改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题，本文提出了一种改进YOLOv5s的目标检测算法。首先，将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3，解决了网络模型较大、参数较多的问题，减少了网络的深度并提升了数据推断速度；其次，对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取，融合多尺度特征进而扩大感受野；最后，对损失函数进行优化，使用CIoU为边界框回归损失函数，改善模型原始GIoU收敛速度较慢问题，使预测框更加符合于真实框，同时降低网络训练难度。实验结果表明，改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4＿tiny分别提升了4.4、15.7、12.4、19.6，模型大小相较于YOLOv5s与轻量级网络YOLOv4＿tiny分别减少了32.4 MB和21 MB，同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求，为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。     

基于YOLOv5算法的红外图像行人检测研究北大核心CSCD

目标检测是自动驾驶的重要前提,是与外界信息交互的重要环节。针对夜间远处行人检测识别精度低、漏检的问题,提出一种针对检测小尺寸行人的YOLOv5-p4的夜间行人识别模型。首先,通过增加更小目标的检测层,引入BiFPN特征融合机制,防止小目标被噪声淹没,使网络模型可以更聚焦于物体的细小特征;同时使用K-means先验框聚类出更小目标的锚框,并且使用了多尺度的数据增强方法,增加模型的鲁棒性。使用了MetaAcon-C激活函数与EIoU回归损失函数使模型收敛效果更好,提升了算法远距离行人的检测的准确率。最后在红外行人数据集FLIR上验证改进后的YOLOv5-p4模型对于行人的检测能力,实验结果表明该方法与传统方法相比,准确率从86.9%提升到90.3%,适合用于红外图像中的行人检测。     

改进YOLOv5s算法的地铁场景行人目标检测

地铁场景行人目标存在大小不一、不同程度遮挡以及环境过暗导致目标模糊等问题，很大程度影响了行人目标检测的准确性。针对上述问题，本研究提出了一种改进YOLOv5s目标检测算法以增强地铁场景行人目标检测的效果。构建地铁场景行人数据集，标注对应标签，进行数据预处理操作。本研究在特征提取模块中加入深度残差收缩网络，将残差网络、注意力机制和软阈值化函数相结合以增强有用特征信道，削弱冗余特征信道；利用改进空洞空间金字塔池化模块，在不丢失图像信息的前提下获得多尺度、多感受野的融合特征，有效捕获图像全局上下文信息；设计了一种改进非极大值抑制算法，对目标预测框进行后处理，保留检测目标最优预测框。实验结果表明：提出的改进YOLOv5s算法能有效提高地铁场景行人目标检测的精度，尤其对小行人目标和密集行人目标的检测，效果提升更为显著。     

改进多尺度特征融合的行人检测算法

针对图像中小尺寸行人目标检测识别率低的问题,提出一种基于改进多尺度特征融合的行人检测算法。首先,在原始YOLOv3模型的基础上将BN层融合到卷积层;其次,增加检测层,借鉴特征金字塔思想将高低层特征进行融合与预测;最后,利用线性尺度缩放的K-means聚类算法优化候选框,提高小尺寸行人检测效果。在INRIA行人数据集上的实验结果表明,改进算法准确率达到91.4%,与YOLOv3算法相比提高了3.4%;在复杂监控环境下也证明了所提算法的有效性。     

基于改进的电力关键部件识别算法研究

针对无人机在电力巡检过程中存在的待识别部件背景复杂、轮廓特征不清晰、各类部件尺寸相差较大等问题,提出一种改进的YOLOv4算法对电力关键部件进行识别。首先搭建深度可分离卷积残差块(M-Resblock-body),用其代替原特征提取网络中的部分普通卷积残差块,在不降低特征提取能力的情况下减少参数量,加快模型的推理速度。然后引入自适应调节感受野网络(SKNet),对输入的感受野进行自适应调节,捕获不同尺度的目标,通过合理分配特征通道的权重来对特征进行有效的表达,提高模型检测精度。最后为了增强模型的泛化能力,对训练集进行一系列数据增强。实验结果表明,改进后的YOLOv4算法在测试集上精度比原始网络提高8.85%,速度提升2.24 frame/s,能够有效实现电力巡检中关键部件的识别及缺陷检测。     

基于高性能特征提取和任务解耦的无人机航拍图像小目标检测

无人机广泛应用于环境监测、资源规划和电力巡检等多种领域,其航拍图像中存在大量小尺寸目标,给目标检测任务带来难度。为此,在YOLOv5s的基础上提出一种基于高性能特征提取和任务解耦的目标检测网络（HFTT-Net）算法。首先,针对航拍图像中小尺寸目标特征提取困难的问题,在原始骨干网络的基础上引入多头自注意力机制,使网络充分关注小目标信息,在多尺度特征融合过程中使用SPD(Space-to-depth)组件,增强待检测目标的特征;接着,对于目标检测中普遍存在的任务冲突的问题,将分类头与回归头进行解耦操作,进一步提升目标检测精度;最后,结合基于EIoU的回归损失对网络进行监督,提升网络收敛速度,实现无人机航拍图像中目标的精确检测。在VisDrone2019数据集上的实验结果表明,HFTT-Net中的高性能特征提取和任务解耦操作能够充分提升网络的小目标检测能力,在航拍图像的多密集小目标场景任务中表现突出,该算法在能够满足实时检测的情况下与经典的YOLOv5s算法相比精度提升了2.5%。     

