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。     

一种基于YOLOv5s的红外图像目标检测改进算法北大核心CSCD

受热红外成像方式限制,交通场景下红外图像存在对比度低、目标尺度和姿态的多样性以及目标之间的相互遮挡问题,从而造成检测精度下降,部分目标出现漏检、误检的情况。本文在YOLOv5s的基础上提出一种改进算法:在数据处理方面,使用AHE算法对训练集图像进行部分数据增强;在模型改进方面,通过引入跨域迁移学习策略、插入通道注意力机制SENet、改进损失函数GIoU为α-CIoU对YOLOv5s进行改进。并通过消融实验的方式,在自制数据集上对夜间道路环境下的电动自行车驾驶行为进行检测。实验结果表明,改进后的算法对单人驾驶电动自行车行为检测的平均精度达到了95.9%,比YOLOv5s的检测精度提高了3.1%;对载人驾驶电动自行车行为检测的平均精度达到了88.4%,比YOLOv5s的检测精度提高了9.5%;总类别检测的平均精度达到了92.2%,比YOLOv5s的检测精度提高了6.4%,有效降低了红外目标漏检、误检的概率。     

基于改进YOLOv5的路面缺陷检测算法研究

针对传统的路面缺陷检测算法,路面缺陷特征提取单一,且依赖于人工提取,导致检测效率低下的问题,提出了一种基于改进YOLOv5的路面缺陷检测算法。针对原算法对路面缺陷的位置信息提取不充分,引入CBAM注意力机制并对空间注意力中的7*7卷积层替换为3个串行5*5卷积后使用1*1卷积融合3个不同感受野下的特征信息,增强提取缺陷位置信息的能力。在训练阶段,增加正样本的数量,缓解模型训练时的正负样本不均衡。为证明该算法的有效性,在公共数据集GRDDC2020上进行验证,实验表明,改进后的YOLOv5算法F1-score相比于原YOLOv5算法提高2.1%,达到57.7%。     

基于改进YOLOv5的海面目标检测算法

针对海面目标检测模型难以应用在存储能力和计算能力较小的移动端的问题,提出一种基于改进YOLOv5的海面目标检测算法。采用轻量级提取网络ShuffleNetv2 Block作为YOLOv5网络的骨干部分,减少模型计算量和参数量;使用加权双向特征金字塔网络模块替换原特征融合网络模块,提高网络对不同尺度的特征提取能力;引入坐标注意力机制,提高模型检测精度。在海面目标数据集上进行实验,结果表明：与YOLOv5模型相比,改进模型的精确率、召回率、平均精度分别提高了1.2%、1.4%、0.9%,计算量和参数量分别降低了55.8%,54.9%。改进后的YOLOv5模型不仅提高了检测精度和模型性能,还压缩了模型的计算量和参数量,有利于部署在移动设备端。     

基于改进YOLOv5s的交通标志检测算法

针对城市道路的交通标志在真实路况中存在光照不均、遮挡等因素导致的在目标检测任务中出现参数量过多、检测速度慢等问题,文章基于原有YOLOv5s的网络框架提出一种改进后的目标检测网络Shuffle-Block,首先选用开源的CCTSDB数据集进行实验,引入Shuffle-Block模块替换YOLOv5s原始的CSPDarknet主干网络,使得YOLOv5s的网络模型轻量化,降低模型的复杂程度。     

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。     

改进YOLOv5的SAR图像近海岸舰船目标检测算法研究

SAR图像舰船目标检测时,因近海岸港口存在着复杂背景的问题,以至于重叠舰船目标无法被准确提取特征信息,造成近海岸的舰船目标出现漏检、误检的情况.针对以上问题,提出一种复杂场景下的SAR图像舰船检测算法,该算法基于YOLOv5进行改进,采用SPPF结构加强提取特征信息,并融合原YOLOv5的SPP结构提取的特征信息,这种多级金字塔模块并列融合的方式能有效的检测多尺度舰船目标,使特征信息更好的表达;然后将原模型中的GIOU改进为CIOU,使其可以准确的回归出预测框的位置;最终为了更合理的筛选高于阈值的预测框,改进NMS(Non-Maximum-Suppression),采用Soft-NMS方法去惩罚衰减高于阈值的边框得分,合理的去除预测框.试验结果表明,该文改进的模型相比于原模型在SSDD、 SAR-Ship-Dataset数据集上的mAP(mean Average Precision)提高了5.15%和5.06%,改进模型能有效检测近海岸中复杂背景下的SAR图像舰船目标.     

