基于改进YOLO v5的机床刀具识别方法

针对目前机床刀具分类应用较少、预处理复杂、目标检测适用范围小且识别精度不高的问题,提出基于改进的YOLO v5机床刀具图像识别算法,利用卷积神经网络在特征提取层加入CBAM注意力模块,可以更清晰地提取图像特征,在特征融合层加入CARAFE上采样模块,使刀具的表面特征恢复更好,可以减少特征融合时部分特征的丢失。实验结果表明,改进后的算法使机床刀具等小目标检测精度和检测速度明显提升,且改进后的模型平均精度为96.8%,比YOLO v4模型提高了14.96%,比YOLO v5模型提高了2%。本方法能对不同刀具进行识别,为工业制造中机械零件的识别提供了新的算法支持。     

改进YOLO v5s的道路目标检测模型轻量化研究

针对目前道路目标检测算法因存在网络结构复杂、计算量大而不利于在嵌入式平台部署的问题,提出了一种改进的轻量级YOLO v5s道路目标检测算法,将YOLO v5s骨干网替换为MobileNetV3进行特征提取,降低了网络的参数量和计算量。实验结果表明：在自制的常见道路目标数据集上,改进后的算法在保证较高检测精度的情况下,使模型体积减小49.3%,参数量减少50.3%,从而降低了硬件部署成本,可满足在嵌入式端部署后对道路目标检测的准确率和实时性要求。     

基于改进YOLOv5算法的地铁车辆转向架螺栓缺失检测

目前，地铁车辆的检修主要依赖于人工检测，不仅效率低，而且可能因漏检等原因造成严重的行车安全事故。因此提出了一种基于改进YOLOv5算法的地铁车辆转向架螺栓缺失检测算法。首先，在YOLOv5算法的骨干网络和特征提取网络中添加Ghost模块，轻量化网络结构，提升检测效率和速度；其次，采用改进的YOLOv5算法对螺栓进行定位训练，并插入CBAM注意力模块，增加网络对目标的关注度，从而获得良好的螺栓定位检测模型；最后通过模板匹配的方法，对比网络检测结果与正常转向架螺栓数量及分布，获得缺失螺栓数目与位置信息。实验结果显示，改进后的YOLOv5网络模型检测精度提升3.9%，模型参数量减少了近1/2，检测速度提升9 fps，螺栓缺失检测准确率为86.2%。因此，文中提出的改进YOLOv5算法的地铁车辆转向架螺栓检测模型满足螺栓缺失定位的检测任务要求，取得了良好的应用效果。     

基于机器视觉和改进形态学边缘检测算法的钢球缺陷检测技术研究

为提高钢球表面缺陷检测的效率和准确性,设计一种基于机器视觉的钢球表面缺陷分拣系统。对钢球表面图像进行图像分割、平滑去噪和二值化预处理,获取钢球表面图像的准确信息,并采用改进的中值滤波算法去除噪声;利用小波变换和多尺度形态学融合算法进行钢球表面缺陷的边缘检测;通过该融合算法和其他算法的检测结果对比和客观数据评价,验证了本文所提算法能够有效保留图像真实细节,并满足钢球分拣系统的需求。     

基于深度学习的道路表面裂缝检测研究

针对目前道路表面裂缝缺陷检测方法普遍存在识别率低、实时性差以及多尺度特征下检测效果不好等问题，提出一种改进的YOLOv5s算法模型。该算法引入Sim AM三维带权注意力机制且不引入额外参数，在模型中融入加权双向特征金字塔进行多尺度特征融合；同时改进预测框损失函数，使得损失函数收敛更快。经过对比实验，改进后模型的裂缝检测均值平均精度提高了2.2%，准确率为90.5%，表明了模型的有效性。     

改进YOLOv5s的纱管目标检测方法

为解决传统纱管分类方法效率低下、误差较高的问题,提出一种基于改进YOLOv5s算法的纱管目标识别方法。该算法融合了坐标注意力模块(CA)和Transformer模块,提出了新的SPP模块(SPP+)替换传统的SPP模块,使用加权双向特征金字塔网络(BiFPN)思想增强特征融合,并使用WIoU损失函数替代原有的损失函数。为验证改进算法性能,制作了一套纱管数据集,并基于改进YOLOv5s算法进行了纱管检测实验。实验结果表明改进的算法具有更好的识别效果。     

