改进YOLOv5s的遥感图像检测研究

针对遥感图像中目标排列紧密,背景复杂的问题,设计Transformer和卷积的双向交互模块(CTN)作为网络特征提取结构,使模型能够弱化背景噪声带来的干扰且能更好的捕获全局信息。其次,为了加强特征提取网络在复杂背景下的提取能力,构建了DenseBlock模块和ConvBlock模块,所设计的模块能增强模型在多目标下多尺度学习的能力,相比原网络能提取出更丰富的语义信息。最后对数据集中所有实例分布进行统计分析,其存在的许多小目标容易使原网络存在漏检误检的现象,针对这种情况,在检测头部分额外添加了一个检测头来缓解目标尺度变化带来的负面影响,同时去除对检测效果提升不明显的特征提取分支及检测分支,使用K-means++重新聚类得到最优锚框并分配至裁剪后的3个预测特征层。实验结果表明,改进的网络能有效改善遥感图像的漏检与误检的情况,在目标密集分布的情况下提升YOLOv5s的检测能力,改进的网络能更快收敛,均值平均精度(mean average precision, mAP)相比于原YOLOv5s算法提高了3.1%。     

融合坐标注意力和BiFPN的YOLOv5s交通标志检测方法

针对不同光照条件下的小目标交通标志检测存在的不易检测、错检等问题,提出了一种融合坐标注意力机制和双向加权特征金字塔(BiFPN)的YOLOv5s交通标志检测方法。首先,在特征提取网络中融入坐标注意力机制,提升网络对重要特征的关注程度,增加模型在不同光照条件下的检测能力;其次,在特征融合网络中使用BiFPN,提升模型的特征融合能力,改善对小目标交通标志的检测能力;最后,考虑到真实框与预测框之间的方向匹配问题,将CIoU损失函数改为SIoU损失函数,进一步提升模型的检测性能。在GTSDB数据集上进行验证,与原始模型相比,平均精度均值(mAP)提升了3.9%,推理时间为2.5 ms,能够达到实时检测的标准。     

改进 YOLOv5s 的风力涡轮机表面缺陷检测

针对传统方式检测风力涡轮机表面缺陷时出现的精度不足、泛化性较差问题,提出了一种改进YOLOv5s的风力涡轮机表面缺陷检测模型。在网络结构方面,首先在主干特征提取网络引入改进的MobileNetv3网络,用于协调并平衡模型的轻量化和精度关系;其次采用BiFPN式的融合方式,增强神经网络的多尺度适应能力,提高融合速度和效率;最后为轻量化的自适应调节特征权重,运用ECAnet通道注意力机制,进一步提高神经网络的特征提取能力。在损失函数方面,将边框回归的损失函数修改为αIoU Loss,进一步提升了bbox回归精度。实验结果表明,基于YOLOv5s的改进算法可以在复杂环境下快速准确地识别风机表面的缺陷目标,能够满足实时目标检测的实际应用需求。     

改进YOLOv5s的交通多目标检测方法

为了提高交通目标检测的精度和效率,提出一种改进YOLOv5s的交通场景多目标检测方法,在YOLOv5s的主干网络中引入高效的层聚合网络结构来提高模型学习目标特征的能力,引入了通道注意力和空间注意力结合的卷积注意力模块(BAM)机制,进一步提高网络模型的特征提取能力,通过采用α-IoU作为边界框回归损失函数,提高了边界框回归精度。实验结果表明,改进的目标检测模型相较于YOLOv5s原模型在检测精度上提升了2.4%,模型参数量和模型大小分别降低了20.9%和19.1%。实现了在不同时间段准确且高效的检测交通场景的多种目标,保证了实时检测的应用需求。     

基于改进YOLOv5s的煤矿电力设备缺陷检测

针对煤矿电力设备缺陷检测精度低的问题,提出了一种基于改进YOLOv5s的煤矿电力设备缺陷检测的方法。该方法主要包括3个方面的改进：首先,提出了一种多分支的坐标注意力模块,增强了模型获得缺陷区域信息的能力;其次,提出了一种特征融合网络模块,通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接,进一步增强了模型的特征表达及融合能力;最后,提出了一种快速空间金字塔池化平均池化模块,并将其嵌入颈部网络的路径融合网络之间,以提升网络浅层定位信息传递到深层的能力。实验结果表明,改进YOLOv5s模型的mAP@0.5提升了3.1%,F₁分值提升了3%,满足煤矿电力设备缺陷的检测需求且具有更高的检测精度。     