基于YOLOv5s的改进实时红外小目标检测

针对红外图像分辨率低、背景复杂、目标细节特征缺失等问题,提出了一种基于YOLOv5s的改进实时红外小目标检测模型Infrared-YOLOv5s。在特征提取阶段,采用SPD-Conv进行下采样,将特征图切分为特征子图并按通道拼接,避免了多尺度特征提取过程中下采样导致的特征丢失情况,设计了一种基于空洞卷积的改进空间金字塔池化模块,通过对具有不同感受野的特征进行融合来提高特征提取能力;在特征融合阶段,引入由深到浅的注意力模块,将深层特征语义特征嵌入到浅层空间特征中,增强浅层特征的表达能力;在预测阶段,裁减了网络中针对大目标检测的特征提取层、融合层及预测层,降低模型大小的同时提高了实时性。首先通过消融实验验证了提出各模块的有效性,实验结果表明,改进模型在SIRST数据集上平均精度均值达到了95.4%,较原始YOLOv5s提高了2.3%,且模型大小降低了72.9%,仅为4.5 M,在Nvidia Xavier上推理速度达到28 f/s,利于实际的部署和应用。在Infrared-PV数据集上的迁移实验进一步验证了改进算法的有效性。提出的改进模型在提高红外图像小目标检测性能的同时,能够满足实时性要...     

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

基于Ghost模块的改进YOLOv5目标检测算法

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检。针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5-CBGhost。首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度。通过在PASCAL VOC2007+2012数据集上实验,YOLOv5-CBGhost的目标精度达到81.8%,相较于YOLOv5s,提高了3.0%,计算量减少42.5%,模型大小减少3.5%。     

基于改进YOLOv3的目标检测方法研究

针对目标检测算法YOLOv3检测精度低、目标识别效果差等问题,从特征提取和特征融合的角度提出一种改进的YOLOv3目标检测算法。采取连续残差结构和深度卷积双路特征提取来扩展感受野,在深度卷积模块中以改进的混合池化来替换最大池化;在特征融合方面,引入CBAM,并在增强残差模块中增加了注意力特征融合模块。实验结果表明,改良后的YOLOv3算法在百度与北京林业大学合作的Insects昆虫数据集上的检测精度达到了71.22%,比原始算法的检测精度提升4.88个百分点,验证了该算法的有效性。     

基于改进的Cascade-RCNN网络的人员检测算法

为解决人员密集情景下行人检测存在大量的目标误检、漏检的情况,本文提出了一种改进的基于Cascade-RCNN的目标检测网络,提高了人员检测的准确率.对目前检测效果较好的Cascade-RCNN做了一些改进:选用ResNeXt101代替ResNet作为骨干网络,以便提取更加充分的特征;为了获得更好的标记框,用kmeans聚类算法得到更符合目标形态的anchor长宽比例,通过WBF算法融合多个模型的结果得到更精确的边界框,同时引入多尺度训练以提高对小尺度目标的检测能力.实验结果表明,在CrowdHuman公开数据集上,用ResNeXt101提取特征其得分提高了 3.7％,用kmeans聚类算法生成anchor比例和WBF算法融合多预测框其准确率提升了 0.7％和1.2％,最终整体性能较基础Cascade-RCNN提升近6％.     

针对多尺度目标的轻量级红外目标检测算法

针对现有基于深度学习的红外目标检测算法参数量大、复杂度较高、对多尺度目标检测性能较差等问题，提出了一种针对多尺度目标的轻量级红外目标检测算法。算法以YOLOv3为基础，采用MobileNet V2轻量级骨干网络、设计改进的简化空间金字塔结构（simSPP）、Anchor Free机制、解耦头和简化正负样本分配策略（Sim OTA）分别对Backbone、Neck和Head进行优化，最终得到模型大小为6.25 M，浮点运算量2.14 GFLOPs的LMD-YOLOv3轻量级检测算法。在构建的MTS-UAV数据集上m AP达到90.5%，在RTX2080Ti显卡上FPS达到99，与YOLOv3相比m AP提升了2.60%，模型大小为YOLOv3的1/10。     

基于目标检测模型的无人机影像识别技术

YOLOv5具有较高的目标检测速度和检测精度,但在无人机影像小目标检测方面效果不太好。为解决在自然环境情况下小目标检测精度低及鲁棒性差等问题,本文以自然环境情况下无人机影像为研究对象,提出了一种改进的YOLOv5小目标检测模型。通过对特征图增加上采样处理,使特征图继续扩大,从而降低采样率和缩小感受野,提高模型对小目标的检测能力。改进的模型在天大无人机影像VisDrone数据集上进行了训练和测试。实验结果表明,改进YOLOv5的算法平均精度值为46.4%,与原YOLOv5模型相比,平均精度值提升了14.9%,改进YOLOv5在一定程度上改善了YOLOv5无人机影像识别率。     

