基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。     

基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低，小目标检测较困难的问题，提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制，使模型聚焦于图像中的关键信息，改进传统YOLOv5网络检测精度不高的问题。结果表明：改进后的模型具有更好的检测性能，其中引入CBAM模块后提升幅度最明显，较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。     

改进YOLOv5网络的轻量级服装目标检测方法

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×10⁹次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。     

改进YOLOv7的纸张表面缺陷检测研究

提出一种改进YOLOv7的纸张表面缺陷一步式检测算法。首先将注意力机制模块CBAM融合到主干和特征提取网络结构,从空间和通道2个维度提取信息,提升小目标纸病特征提取准确性和算法稳定性;将ASPP空洞卷积加入主干网络SPP中,ASPP可以进一步扩大感受野,使较小目标的特征信息在网络传递时得到保留,解决了小目标信息量不足的问题,进而提高小目标纸病识别的性能。通过自制纸病数据集检测实验,与YOLOv7相比,精确率、召回率及平均精确率均值mAP 0.5分别提升了1.5、2.3和2.1个百分点。     

基于改进YOLOv5s的大米外观品质无损检测模型

针对大米在外观品质中需要快速识别需求,提出了一种基于改进YOLOv5s网络的大米外观品质识别模型(CG-YOLOv5)。为提高大米的识别率,文本增加了小目标检测层。其次,为使模型轻量化,用Ghost模块代替YOLOv5s的骨干网络。为进一步提升模型的性能,通过试验研究了不同的注意力机制对模型性能的影响,最终选取CBAM注意力机制加入到YOLOv5s网络中。为直观CBAM注意力机制的效果,对大米图像进行了特征图可视化。试验结果表明修改后的网络的mAP达到了96.5%,相比YOLOv5s网络提升了4.3个百分点。在相同数据集下,与8种主流的检测网络进行对比,并在不同光照情况下的试验结果表明,该方法的检测mAP和检测时间皆优于其它8种检测网络；在检测时间上,该方法的平均检测时间为41ms,相较于YOLOv3快119ms,相较于YOLOv4-tiny快35ms。该方法具有优异的检测精度以及良好的鲁棒性和实时性,可以用于大米品质检测中。     

基于YOLOv5的咖啡瑕疵豆检测方法

目的:实现咖啡豆瑕疵检测。方法:提出一种基于改进YOLOv5s网络,以YOLOv5s为基线网络嵌入并优选不同的注意力机制模块与激活函数。结果:使用CBAM模块与激活函数Hardswish的平均精度均值相比基线网络分别提高了5.3%和2.9%。经过200次迭代训练,模型准确率为99.5%,平均精度均值为97.6%,召回率为0.98,识别速率为64幅/s,模型大小为15 M。结论:相比于Faster RCNN、SSD、YOLOv3、YOLOv4、YOLOv5s,试验算法识别准确率更高,模型更加轻量化,对咖啡瑕疵豆的识别效果更好。     

基于YOLO-FFD的水果品种和新鲜度识别方法

目的：改善现有水果识别与分级方法依赖于人工操作和复杂设备的情况。方法：提出了一种轻量化模型YOLO-FFD（YOLO with fruit and freshen detection）,该模型以YOLOv5框架为基础,基于深度可分离卷积和GELU激活函数设计轻量化模块LightweightC3作为主干特征提取网络的基本单元,减少模型参数量和计算量,加快模型的收敛速度;使用大内核深度可分离卷积模块EnhancedC3改进原模型的颈部,抑制信息丢失并增强模型的特征融合能力,提高模型的检测精度;采用GSConv代替特征融合网络中的普通卷积,使模型进一步轻量化。结果：提出模型的平均精度均值达到了96.12%,在RTX 3090上速度为172帧/s,在嵌入式设备Jetson TX2上速度为20帧/s。相比于原始YOLOv5模型,平均精度均值提高了2.21%,计算量减少了26%,在RTX 3090和Jetson TX2上的速度分别提高了2倍和1倍。结论：YOLO-FFD模型能够满足识别水果品种和新鲜度的需求,且在复杂场景下错检、漏检情况均有改善。     

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

基于模型压缩与感受野增强的下茧实时检测

针对目前选茧时下茧检测主要依赖人工目测,工作效率低的问题,提出一种基于锚点框参数预置、通道剪枝和嵌入感受野模块改进的轻量化下茧实时检测模型。首先,通过K-means聚类分析出适用于下茧检测的锚点框以预置YOLOv3模型参数;然后,根据预设的剪枝率对稀疏化训练后的模型进行基于批量正则化层缩放因子的模型剪枝,以此压缩模型的大小;最后,在剪枝后的模型中嵌入感受野模块,使模型的感受野变大,增强模型的辨别能力和鲁棒性。实验结果表明:提出的下茧实时检测模型大小为46.90 M,平均检测速度达到50.18帧/s,平均检测精度为96.80%,较原YOLOv3模型参数压缩了79.96%,平均检测速度提高了60.63%,平均检测精度提高了3.20%。     

