缩和加速.实验结果表明,该算法在嵌入式平台NVIDIA Jetson Xavier NX上能达到48.1帧/s的检测速度,相比原始YOLOv5s牺牲了1.5%的mAP,但是该模型体积压缩了54.3%,检测速度提高为原来的2.6倍,可以满足在交通道路中实时对交通灯检测的需要.     

基于改进YOLOv5s的行人车辆目标检测算法

针对传统的行人车辆目标检测算法因参数量大和计算复杂度高而在现实应用中受限的问题,基于轻量化深度学习网络提出改进的YOLOv5s行人车辆目标检测算法.首先,选用ghost模块替换主干网络中部分卷积模块进行模型剪枝,同时向网络中引入注意力机制,使得网络在减少模型参数量和提升模型性能两方面实现更好的平衡;其次,采用边界框的宽高差值计算代替边界框回归损失函数中宽高比距离的计算,加速网络的收敛;最后,通过构建真实交通场景下的行人车辆目标检测数据集检验模型的准确性和实时性.实验结果表明,在保持原算法较高精度的同时,改进后YOLOv5s算法的参数量下降28%,模型大小降低27%,节省了硬件成本,拓宽了YOLOv5s算法的应用场景.     

基于YOLOv5的表面缺陷检测优化算法

快速、准确地检测材料表面缺陷已成为各领域研究的重要目标,为增加检测效率,实现设备轻量化,提出了一种基于YOLOv5的目标检测优化算法,添加DyHead检测头,融合多个注意力机制,增强模型的检测精度;更换aLRPLoss损失函数,减少超参数调节工作,优化训练过程;基于FasterNet提出C3-Faster,代替网络中的C3模块,以PConv的思想提升模型检测性能,减少模型体积;最后添加轻量级上采样算子CARAFE,扩大模型感受野,提升对不同大小目标的检测效果。实验结果表明,改进后的YOLOv5模型相比于原版模型,在钢材表面缺陷数据集上总体平均精度提高了4.174%,参数量减少了11.25%,计算复杂度减少了13.75%,权重体积减少了10.72%,检测性能高于SSD、RetinaNet、FCOS、YOLOv3、YOLOv4等主流目标检测算法,在工业检测中具有较高的应用价值。     

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的鱼眼图像目标检测算法

针对自动驾驶场景下车载鱼眼相机采集到的图像存在畸变严重、场景复杂、尺度变化剧烈、小目标多以及传统的目标检测模型的检测精度不高的问题,提出了一种基于YOLOv5s改进的鱼眼图像检测模型YOLOv5s-R.首先,为解决小目标难识别的问题,提出随机裁剪多尺度训练的数据增强方法,该方法优于消融实验所得的最优数据增强方法.其次,为了提高模型的检测精度,在网络头部添加置换注意力机制与轻量化解耦头,增强模型对特征的提取能力与识别能力,并抑制噪声干扰.最后,模型额外增加角度预测项,实现旋转框目标检测.通过构建环形标签并用高斯函数对标签平滑,解决了旋转框角度的周期性问题;又对损失函数进行了优化,提出了RIOU,在CIOU的基础上增加角度惩罚项,提高了回归精度并加快了模型的收敛.实验结果表明,提出的YOLOv5s-R模型在WoodScape数据集上取得良好的检测效果,相比于原始的YOLOv5s模型,mAP@0.5、mAP@0.5∶0.95分别提升了6.8%、5.6%,达到82.6%、49.5%.     

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%.     

改进后的YOLOv5用于跌倒行为检测

随着全球人口老龄化不断加剧,由于跌倒致死的比例也随之增加,及时发现跌倒行为对降低死亡风险至关重要。针对现有跌倒检测算法在实际应用场景中出现漏检、准确率低等问题,本文将改进后的YOLOv5目标检测方法用于跌倒行为检测。具体改进措施：将YOLOv5的边界框损失函数GIoU更换为α-IoU;引入卷积块注意力机制模块（CBAM）,使网络可以更专注地学习跌倒特征;在特征融合层引入加权双向特征金字塔网络结构（BiFPN）以充分利用不同尺度的特征,从而提高检测精度。实验结果表明,改进的YOLOv5模型对跌倒行为的检测精度mAP达到了98.8%,比改进前提高了4%,满足对实际应用场景下跌倒检测的要求。     

基于改进的YOLOv5s安全帽佩戴检测算法

针对个人防护用具安全帽的防护检测识别需求,现有的人工检测方法费时费力,无法做到实时监测.提出了一种基于YOLOv5s深度学习模型的安全帽检测算法,能够有效识别检测安全帽是否正确佩戴.并通过添加CA注意力机制,重新分配每个空间和通道的权重;以BoT3替代原有的C3模型,作为主干网络;并将CIOU损失函数改为SIOU等方法,改进原有的YOLOv5s模型,提高安全帽检测识别的精度,提高检测速度.实验结果表明,安全帽识别检测的平均精度比原始模型提高了2.2%,识别检测速度提升了19 ms,实现了更准确地轻量高效实时的安全帽佩戴检测.     