改进YOLOv5的无人机影像道路目标检测算法（英文）

针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度融合卷积注意力模块（Convolutional block attention module, CBAM）的YOLOv5道路目标检测算法,即YOLOv5s-FCC。首先,引入小目标感知层对模型进行多尺度改进,增加一个针对小目标的YOLO检测头以提高网络对道路中小目标的特征提取能力。其次,利用CBAM融合空间和通道信息以增强网络中的重要信息,通过将CBAM引入Backbone主干网络不同位置,以获得CBAM最佳融合位置。最后,采用CIo U作为损失函数,以提高边界框预测所需的计算速度和精度。在自建的无人机道路目标数据集上进行训练,结果表明,相较YOLOv5算法,YOLOv5-FCC算法可将mAP50和mAP50-95分别提高2.0%和4.2%。在VisDrone数据集上也验证了YOLOv5-FCC算法的有效性,并建立了基于无人机的道路目标检测系统,实现道路目标的自动检测。     

基于目标图像组合算法的改进YOLOv5模型

针对YOLOv5目标检测模型训练时间长、检测精度偏低问题,提出一种目标图像组合算法,考虑必要的图像背景及图像覆盖对目标图像进行分割,设计减少图像失真的重组策略提高单张训练集图像内目标个数,降低模型训练时长。改进先验框生成策略,以绝对差值作为距离函数,对训练集目标边框的长和宽分别进行一维K-means聚类,提高先验框对训练集的适应度。提出多层并列卷积结构,对输入特征经过三层并列卷积后的输出进行融合,增强特征表征能力。以VOC2007和VOC2012训练集和验证集作为训练图像,采用目标图像组合算法,模型训练时间减少30%以上,改进先验框生成策略使先验框对训练集的适应度达到0.735。在VOC2007测试数据集上测试,改进YOLOv5模型平均准确率均值（mAP）由79.1%提升至80.3%。     

基于ORB的KCF算法对前方车辆跟踪研究

针对KCF算法在前方车辆被遮挡时存在跟踪丢失的问题,提出一种将ORB与KCF结合的跟踪算法.引入扩大网格尺寸后的YOLO v3算法快速识别图像中车辆位置,并改进ORB中角点检测算法提高图像匹配精度.经过实验验证,改进后的ORB算法具有较强的抗噪干扰能力,不仅保留了原ORB算法运算快的优越性,且基本消除误匹配点.基于OR...     

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题，提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块，进而增强算法对零件的特征提取能力；将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法，进而提高零件检测精度。试验结果表明，相比原始YOLOv5算法，本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务，同时保证了实时性。     

改进YOLOv5的矿用输送带损伤检测方法

文中针对目前输送带损伤检测大多是输送带撕裂且缺乏其他损伤类型研究的问题,提出一种改进YOLOv5的矿用输送带损伤检测方法。将SPD-Conv模块替换Conv模块中的卷积层,提升小目标的检测效果;在骨干特征网络与最后预测网络之前引入CBAM注意力机制,对重要的特征通道进行强化;最后,在YOLOv5的基础上引入高斯滤波器消除噪声干扰,提升算法目标检测效率。试验结果表明：改进后的YOLOv5目标检测网络在对输送带的撕裂、击穿、表面划伤、破损4种损伤类型的检测平均精度均值达92.3%,相较于YOLOv5算法提高了35.1%,检测速度达90帧/s,提高了20%,实现了对矿用输送带损伤的快速识别。     

