基于改进YOLOv5s的煤矸石目标检测算法

针对工业场景下煤矸石分拣任务检测精度低、分拣速度慢的问题，提出一种基于改进YOLOv5s的煤矸石目标检测算法。在主干网络的卷积层中加入轻量化注意力机制CBAM，以提升目标在复杂的煤渣环境中的特征表达的能力；其次，改进特征融合层为BIFPN，BIFPN结构进行了双向跨尺度连接和加权融合，以加强煤矸石浅层的特征信息和高层煤矸石位置信息，解决煤矸石颜色、纹理相近难以分类的问题；最后，在原算法DIoU的基础上增加对边界框高宽比考虑，以提升检验框检测的准确率。在工业生产环境中采集的10 000张煤矸石图像作为数据集对所提方法进行实验，实验表明，与改进前的YOLOv5s模型相比，在检测速度基本保持不变的前提下，改进算法平均精度mAP_0.5达到了93.3%，平均检测精度提高了5.1%，实现了对煤矸石进行目标检测的要求。     

基于DCGAN和改进YOLOv5s的钢丝帘布缺陷检测方法

为解决钢丝帘布表面缺陷检测准确率低且泛化能力不强的问题,提出了一种基于DCGAN和改进YOLOv5s的缺陷检测方法。首先,通过调整DCGAN网络参数并优化超参数,使生成器能够生成具有丰富特征和清晰纹理的钢丝帘布缺陷图像,从而扩充数据集;其次,采用K-means++算法对钢丝帘布缺陷数据重新聚类锚框,以获得更优的锚框参数,实现锚框与实际缺陷的精确匹配;然后,在YOLOv5s主干网络中的C3模块添加坐标注意力机制,以增强模型的特征提取能力和精确定位能力;最后,引入MPDIoU损失函数替换YOLOv5s原损失函数,进一步提高检测精度。实验结果表明,在实测钢丝帘布缺陷数据集上,采用DCGAN数据增强和改进后的YOLOv5s检测模型,缺陷检测平均精度提高了6.6%,达到了89.4%,并且检测准确率和召回率也有所提高。与其他主流检测模型相比,该模型不仅在检测速度上提高了约30%,还保持较高的检测精度。在公开的NEU-DET数据集上,该模型的mAP值达到了82.6%,较原始YOLOv5s模型提高了3.8%。     

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。     

基于YOLOv5s和改进质心跟踪的人员跌倒检测

针对目标检测器检测跌倒时过于依赖卷积网络分类效果、无法利用运动信息的问题,本文设计了一种基于YOLOv5s和改进质心跟踪的跌倒检测模型。为解决耗费资源问题,用MobileNetV3网络和Slim Neck模块对YOLOv5s进行轻量化,同时将MobileNetV3网络中的SE模块替换为更高效的ECA模块,降低网络复杂度的同时保持较高的精度。引入哈希感知算法改进质心跟踪,增加目标关联的依据,提高跌倒检测的准确性。实验结果显示改进YOLOv5s模型大小下降52.2%,计算量下降51.8%,精度高达90.3%。改进质心跟踪的跌倒检测模型准确率提高了4.3%。结果表明了本文提出模型的有效性和优越性。     

基于通道剪枝的ACAM-YOLOv5s绝缘子缺陷检测

针对现有的绝缘子缺陷检测深度神经网络模型规模大、计算资源消耗高、检测精度低,难以部署在边缘端,本文基于通道剪枝和YOLOv5s方法提出具有非对称卷积和注意力机制的轻量级绝缘子缺陷检测模型ACAM-YOLOv5s。ACAM-YOLOv5s模型采用非对称卷积模块ACBlock替换YOLOv5s骨干网络残差结构中的标准卷积,并结合通道和空间混合的注意力CBAM进行特征融合,以增强骨干网络的表达能力、特征提取能力以及鲁棒性。引入对边界框大小和位置灵敏性高的PIoU作为定位回归损失,解决绝缘子纵横比高导致缺陷检测定位准确率低的问题。基于BN层通道剪枝方法对ACAM-YOLOv5s模型进一步稀疏化训练、剪枝和微调,得到轻量化缺陷检测模型。实验结果表明,剪枝后的ACAM-YOLOv5s模型和原始YOLOv5s相比,在检测精度、计算量和模型体积方面,具有相对优势,能够满足边缘设备部署的需求,在无人机航拍绝缘子缺陷检测领域具有潜在价值。     