基于GB—YOLOv5的烟火智能检测研究

火灾的发生极大地威胁到人类的生命、财产安全,如何在初始阶段遏制火情尤为重要。针对复杂环境下火焰和烟雾目标较小、检测精度低、速度慢等问题,提出一种基于GB—YOLOv5的烟火智能检测方法。由于现有数据集限制,首先自建了包含4143张不相似图像的烟火数据集;其次将融合了注意力机制Convolutional Block Attention Module的Ghost Bottleneck模块与YOLOv5结合,在保证准确率的前提下,提高了检测速度;最后采用BIFPN模块替代PAN模块来增强颈部,更好地实现多特征融合,提高火焰和烟雾的检测能力。实验结果表明,改进后检测方法的平均精度均值比YOLOv5s高6.1%,推理速度比YOLOv5s快21%。     

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。     

融合RepVGG的YOLOv5交通标志识别算法

准确检测交通标志已成为自动驾驶不可或缺的任务之一。基于现实场景中小而密集的交通标志,传统方式检测交通标志存在精度较低这一缺陷。针对此问题,提出一种融合RepVGG模块的改进YOLOv5的交通标志识别算法。首先将原算法的部分CBS模块替换为RepVGG模块,加强特征提取能力。并在Neck层融合CBAM注意力机制,强化检测模型的抗干扰能力。最后,在网络训练过程中,使用EIOU损失函数来弥补GIOU损失函数的不足,提高算法的检测精度与迭代速度。实验结果表明,改进后的YOLOv5算法,迭代速度更快,在CCTSDB交通标志数据集上的P、R、mAP值分别达到91.55%、85.04%、91.71%,相比YOLOv5算法能够更好的应用到实践当中。     

基于改进YOLOv5的自动驾驶目标检测方法

针对目前自动驾驶领域的目标检测算法在交通场景下的漏检目标,目标定位不精确、目标特征表达不充分及目标识别效果欠佳等问题,提出一种基于TPH-YOLOv5的道路目标检测方法。首先为了减轻物体尺度急剧变化带来的漏检风险,增加了用于微小物体检测的检测头,为在高密度场景中精确定位对象,使用Transformer预测头来捕获全局信息;其次为了增强模型的特征表达能力,用SIMAM模块对卷积层的输出进行加权;最后,为了提高目标识别的精度,网络颈部增加了4个SPP块来进行多尺度融合,为了加快收敛速度和提高回归精度采用EIOU作为边界框损失函数。通过消融、对比和可视化验证实验表明,提出的算法比YOLOv5在平均精度上提高了8.1%,漏检率明显减少,目标检测效果明显增强。     

基于改进YOLOv5的O型密封圈缺陷检测方法

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。     

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块,一般情况下,车辆检测和车辆表观特征提取是在不同的神经网络中进行的,且一张图中的车辆目标越多,对车辆表观特征提取耗费时间的也越多,推理时间也相应变长。针对这一问题,基于经典的Tracking-By-Detection模式,提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块,使YOLO在输出目标位置信息的同时输出目标特征信息,以提高算法的跟踪速度。针对车辆间彼此覆盖的情况,提出一种基于动态IOU阈值的非极大抑制算法,以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配,从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性,实验结果表明,将YOLOv5网络进行改进后运用在目标跟踪算法中,相对于经典的YOLO+DeepSORT跟踪模型,在车辆密集的情景下平均推理时间减少了17%;在改进后的网络上添加动态IOU阈值非极大抑制,跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

改进YOLOv3算法的车辆信息检测

车辆信息检测是车型识别在智慧交通领域中的首要任务。针对现有的车辆信息检测技术在检测速度、精度以及稳定性方面存在的问题,提出了基于YOLOv3的深度学习目标检测算法——YOLOv3-fass。该算法以DarkNet-53网络结构为基础,删减了部分残差结构,降低了卷积层的通道数,添加了1条下采样支路和3个尺度跳连结构,增加了一个检测尺度,并通过K-均值聚类与手动调节相结合的方法计算出12组锚框值。最后通过迁移学习机制对YOLOv3-fass算法进行微调。在自研的车辆数据集上,YOLOv3-fass算法与YOLOv3、YOLOv3-tiny、YOLOv3-spp算法以及具有ResNet50和DenseNet201经典网络结构的算法做了对比实验,结果表明YOLOv3-fass算法能够更精准、高效、稳定地检测到车辆信息。