基于改进YOLOv5的人脸检测算法

随着计算机视觉行业的不断发展，基于卷积神经网络的目标检测算法也受到了研究人员的重视。针对传统的YOLOv5目标检测算法中的边界框回归损失函数GIOU存在当检测框与真实框呈包含的状态时会退化到传统IOU损失函数，以及当检测框和真实框相交时在垂直和水平两个方向上存在收敛速度慢的问题，提出一种改进的YOLOv5目标检测算法。在传统YOLOv5的基准网络中添加注意力机制，然后在边界框回归损失函数中引入真实框与预测框中心的欧式距离计算预测损失，并分别计算预测框与真实框之间的纵横比作为惩罚项以达到提高回归精度以及加快收敛速度的目的，最后将改进后的YOLOv5目标检测模型应用于人脸检测进行验证。实验利用wideface人脸数据集训练，训练结果表明改进的YOLOv5目标检测算法训练中的损失只有0.013，较传统的YOLOv5目标检测算法损失减少约13.33%，准确率达到82.28%，较传统的YOLOv5目标检测算法提高2.6%。实验表明该目标检测算法能很好的应用于人脸检测中。     

基于改进的YOLOv3的托盘检测方法研究

针对仓储环境下叉车机器人托盘识别的应用场景,以及提高托盘目标检测的准确性和鲁棒性,提出了一种基于YOLOv3算法改进后的物体识别方法.运用K-Means++聚类方法重新聚类出更适合托盘检测的Anchor Box,通过分析托盘成像在图像坐标系中横轴和纵轴的密度分布,继而调整了划分网格机制,改进损失函数.并在运用数据增强手段的托盘数据集上进行训练以及测试,与其他算法进行对比,结果显示基于改进的YOLOv3托盘检测方法在测试集上的准确率达到94.6％,识别速率达到47帧/s.     

基于YOLO v3的室内场景中人体检测方法的研究

针对传统人体检测算法,存在着鲁棒性差和对光照条件要求较为苛刻的问题,借鉴目标检测的最新研究成果,以YOLO v3网络为基础,对室内场景制做了相应的室内场景人体识别数据集;同时,结合人体成像具有宽高不一致的特点,聚类选取初始框的数量和规格,改进候选框在X轴和Y轴的分布密度,将红外夜视图片和常规图片混合训练,并利用运动检测算法提取ROI,然后进行噪声处理,最后进行了检测。实验证明,对室内场景的人体检测和追踪的方法比常用的人体识别方法具有更高的准确率、更低的漏检率。     

基于轻量化YOLO模型的电力机房设备状态快速检测

随着电力技术的发展，电力机房内的设备变得越来越庞大、复杂，而为了确保电力系统的正常运转，避免不必要的经济损失，这些设备又往往需要连续检测，实时排除故障或异常。然而利用人工检测设备运行状态的方式不仅效率低下，费时费力，还容易出现误检和漏检。为此，提出了基于轻量化YOLO模型的设备状态快速检测方法。YOLO模型是深度学习领域中进行目标检测的一阶段方法，该类方法能够直接对网络进行端到端训练，不需要提取候选区域，结构简单，检测速度块。在YOLO模型的基础上，进一步从网络的深度和宽度两方面对YOLO模型进行轻量化处理，通过减少网络中CSP结构的残差模块和卷积操作达到网络轻量化的目的。实验结果表明，对于320×320大小的图像，所提的轻量化网络模型在一台显存仅2GB的消费级笔记本上的检测速度可达70.8fps，并且mAP值可以达到96.67%，能够满足电力机房内设备工作状态的实时检测与识别要求，为该模型在机房巡检机器人上部署奠定了良好的基础。     

改进的EfficientDet及直方图均衡化的工件检测算法研究

针对流水线加工作业环境下工业机器人对工件检测及定位率较低，速度慢等问题，提出基于改进的EfficientDet工件检测神经网络模型。采用EfficientNet作为主干特征提取网络，利用Triplet Attention注意力机制代替原始的SEAttention机制，同时借鉴循环特征融合思想，采用Recursive-BiFPN循环特征融合网络结构。针对正负样本不均等问题，采用generalized focal loss改进原始focal loss损失函数。考虑到机械加工特定生产环境，采用直方图均衡化思想对数据进行对比度提高。最后利用工业相机建立自制数据集并进行模型训练，在复杂工业生产情况下，改进后的EfficientDet在m AP上较原始网络提高6.1%，同时速度提高到72帧/s。最后实验结果表明,该算法在生产环境下能快速准确地对工件进行定位检测，为实际生产需要提供新的解决思路     