基于改进YOLOv5与CRNN的电表示数识别

为了提高电表示数检测和识别的准确率，基于轻量高效的YOLOv5s网络提出了改进的目标检测网络。首先，在特征提取阶段添加CBAM注意力机制对图像的重要特征进行自主学习，并设计了一种特征融合网络D-BiFPN加强了对深层特征的提取；其次，引入CIOU损失函数，使目标框的回归更加稳定。对CRNN文本识别算法的主干网络进行改进，模型保持轻量化的特点，在移动端部署上有良好的前景。最后，在电表数据集上测试得出：相比于YOLOv5算法，所提出的算法精度均值提升了5.13%;相比于CRNN算法，所提出的文本识别算法准确率提升了7.4%。实验结果表明，改进后的文本检测算法对电表示数的检测精度较高，文本识别算法准确率和速度较高，满足电表示数检测识别的实际应用需求。     

多重金字塔的轻量化遥感车辆小目标检测算法

针对遥感车辆检测任务中存在目标尺寸小、背景复杂等问题，提出一种基于多重金字塔和多尺度注意力的轻量级YOLOv5算法。在主干网络中减少下采样次数，提高小目标检测能力，实现轻量化；在颈部中通过重新设计的多重金字塔网络，充分利用不同特征层的信息，增强特征融合能力，并引入改进的多尺度注意力模块，为浅层特征图获得更大的感受野和感兴趣区域；最后使用K-means++聚类算法对目标尺寸进行聚类分析，设计出适合目标的锚框尺度和宽高比。在自建遥感车辆数据集中不仅提升了目标检测精度，而且大大降低参数量。与YOLOv5s相比较，AP0.5%提高了2.3%、AP0.5:0.75%提高了4.3%；参数量降低了65%、模型大小减少了60%。在轻量化的同时有效地提高了小目标的检测精度。     

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。     

红外道路场景下车辆与行人检测算法

针对现有算法模型在红外道路场景下,对小尺寸车辆与行人的检测存在精度低和漏检的问题,提出改进YOLOv5s的红外道路检测算法。首先,借鉴Focal-Loss的计算思想引入一种新的动态缩放(focal and complete IOU,Focal-CIoU)损失函数,提高检测精度;其次,引入改进坐标信息嵌入中激活函数为自适应模式的坐标注意力机制(adaptive coordinate attention, Ada-CA),提高准确定位目标的能力;最后,改进C3模块为具有多尺度特征信息的MultiS-C3,提高模型识别能力。通过实验对比可知,改进的目标检测算法较原网络模型准确性提高2.0%,召回率提高7.3%、平均精度提高6.6%,可以有效检测出红外背景下的车辆与行人。     

改进 YOLOv5 的 PDC 钻头复合片缺损识别

PDC 钻头复合片的缺损情况是影响钻进效率的重要因素,检测 PDC 钻头复合片是否缺损是修复 PDC 钻头的前提。 为 了减少对 PDC 钻头复合片的误检,提升检测准确率,提出了一种基于改进 YOLOv5 的目标检测算法。 该方法以 YOLOv5 网络为 基础,融合 RepVGG 重参数化模块增强网络的特征提取能力;在 C3 模块中引入坐标注意力机制,在通道注意力机制中嵌入位置 信息,提升对缺损复合片的目标检测能力;将边界框回归损失函数改进为 WIoU 损失函数,制定合适的梯度增益分配策略。 实 验结果表明,改进后的网络的精确率提升 2%,召回率提升 0. 9%,平均精度均值(mAP)提升了 1. 3%,达到了 98%,能够实现对 PDC 钻头复合片的缺损识别。     

改进YOLOv5s的复杂交通场景下目标检测算法

针对在实际的交通道路目标检测中,存在着小目标检测精度低,遮挡目标容易出现漏检误检等问题,提出了一种改进的YOLOv5s道路目标检测算法YOLOv5s-OEAG。将YOLOv5s的标签分配策略更换为效率更高的OTA标签分配策略,提高模型的检测精度与泛化能力;提出了一种轻量化的解耦预测头对不同尺寸的特征层进行分类任务与回归任务的解耦,提高模型对道路中小目标的检测能力;将原始模型中的最近邻插值上采样模块替换为轻量级通用上采样CARAFE模块,有助于更好地保留图像中的细节信息,提高模型的精度;提出了一种新的C3模块GMC3,在减小模型计算量的同时提高模型捕获特征的能力;为了提高模型的泛化能力,对KITTI数据集进行了扩充,增加了小目标的数量。实验结果表明,改进后的模型在经过扩充后的KITTI数据集的mAP达到了90.4%,比原始模型的精度提高了2.8%;FPS为75,满足实时性的要求,在一定程度上提高了对复杂交通场景的适应能力。     