基于改进YOLOv3网络的烟梗识别定位方法

目的：实现烟叶分级流程烟梗部位的智能抓取,防止智能烟叶分级系统中机械手在抓取烟叶时对叶面造成损伤,减少烟叶智能分级设备生产中的人为操作,解决烟叶分级系统中的单片烟叶识别分类问题与对应等级单片烟叶存放问题。方法：提出一种基于改进YOLOv3的卷积神经网络烟梗自动识别定位模型。该模型在原有的YOLOv3的基础模型上改变单元模块结构引入注意力机制模块,优化模型参数,使用Swish激活函数,实现了对烟叶图像全部信息进行目标定位识别,构建烟梗目标检测模型。结果：改进后的YOLOv3模型的loss能更快的收敛,其mAP由90.46%提升为97.48%,准确率由95.33%提升为97.35%,回归率由84.65%提升为95.65%,为后续烟叶自动化分类打下基础。结论：与YOLOv3、Faster-rcnn、YOLOv4、Efficientdet算法作对比分析表明试验提出的算法更加轻量化,识别效果更好,能减少对烟梗试验平台的硬件配置要求,提高烟叶分类系统的经济效益,为烟叶分级系统中烟叶上料与分仓提供准确的位置信息。     

基于机器视觉的苹果表损智能检测系统设计

[目的]满足苹果外观品质和大小综合分级的现实需求,解决中国苹果人工分选效率低,分选设备结构复杂、成本高等问题。[方法]提出一种YOLOv5s-apple模型,在主干网络中引入Transformer模块和CBAM注意力模块,同时加入加权双向特征金字塔网络（Bi-FPN）改进颈部网络,并结合HALCON软件,利用自行设计的一种苹果表损智能检测系统进行表损分拣和大小分级。[结果]与原YOLOv5s模型相比,YOLOv5s-apple模型的mAP提升了6.2%,检测系统的分拣分级准确率可达97.5%,试验系统的处理速度为5 s/个。[结论]试验系统可以有效地进行苹果分级分选。     

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

基于YOLOv3的多类烟草叶部病害检测研究

烟草叶部病害种类繁多,病理复杂,严重影响烟草产量及品质,烟草病害精准检测是烟草病害及时防治的前提。传统检测方式精准性差、效率低,基于深度学习的算法可提高烟草病害检测准确性。本文以5种较为常见的烟草病害（普通花叶病、黄瓜花叶病毒病、赤星病、烟草野火病、气候性斑点病）为研究对象,构建基于YOLOv3的烟草病害检测模型,实现烟草多类病害的精准快速检测。使用Darknet53特征网络提取烟叶病害特征并将不同尺度病害特征融合,并用K-means++算法对融合后特征进行分类和位置预测,通过非极大值抑制算法（NMS）去除冗余框,得到病害区域预测框。用田间实际采集的烟草病害数据集,对构建的YOLOv3病害检测模型与SSD(Single Shot multibox Detector)模型对比测试。结果表明,YOLOv3的mIoU为0.81,明显优于SSD的0.73,且YOLOv3模型的mAP为0.77,也高于SSD的0.69。本研究构建的YOLOv3烟草病害检测模型能有效定位烟叶病害区域,实现多类烟草病害的检测,为精准病害防治提供参考。     

基于YOLOv5的鲜烟叶成熟度识别模型研究

【背景和目的】烟叶成熟度的准确判定和适时采收是提高烟叶质量的关键,为提高烟叶成熟度判定的准确性。【方法】以翠碧一号（CB-1）的鲜烟叶为研究对象,采用手机拍摄上、中、下3个部位5个成熟度（M1～M5）烟叶图像,利用labelimg软件从原始的图像中获取目标烟叶图像二维坐标信息,通过轻量级网络You Only Look Once(YOLO)v5进行数据训练,构建烟叶5个成熟度识别模型。【结果】CB-1的上、中、下3个部位模型中的m AP值均达到0.9以上,平均准确率分别为93.6%,92.8%,95.2%。进一步将模型部署到云服务器、并配套开发了基于Android端的烟草成熟度智能识别应用程序,实现在大田环境下响应式的鲜烟叶成熟度等级判断。【结论】基于YOLOv5模型的智能识熟APP可有效、准确地判定鲜烟叶成熟度。本研究结果可为鲜烟叶成熟度的智能识别提供理论基础和技术支撑。     

YOLOv4-tiny算法的融合模块在卷烟小包外观缺失检测中的应用

卷烟烟包外包装图案缺失检测是卷烟生产中的重要环节,目前常用的图案缺失检测方法普遍存在漏检率高、识别精度不够和速度慢等问题.因此本文提出了一种基于YOLOv4-tiny的烟包缺陷快速检测方法.该方法主要包括:(1)使用CSPDarknet53-tiny对图像特征进行提取.(2)通过添加多空间空洞卷积融合模块,获得丰富的上...