基于EfficientNet的轻量化行人检测算法

针对当前行人检测过程中存在速度慢、精确率不高以及高复杂度运算的问题,提出一种兼顾轻量化与检测精确率的卷积神经网络算法(ECG-YOLO)。该算法采用EfficientNetv2与坐标注意力(coordinate attention, CA)模块重新设计主干网络,提升网络的检测速度及精度。设计参数量和计算量更小的GhostConv模块以降低特征通道融合过程中的计算量。加入自适应Gamma校正算法减少复杂场景下光照等因素的影响。改进后的算法在NVIDIA TX2开发板上测试,检测精度达91%以上,较原算法提高了1.7%,参数量和计算量分别为原算法的40.8%和36.3%,具有较好的检测精度与实时性。     

改进YOLOv5算法下的无人驾驶道路行人识别研究

基于无人驾驶领域的飞速发展,为提高道路行人目标检测的速度和精度,提出一种基于YOLOv5网络改进的YW-YOLO的道路行人目标检测方法,在YOLOv5模型的neck结构中改入RepGFPN,充分交换高级语义信息和低级空间信息,添加自适应融合机制,引入SimAM注意力模块机制,提高算法的特征提取能力,在损失函数方面,使用Optimal Transport Assignment优化损失函数.实验结果表明,所提算法与原算法相比,在道路行人类别数据集上识别精确率由38.1%提升到52.6%,检测速度由29.4 fps提高到30.8 fps,具有更好的检测效果.     

基于改进YOLOv8s的恶劣天气车辆行人检测方法

针对恶劣天气条件下摄像头捕获图像时存在图像模糊以及光照分布不均等问题,导致了场景对比度的下降,进而增加了在图像中区分检测目标与背景的难度.为了提高在恶劣天气环境下车辆和行人的检测能力,本文提出了一种改进的YOLOv8s算法.首先,本文在YOLOv8s算法的基础上,利用可扩张残差结构对主干网络中的C2F模块进行了优化,增强了模型对环境变化的适应能力.同时,在主干网络的SPPF模块前置层引入了高效多尺度注意力机制,该机制能够更有效地捕获图像中丰富多变的多尺度特征.其次,针对YOLOv8s算法的检测头部进行了重新设计,在保持模型准确性的前提下,降低了模型的复杂度.最后,引入Wise-IoU改进YOLOv8s算法的回归损失函数,提高了算法的收敛速度和检测精度.实验结果表明,改进的YOLOv8s算法在恶劣天气条件下对车辆和行人检测的平均精度均值达到91.41％,相比原始算法提升了2.56％,同时模型参数量减少了8％,计算量降低了4.9 GFLOPs.相比于其他主流的目标检测算法,改进后的YOLOv8s算法在保证了实时性能的同时,满足了恶劣天气条件下的车辆和行人检测需求.     

基于改进YOLOv5s的道路障碍物检测算法

道路障碍物检测是自动驾驶环境感知的重要内容。针对当前道路障碍物检测算法精度有待提升等问题,提出改进YOLOv5s的道路障碍物检测算法。首先引入改进坐标注意力模块,过滤多尺度特征图的无效信息,强化关注感兴趣区域。其次使用增强降采样模块缓解融合网络下采样过程的重要信息丢失,增强特征鲁棒性。最后优化算法回归损失,明智的梯度增益分配策略,提升了普通质量锚框损失贡献度。试验结果显示,改进模型在数据集上的平均精度均值较原YOLOv5s提高了4.2%,达到了78.6%,同时也优于Faster R-CNN、YOLOX、YOLOv7等算法。所提算法具有42帧/s的检测速度,满足实时检测的要求。本研究提出的改进算法能够有效提高道路障碍物检测精度,具有实际应用潜力。     

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。     

深度学习陶瓷表面缺陷检测算法研究

传统的陶瓷缺陷检测主要依赖人工目测或放大镜观察,为解决检测效率低、结果主观性强等问题,提出了一种基于深度学习的陶瓷表面缺陷检测算法,针对于陶瓷杯表面的缺陷具体情况,在YOLOv5目标检测模型的基础上,增加小目标检测层,同时使用位置注意力机制进行特征重构提高检测的精确度,实现了高精度的缺陷检测。针对实际生产中的陶瓷双层杯进行数据采集训练,并对于每批数据进行推理,最终平均检测精度达到了95.4%。本文所改进的YOLOv5缺陷检测模型拥有更高的准确率、识别速度快等优点,可以极大地减少陶瓷质检减少人力物力的损耗与时间成本。     