基于机器视觉的车用注塑螺纹件缺陷检测方法

针对车用注塑螺纹件人工检测效率低、可靠性差等问题,提出一种基于机器视觉的车用注塑螺纹件缺陷检测方法。应用这一检测方法,通过自适应滤波方法改进坎尼算子,结合分水岭算法得到不同的增强图像特征。根据缺料、毛刺、包胶等三种典型缺陷的图像特征,训练支持向量机分类器,并以此分类器实现螺纹件的缺陷检测。结合UR5机械手构建测试平台,实现车用注塑螺纹件的全自动分拣与缺陷产品剔除。在检测方法中,通过改进的边缘分割算法提高检测的准确率和稳定性。通过试验表明,这一方法能有效检测车用注塑螺纹件的典型缺陷,结合机械手可以实现缺陷产品检测和剔除的全自动化流程。     

基于改进YOLOv5s的工件识别检测算法

针对机器人在抓取目标工件的过程中由于光线强度变化、图像环境复杂和拍摄设备移动等造成的工件识别精度低的问题,文章提出一种改进YOLOv5s的工件识别检测算法。首先,通过数据增强扩充数据集并进行预处理;其次,使用改进的k-means聚类算法重新生成更有效的预设锚框,缩短收敛路径;然后,在特征融合网络中添加CBAM注意力机制,有效抑制背景信息干扰,提高特征提取速度;此外,将特征融合模块中原有的特征金字塔结构替换成加权双向特征金字塔Bi-FPN结构,实现高效的加权特征融合和双向跨尺度连接,提高网络对不同尺度特征的融合效率;最后,通过采用α-IoU作为边界框回归损失函数,提高模型的定位效果。结果表明,改进后的YOLOv5s算法对工件检测的mAP值提升了6.03%,检测速度提升了13.7 fps,验证了改进算法的有效性。     

基于改进YOLOv5的无人机小目标检测方法研究

针对无人机航拍图像检测存在小目标检测准确率低以及检测模型计算量过大的问题，提出了一种基于改进YOLOv5的无人机小目标检测方法。首先，针对小目标存在漏检的问题，在YOLOv5的特征提取网络中引入了高效通道注意力机制（ECA）模块，提高对小目标的特征提取能力，进而提高小目标检测精度；其次，针对模型计算量大的问题，将模型中的CBL模块进行改进，把其中的普通卷积替换为Ghost卷积，减少模型参数和计算量，以便于在小型嵌入式设备部署；最后为了进一步优化和改进YOLOv5算法，采用加权损失函数，以充分学习图像特征。在DOTA数据集上进行测试，实验结果表明，改进的模型提升了小目标检测效果，其mAp为73.1%，比原算法提高了1.9%，速度达到了92 ms，可以准确地完成无人机航拍小目标检测任务，同时也满足实时性要求。     

改进的SSD生活垃圾检测算法

针对目前垃圾资源化利用的问题,为提升垃圾分拣工作的速率,并减少人工成本,通过对目标检测算法SSD(Single Shot Multibox Detector)的研究与分析,提出了基于改进的SSD垃圾分类算法,对基础特征提取网络VGG16参数量大、检测性能低等问题,使用DenseNet的网络结构,加深网络层数,并使用通道叠加的方式加强信息传递,从特征复用的角度上加强网络性能;对原网络对于小目标检测能力弱的问题,利用FPN结构加强特征图中包含的语义信息,提高对小目标的检测能力;对原损失函数在模型评估时的不等价情况,引入GIoU损失提高定位精度。这里的算法在PASCAL VOC数据集与自己制作的生活垃圾检测数据集上测试,其中在PASCAL VOC数据集上的检测结果显示,这里的算法相比于SSD300和SSD512分别有1.7%和1.9%的提升;在生活垃圾检测数据集上,分别有2.1%和3%的提升。