改进YOLOv5s的交通标志检测算法

随着无人驾驶技术的发展,交通标志检测对于维护交通秩序、降低交通事故频率意义重大。针对交通标志因尺寸小、密度高或背景复杂导致检测精度降低的问题,提出一种改进的YOLOv5s算法。首先,将ConvNeXt＿Block嵌入YOLOv5s的Backbone和Head部分,增强YOLOv5s特征提取网络的特征提取能力,提升模型检测精度;其次,引入轻量级通用上采样算子CARAFE,在不带来过多参数量和计算量的前提下,更好地利用特征图的信息,同样带来精度提升。使用该模型处理TT100K数据集,达到79.9%的检测精度,在YOLOv5s算法的基础上提高了1.8%,帧处理速率达到74 FPS,仍然符合实时性的要求。实验结果充分验证,改进模型在真实的交通标志检测场景中兼具实时性与准确性。     

基于改进YOLOv5的动车组关键部件缺陷检测

针对目前动车组(electric multiple units,EMUs) 关键部件缺陷检测模型复杂、小目标漏检率高和检测效率低的问题,提出一种基于改进YOLOv5的缺陷检测方法。该方法在利用生成对抗网络(generative adversarial network,GAN)进行数据增强的基础上,采用轻量级网络MobileNetV3-large对YOLOv5m主干网络进行替换,同时使用深度可分离卷积优化颈部3×3网络结构,以降低模型的参数量和计算量;在改进后的主干网络中引入坐标注意力机制(coordinate attention,CA),以捕获小目标的位置信息和通道信息,增强网络的特征表达能力;对非极大值抑制(non-max suppression,NMS)算法进行优化,融入重叠检测框中心点的位置信息,以提升预测框的定位准确性。在EMUs缺陷数据集上的实验结果表明,本文提出的检测模型相较于YOLOv5m,参数量减少了77%,计算量降低了80.9%,单张图片的检测时间减少了31.7%,平均精度均值(mean average precision,mAP)可达到0.804。另外,在NEU-DET数据集上的实验结果表明,改进后的模型也具有较强的泛化能力。     

基于FPGA的YOLOv5s网络高效卷积加速器设计

为提升在资源受限情况下的嵌入式平台上卷积神经网络(Convolutional Neural Network, CNN)目标识别的资源利用率和能效,提出了一种适用于YOLOv5s目标识别网络的现场可编程门阵列(Field Programmable Gate Array, FPGA)共享计算单元的并行卷积加速结构,该结构通过共享3×3卷积和1×1卷积的计算单元提高了加速器硬件资源利用率。此外,还利用卷积层BN(Batch Normalization)层融合、模型量化、循环分块以及双缓冲等策略,提高系统计算效率并减少硬件资源开销。实验结果表明,加速器在200 MHz的工作频率下,实现的卷积计算峰值性能可达97.7 GOPS(Giga Operations per Second),其YOLOv5s网络的平均计算性可达78.34 GOPS,与其他FPGA加速器方案相比在DSP效率、能耗比以及整体性能等方面具有一定的提升。     

小波变换和神经网络在车牌识别中的应用

介绍了车牌识别的背景、意义和一般实现过程，阐述了小波变换和神经网络的基本理论，详细地分析和论述了小波变换和神经网络在车牌识别四个核心阶段（即图像预处理、车牌定位、字符分割和字符识别）中的应用，最后总结并对两者在车牌识别技术中的应用前景进行了展望。     

基于改进YOLOv5的荧光图像细胞智能检测研究

为解决人工对荧光原位杂交(Fluorescence In Situ Hybridization, FISH)荧光图像进行结果判读存在的效率低、劳动强度大等问题,针对FISH荧光图像细胞智能检测提出一种融合空域图像增强的改进YOLOv5算法。算法在原始YOLOv5神经网络模型基础上,加入了空域图像增强模块,并选择了模块最佳增强系数,扩大了模型对荧光图像的对比度适应范围,提高了模型的特征提取能力和细胞检测准确率。实验结果显示,改进YOLOv5模型的平均精度均值(Mean Average Precision, mAP)为0.983,达到了比原始模型更优的训练效果和收敛速度,并且,改进YOLOv5模型的细胞识别率达到91.65%,比原始YOLOv5模型提升了9.19%。将细胞智能检测算法嵌入自主开发的荧光图像智能检测软件,结合荧光点检测算法,可给出有效判读结果。