用于PCB缺陷检测系统的YOLOv5算法设计

本文提出了ATCSP-YOLOv5用于PCB中的小目标检测。将跨阶段局部网络（CSPNet）的思想和Transformer中多头自注意力机制（Multi-Head Attention）相结合,在YOLOv5的主干网络中加入多头自注意力跨阶段局部网络（ATCSP）模块。同时,在特征金字塔部分融合生成感受野更小的目标检测层,用于添加小目标探测头。除此之外,还使用了SRGAN和数据增强来扩充数据集,更好的实现了缺陷检测。在实验中ATCSP-YOLOv5的mAP@0.5为98.38%,相较于原始的YOLOv5s提升了3.06%,同时检测速度没有明显下降。     

基于改进YOLOv3的安全帽检测方法研究

针对目前对工业现场安全帽佩戴检测过程中出现的检测准确率低和实时性弱问题,提出一种基于YOLOv3的改进模型。首先,采用K-Means++聚类算法,优化获取安全帽佩戴检测的先验框尺寸;在YOLOv3特征提取网络之后引入注意力模块(scSE);并在网络预测阶段,引入残差模块。实验表明：在自制安全帽佩戴检测数据集实验中平均准确率达到88.16%。相较于原始的YOLOv3算法,改进后算法对安全帽检测平均准确度有一定程度的提高。     

基于改进YOLOv5s的无人机图像识别

无人机在军事情报、航拍检测等领域能够提供目标相关的图像信息,为处理任务提供目标信息。针对无人机图像背景复杂、检测目标小、可提取特征少等问题,提出基于YOLOv5s的改进无人机图像识别算法。首先,结合CotNet模块对网络结构进行优化,提升模型自学习能力并增强识别精度;其次,对颈部网络进行改进,通过跨层链接和提高特征图分辨率更好地利用浅层特征图中包含的丰富信息来定位目标,并且在检测头部分采用解耦检测头,减少预测过程中定位与分类任务对于特征信息的冲突;最后,为了提高收敛速度和模型精度,在CIoU和EIoU损失函数的基础上对损失函数的宽高纵横比进行优化。在公开数据集VisDrone测试集上进行测试,所提算法相比原始YOLOv5s算法的mAP₅₀与mAP_50∶95分别提升了6.1与2.9个百分点,实验结果表明,所提模型能够有效提升无人机图像识别的准确率。     

YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法

针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法。该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力。实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11%,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288%、3.968%,有效减少目标身份切换频次。     

基于改进Faster RCNN模型的输电线缺陷检测方法

针对目标尺度差异大和小尺度目标条件下输电线缺陷检测效果不佳的问题,提出一种改进Faster RCNN模型的输电线缺陷检测方法。利用多尺度特征提取区域建议网络,基于K-均值聚类生成适合于输电线缺陷目标的锚框集,使用ROIAlign操作实现特征映射。通过在包含绝缘子、防振锤、销钉和鸟巢4类缺陷图像的自建数据集上测试表明,该方法有效提升了不同尺度目标以及小尺度目标的缺陷检测性能,平均准确率均值达到95.57%。     

基于感受野和特征增强的遥感图像实时检测

遥感图像检测在计算机视觉领域中是一项具有挑战性的任务，目前的遥感图像检测方法在提升精度的基础上忽略了速度，而在资源勘测和海上救援等需要实时检测的场景中，提高检测速度也是必不可少的。基于此，提出了一种轻量化的目标检测网络，以实现检测精度和速度的权衡。基于YOLOv4进行设计，将原主干网络替换为剪枝后的MobileNetV2，将特征提取部分的普通卷积计算替换为深度可分离卷积以大幅度减小模型计算量，同时嵌入感受野增强模块和注意力机制模块以提升模型检测精度。在遥感图像数据集上的实验结果表明：所提网络的平均准确率达到了89.80%，检测速度达到33.4 frame/s；与YOLOv4相比，平均准确率仅下降了1.48个百分点，但检测速度提升了近1.5倍；与YOLOv4-Tiny相比，平均准确率提升了9.05个百分点。所提模型实现了速度和精度的权衡，权重仅为44 MB，易于部署，且能满足实时检测场景需要。     

基于YOLO-IDSTD算法的红外弱小目标检测

针对复杂背景下红外弱小目标难以准确快速检测的问题,提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先,为提高检测速度,重新设计了特征提取部分的网络结构,并在输入层后使用Focus模块以减少推理时间;其次,为增强检测能力,特征融合部分采用路径聚合网络,添加了改进的感受野增强模块;最后,目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明,相较于经典轻量化模型YOLOv3-tiny,文中提出的模型召回率提升了7.57%,平均检测精度提高了1.92%,CPU推理速度提升了36.1%,可较好地兼顾精度和速度,计算量与参数量明显减少,模型尺寸压缩至7.27 MB,减少了对硬件平台运算能力的依赖,实现了红外弱小目标准确又快速的检测。