融合YOLOv5s与SRGAN的实时隧道火灾检测

针对传统隧道火灾检测方法速度慢、误检率高的问题,提出了一种基于 YOLOv5s 的实时火焰检测算法,采用 K-means 重新计算锚框尺寸。 本文提出的 YOLOv5s-SRGAN 融合算法,在 1 326 幅隧道火焰图像中的召回率为 94%,是 YOLOv5s 的 1. 7 倍。 引入了 CBAM 注意力机制模块和梯度均衡机制,分别通过特征提取网络和损失函数提升模型的性能。 与原 YOLOv5s 相 比,火焰检测的平均正确率(IOU= 0. 5)提高了 44%,测试集平均检测速度为 32 FPS。 结果表明,改进后的火焰检测算法对小火 焰目标有了更好的识别效果。     

基于改进 YOLOv5的密集场景行人检测方法研究

当前的研究中密集场景行人检测精度较低,为提高检测精度,提出一种基于YOLOv5网络的改进方法V-YOLO,采用加权双向特征金字塔网络(bi-directional feature pyramid network, BiFPN)改进原始网络中的路径聚合网络(path aggregation network, PANet),加强多尺度特征的融合能力,提高对行人目标的检测能力。为了保留更多的特征信息,提高主干网络的特征提取能力,添加残差结构VBlock;引入SKNet(select kernel networks)注意力机制,动态融合不同感受野的特征图,提高对不同行人特征的利用率。使用CrowdHuman数据集进行训练和测试,实验结果表明,所提出算法比原始网络的精确度、召回率和平均精度值分别提高1.8%、2.3%和2.6%,验证了所提出算法能有效的提高密集场景下行人目标检测的准确率。     

改进YOLOv5s的遥感图像检测研究

针对遥感图像中目标排列紧密,背景复杂的问题,设计Transformer和卷积的双向交互模块(CTN)作为网络特征提取结构,使模型能够弱化背景噪声带来的干扰且能更好的捕获全局信息。其次,为了加强特征提取网络在复杂背景下的提取能力,构建了DenseBlock模块和ConvBlock模块,所设计的模块能增强模型在多目标下多尺度学习的能力,相比原网络能提取出更丰富的语义信息。最后对数据集中所有实例分布进行统计分析,其存在的许多小目标容易使原网络存在漏检误检的现象,针对这种情况,在检测头部分额外添加了一个检测头来缓解目标尺度变化带来的负面影响,同时去除对检测效果提升不明显的特征提取分支及检测分支,使用K-means++重新聚类得到最优锚框并分配至裁剪后的3个预测特征层。实验结果表明,改进的网络能有效改善遥感图像的漏检与误检的情况,在目标密集分布的情况下提升YOLOv5s的检测能力,改进的网络能更快收敛,均值平均精度(mean average precision, mAP)相比于原YOLOv5s算法提高了3.1%。     

面向密集场景的多目标车辆检测算法

目标检测可为自动驾驶车辆提供附近目标的位置、大小和类别,但是密集场景中多目标检测仍然存在漏检、误检问题,为此该文提出了一种AD-YOLOv5车辆检测模型.首先,利用轻量型结构CBAM注意力机制对特征提取网络中的C3模块进行了优化得到C-C3模块,提高了对特征信息的获取能力,降低了对其他特征的关注度;其次,在检测头部分对分类和回归任务进行解耦,以实现更强的特征表达;然后,利用广义幂变换对IoU进行转换操作,提出鲁棒性更好的Alpha-IoU损失函数,提升了模型的检测精度并加快模型的收敛速度;最后,采用GridMask数据增强技术,增加了样本的复杂性,并在处理后的数据集上进行了实验.实验结果表明,改进后的目标检测模型的平均精度均值达到72.72％,与原YOLOv5模型相比提高了2.25％,且模型具有较高的收敛速度,通过可视化对比实验,直观展示了本文模型在密集场景能有效避免误检、漏检现象.     

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.     

基于改进YOLOv8s的无人机目标检测算法

针对目前无人机航拍图像目标尺寸较小,图像背景复杂,导致现有的无人机目标检测算法检测精度较低的问题,提出一种改进YOLOv8s的无人机目标检测算法.首先使用可变形卷积替换标准卷积,以增强网络对不规则形状目标的特征提取能力;然后使用可分离大核注意力机制(LSKA)改进快速空间金字塔池化(SPPF)模块,改善因目标尺度差异较大导致检测精度较低的问题.在网络颈部结合双向特征金字塔网络(Bi-FPN)实现多尺度特征融合,改善网络对小目标的漏检和错检问题.在网络头部,使用自注意力机制动态检测头(DyHead)替换原检测头,增强对遮挡物体和小目标的检测能力.最后,针对数据集中存在大量低质量样本对训练过程产生负面影响的问题,使用 Wise-IOU损失函数,提升模型收敛速度和检测精度.实验结果表明,改进后的方法在VisDrone2019数据集上获得了41.7%的平均精度均值(mAP),与原YOLOv8s算法相比,mAP@0.5提升了3.0%,mAP@0.5∶0.95提升了1.9%,参数量下降了17.5%,计算量下降了12.63%.实现了模型轻量化和检测精度双重提升.     