基于YOLOv5的高速公路小目标车辆逆行检测模型

针对高速公路视频数据中道路场景复杂、远端车辆目标小等现象,导致车辆逆行检测模型准确率低的问题,提出了一种基于YOLOv5和DeepSORT的CECAY5D模型框架。框架中设计了一种通道-空间注意力单元CECAC3,用于增强模型对小目标聚集区域的关注程度,提升小目标车辆检测的精度。CECAC3注意力单元是在有效通道注意力模块基础上增加了C3残差模块和空间注意力模块。在高速公路车辆逆行视频数据集下进行对比试验,实验结果表明,逆行检测模型CECAY5D在高速公路监控视频下的检测率和漏检率分别为90%和10%,相比于YOLOv5+DeepSORT模型,检测率提高了25%,漏检率降低了25%,因此该模型具有较高的检测率和较低的漏检率。     

基于改进YOLOv5s的光伏电池EL缺陷图像检测模型

针对光伏电池电致发光(electroluminescence, EL)缺陷图像存在复杂背景干扰、缺陷目标长宽比和尺寸变化大等问题,在YOLOv5s网络的基础上提出一种改进的YOLOv5s-GD检测模型。首先在特征提取层融合GhostNetV2模块,通过聚合本地和远程信息同步,在压缩模型参数量的同时增强模型对缺陷特征的提取能力;其次在特征融合层引入改进的DenseNet密集网络模块,通过特征重用进一步深度融合多级特征并改善信息传递,有效减少缺陷图像检测中漏检误检的情况;最后添加坐标注意力(CA)机制模块,兼顾通道和空间信息进行特征增强,提高了模型对缺陷目标区域的关注程度。与YOLOv5s原网络相比,YOLOv5s-GD检测模型在增长少量参数的情况下mAP@0.5提升了3.3%,mAP@0.5:0.95提升了2.8%。研究结果表明,提出的YOLOv5s-GD检测模型对光伏电池EL缺陷图像可以有效地定位识别,检测精度有了显著的提高,同时检测速度达到75 fps,为实际工业生产环境中光伏电池EL缺陷图像检测提供技术参考。     

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明：本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。     

基于YOLOv5s的轻量化可回收饮料瓶颜色识别

针对不同颜色的可回收饮料瓶回收价值不同,进而需要解决颜色识别分选问题,提出一种基于YOLOv5s的轻量化模型并配合DELTA并联机器人分选设备进行智能识别分选。模型减少了原Backbone中C3数量,并使用1×1的卷积核代替了C3和Conv模块部分3×3的卷积核,采用GhostConv替代传统Conv, CIOU损失增加了检测框尺度、长和宽的损失,提高了矩形框回归效果,选择CIOU Loss作为bounding box的损失函数,通过对其他传统模型对比实验,验证了模型的有效性。结果表明,参数量和计算量相较原模型分别减少了33.80%和36.84%,对回收饮料瓶颜色的识别时间达到了0.008 s,识别图片速度125张/s,识别精度达到了97%。较传统模型,改进YOLOv5s模型识别准确率更高,识别速度更快。     

基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。     

基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法

无人机采集输电线路航拍图像由于其特殊性,往往背景复杂多变,检测目标存在尺度不一及部分遮挡等问题容易造成检测过程中误检、漏检。本文从特征融合角度出发,提出基于注意力特征融合YOLOv5模型的输电线路金具检测方法。首先,在主干提取网络中引入了具有自注意力机制的AFF-Transformer模块更好的捕获全局信息和上下文信息,提高主干网络特征提取能力。其次,通过在特征融合过程中使用通道空间注意力避免了关键信息丢失。最后,利用双向加权特征融合机制使得模型更有效的将浅层特征和深层特征进行融合,以上改进有效缓解了金具在密集状态下的误检、漏检等问题。通过在自建输电线路金具数据集上进行实验,结果表明：本文提出的方法在原YOLOv5模型的基础上准确率提升了2.7%,模型召回率提高了1.5%,针对于小目标,以及漏检、误检等问题有了较好的改善。     

基于改进 YOLOv5s 的电力作业人员安全帽 检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9 326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。     

改进YOLOv5在电力生产违规穿戴检测中的应用

为了解决现有目标检测系统在电力现场识别中存在的环境复杂、检测物体形状方差过大以及视觉特征辨识性不佳等问题,提出了一种适用于电力现场穿戴识别的目标检测模型。首先,通过在YOLOv5特征提取网络中嵌入非对称卷积模块,从而得到更加具备辨识性及鲁棒性的视觉特征。其次,为了能够在全局背景噪声的影响下自适应地关注与检测物体特征相关性更强的区域,采用全局注意力机制进行上下文信息的建模,改进了视觉信息处理的效率与准确性。最后,通过对比现有的目标检测算法,证明了所提针对YOLOv5改进算法的有效性和优越性。同时,通过消融实验证明了所改进的模块在目标检测模型中的有效性。     