基于Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题，为了提高红外图像中的小目标以及被遮挡目标的检测识别能力，提出基于Efficientnet的红外目标检测算法。首先，将高效轻量的Efficientnet作为模型的特征提取主干网，降低模型的参数量，提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块，丰富特征图的表达能力，进行多尺度融合，扩大特征图的感受野；在模型特征融合部分，使用FPN特征金字塔网络，特征融合后增加CSPNet模块和ECA注意力机制，加强特征提取。检测部分使用YOLO Head，对目标进行分类和回归，并用CIoU Loss作为边界框回归损失函数，提高对被遮挡目标的识别能力。实验结果表明，基于Efficientnet的模型大小仅为YOLOv3的188%，并且在FLIR数据集上mAP达到8074%，相比于YOLOv3算法提高1012%，该模型在减少模型参数量的同时，提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力，提高了对小目标和遮挡目标的检测能力。     

基于YOLOv5的草莓轻量化网络检测模型

随着现代农业技术的发展,草莓生产和采摘的自动化是一个必然的趋势,而草莓目标检测是实现采摘自动化的关键环节。基于YOLOv5目标检测算法,采用ShuffleNet轻量级网络结构替代原模型的特征提取网络,并在骨干网络提取的特征图后加入SE通道方向的注意力机制,结合EIoU和Alpha-IoU损失函数,设计了一个α-EIoU损失函数,给定参数α的值为3,统一指数化IoU损失函数,据此获得更准确的边界框回归和目标检测。改进的模型在草莓小目标数据集上平均检测精度均值达到了97.6%,其中成熟草莓的准确率为99.4%,与YOLOv3、YOLOv4和YOLOv5相比,平均精度均值(mAP)分别提高了5.4%、2.9%和1.1%,该模型识别图像传输帧率为125 fps,比原YOLOv5模型提升了38 fps,该实验模型更适应于移动端部署,为草莓采摘识别的自动化提供了一些理论基础。     

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。     

改进视觉注意力网络的水下目标检测算法

针对传统水下图像检测方式易受水中光线、复杂环境的影响,造成水下目标识别精度不高,泛化性较差的问题,提出了一种改进YOLOv5s的水下目标检测算法。首先引入了Double MSRCR算法,解决了水下物体清晰度低,特征模糊的问题。在网络结构方面,主干网络引入C＿VAN模块,提升了神经网络特征提取能力;其次在颈部网络中,引入RFB＿S感受野,增强神经网络的多尺度适应能力;最后引入NAMAttention空间与通道注意力机制,增强网络上下文特征的表达能力。所提方法相较于Faster-RCNN检测精确度提高了6.5%,相较于YOLOv4检测精确度提高了4.1%,相较于YOLOv5s检测精确度提高2.7%,检测速度提升了56.34 fps,证明了方法适用于实时水下检测任务。     

改进YOLOv5的路面缺陷快速检测方法研究

为了实现路面缺陷的智能快速化检测,对深度学习目标检测算法YOLOv5进行改进,得到的3种检测模型(YOLOv5-A,YOLOv5-C,YOLOv5-AC)均可采用视频检测的方式对路面5类缺陷进行快速检测。采用智能手机和数码相机采集路面缺陷图像并制作数据集,在满足视频检测的需求下,使用K-means算法和1-IoU作为样本距离重新聚类anchor,得到更优的锚框参数;在网络多个结构中引入CBAM注意力机制,增强模型的特征提取能力。实验结果表明,YOLOv5-C算法在训练集上的平均精度达到91.8%,相较于原模型提高1%;YOLOv5-A算法在验证集上的平均精度达到92.7%,相较于原模型提高1.7%;在实际检测效果上,YOLOv5-AC算法在裂缝、破碎板和坑洞的识别准确度上达到89%、62%、90%,相较于原模型提高了45%、4%、5%,且模型的检测速度达到40 FPS。YOLOv5-AC算法具有较高的检测精度和识别速度,一定条件下可以满足在道路缺陷检测中的智能化实时检测需求。     

融合非对称卷积的遥感图像目标检测算法

遥感图像中的目标具有背景复杂、方向多变等特点。利用传统方法进行遥感图像目标检测过程复杂且费时，存在精度低，漏检率高等问题。针对以上问题，提出一种改进的YOLOv5-AC算法，该算法以YOLOv5s模型为基础，首先在原有的Backbone中构建非对称卷积结构，增强模型对翻转和旋转目标的鲁棒性；其次在主干网络的C3模块中引入坐标注意力机制提升特征提取能力，并使用Acon自适应激活函数激活；最后使用CIOU作为定位损失函数以提升模型定位精度。改进后的YOLOv5-AC模型在NWPU VHR-10和RSOD数据集上进行实验，平均精确度均值分别达到了94.0%和94.5%，分别比原版YOLOv5s提升了1.8%和2.3%，有效提高了遥感图像目标检测精确度。     

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。     

基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在 CSPDarknet-53 骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。     

改进 YOLOv5 网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。