基于改进YOLOv8n的 PCB 缺陷检测算法

针对现有的印刷电路板(PCB) 缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出 YOLOv8n- 4SCDP缺陷检测算法。首先,在YOLOv8n 颈部网络增加上采样,融合 Backbone 中浅层语义信息,同时增加微小目标检测层 降低PCB小目标缺陷漏检率;其次,在Backbone 中融入坐标注意力(CA) 机制,强化特征语义和位置信息,提高了模型特征融 合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大 减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模 型收敛速度和回归精度。实验结果表明,YOLOv8n-4SCDP 算法的整体缺陷的平均精度均值(mAP) 达到95.8%,检测帧率达 到了65 fps。有效改善YOLOv8n 对于PCB小目标缺陷漏检率高、检测精度低等问题。     

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值（mean Average Precision,mAP）达到96.88%,单张图片检测时间不超过50毫秒,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。     

改进YOLOv5 算法下的无人驾驶道路行人识别研究

基于无人驾驶领域的飞速发展,为提高道路行人目标检测的速度和精度,提出一种基于YOLOv5 网络改进的YW- YOLO的道路行人目标检测方法,在YOLOv5 模型的neck结构中改入RepGFPN, 充分交换高级语义信息和低级空间信息, 添加自适应融合机制,引入SimAM 注意力模块机制,提高算法的特征提取能力,在损失函数方面,使用Optimal Transport Asignment 优化损失函数。实验结果表明,所提算法与原算法相比,在道路行人类别数据集上识别精确率由38.1%提升到 52.6%,检测速度由29.4 fps 提高到30.8 fps, 具有更好的检测效果。     

基于改进 YOLOv5 的港口集装箱损伤检测算法

针对港口复杂环境背景下,不同尺度间多种类集装箱损伤目标检测精度低的问题,提出一种基于改进YOLOv5的港口集装箱损伤检测算法。通过使用一维卷积改进卷积块注意力机制(CBAM)中空间注意力模块的池化操作,后设计残差结构,并验证在不同位置引入改进的CBAM基本块对模型性能的影响,探索尽量减小复杂背景对检测结果影响的最佳方案及融合位置;为有效解决不同集装箱损伤图像尺度特征变换较大的问题,依据双向特征融合网络(Bi-FPN)结构思想,对颈部特征融合网络进行改进,在不过多增加计算量的情况下,更好地增强网络对多尺度目标的特征融合能力;最后将EIOU Loss替换GIOU Loss作为算法的损失函数,在降低算法边界框回归损失的同时提高算法的检测精度。实验结果表明,改进YOLOv5算法的平均检测精度达到了98.32%,较原YOLOv5目标检测算法提高了4.28%,同时保证了检测速度,验证了所提出算法的有效性,对港口企业高精度验箱的工业部署有重要意义。     

改进 YOLOv8 的轨道扣件状态检测方法

针对现有轨道扣件状态检测算法对小目标物体与复杂形状物体的检测能力差而导致检测结果异常,以及小目标层特 征冗余等问题,提出了一种改进 YOLOv8 的轨道扣件状态检测方法。在 YOLOv8 网络中增加可变形空间金字塔扩张卷积模 块,以提高模型对小目标物体以及形变复杂物体的检测精度。同时增加小目标空间重构单元以减少小目标特征冗余,促进小 目标特征的学习。根据采集到的轨道扣件数据集进行模型的训练和测试,并与多组轨道扣件状态检测算法进行对比,实验结 果表明,相较于对比算法,所提算法精确度平均提升3.20%,召回率平均提升3.34%,平均精度平均提升3.96%。实验证明 所提算法能够有效进行轨道轨道扣件状态检测,并且具有较强的泛化能力,可以部署于复杂交通场景。     

基于YOLOv5-EA-FPNs的芯片缺陷检测方法研究

针对芯片缺陷检测中,缺陷尺寸跨度大、特征相似、小目标难识别、漏检等问题,本文提出基于YOLOv5改进的缺陷检测方法。针对小目标缺陷检测中出现的漏检、误检等问题,提出新增小目标特征检测器(small target feature detector,S-Detector),提升模型对小目标缺陷的学习能力;针对缺陷尺寸跨度大、特征相似等问题,提出具有高效聚焦学习能力的特征金字塔结构(efficient attention feature pyramid networks,EA-FPNs),提升模型对不同尺寸缺陷的检测能力;针对预测阶段冗余框较多导致时间开销大的问题,提出基于面积的边界框融合算法(bounding box fusion algorithm,BFA),减少冗余框。实验结果表明,本文方法相较于改进前,检测精确度提升1.2%,小目标缺陷精确度提升1.6%;采用BFA消除冗余框的同时,平均检测时长为26.8μs/张,较使用BFA前减少了5.2μs。本文所提方法具有良好性能,能够提升检测效率。