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明：本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。     

基于YOLOv5的高速公路小目标车辆逆行检测模型

针对高速公路视频数据中道路场景复杂、远端车辆目标小等现象,导致车辆逆行检测模型准确率低的问题,提出了一种基于YOLOv5和DeepSORT的CECAY5D模型框架。框架中设计了一种通道-空间注意力单元CECAC3,用于增强模型对小目标聚集区域的关注程度,提升小目标车辆检测的精度。CECAC3注意力单元是在有效通道注意力模块基础上增加了C3残差模块和空间注意力模块。在高速公路车辆逆行视频数据集下进行对比试验,实验结果表明,逆行检测模型CECAY5D在高速公路监控视频下的检测率和漏检率分别为90%和10%,相比于YOLOv5+DeepSORT模型,检测率提高了25%,漏检率降低了25%,因此该模型具有较高的检测率和较低的漏检率。     

基于感受野增强的复杂道路场景目标检测研究

针对当前自动驾驶场景下道路目标检测算法对远距离小目标、遮挡目标容易出现漏检和误检的问题,提出一种基于改进YOLOv8n的道路目标检测算法.在特征提取方面,对感受野注意力卷积进行轻量化改进,重新构造C2f模块,以解决卷积计算中参数无法共享问题,使网络有效捕捉关键信息;然后引入轻量化点采样算子,以减少上采样过程中特征细节损失,更好保留图像的细节信息;在特征融合方面,设计多尺度特征融合网络,以增强小目标特征信息,丰富不同尺度特征的双向融合;同时使用归一化注意力机制,以抑制无关背景信息干扰,提高模型抗干扰能力.实验结果表明,提出的改进算法在KITTI数据集和Udacity数据集上的检测精度分别达到了92.8%和78.7%,相比原始算法分别提高了2.2%和1.6%,模型依然满足轻量化要求,在一定程度上提高了对复杂道路场景的适应能力.     

基于机器学习的金属软管缺陷检测系统

为了实现工业上对金属软管缺陷部分的自动检测,提出一种基于深度学习的缺陷检测方法,首先利用相机采集金属软管缺陷部分的图像并将采集图像中的缺陷特征部分进行分类与标定,金属软管外表面缺陷可分为断丝、散丝、叠丝3种并制作出对应的自制数据集;其次对YOLOv5s网络进行改进,通过在YOLOv5s中的主干网络中添加SimAM注意力机制;然后利用EIoU损失函数替换初始网络所采用的IoU损失函数;最后对YOLOv5s中的金字塔池化层进行改进,采用SimSPPF模块替换SPPF模块.利用改进后的算法对金属软管缺陷数据集进行训练,改进后的算法相较于初始YOLOv5s网络的平均精度mAP提升了1.5％,特征复杂且小目标的漏检误检情况有了明显改善.     

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。     

一种基于残差网络优化的航拍小目标检测算法

针对在复杂背景下的遥感小目标与周围场景因特征相似度高而导致的小目标检测正确率低的问题,提出一种基于残差网络优化的航拍小目标检测算法。首先,在YOLOv5网络中引入改进的SE＿ECSP模块,减少网络计算参数的同时,使得小目标的特征权重在网络在卷积池化过程中得以提升;然后,在网络的Prediction中添加一个160×160的检测层,对小目标的细节信息进行局部放大与提取;最后,选取CIoU和NMS作为损失函数对同一网格中的候选框进行多次循环结构的判断和筛选,从而有效避免小目标的漏检问题。实验结果表明,改进后的网络用于遥感小目标检测的查准率为85.12%,损失函数值为0.048 41,相比改进前的网络检测精度和鲁棒性得以提升。     

基于改进YOLOv8s的雾天目标检测算法

针对现实场景中雾天目标检测困难的问题,提出了一种改进YOLOv8s的雾天目标检测方法.设计前端模块Edge-Dehaze,利用去雾网络和检测网络联合训练并通过Sobel算子强化雾天图像边缘信息以改善雾天场景下的检测效果;提出混合注意力特征融合模块HAFM,通过并行注意力机制和特征图之间的信息交互与融合提升模型对重要特征的关注度;设计轻量化共享注意力卷积检测头LSACD,通过共享卷积降低检测头参数量,在共享层中引入SEAM注意力机制缓解雾天目标检测的遮挡问题.在RTTS数据集上的实验结果表明,改进后的YOLOv8s网络相对原始YOLOv8s网络mAP50 提升了1.8%,mAP50-95 提升了1.7%,参数量基本持平,从而验证了该算法在雾天目标检测上具有较高的准确性及实用性.     

面向石英坩埚的小气泡检测算法研究

针对石英坩埚气泡检测现有方法实时性差及小目标检测能力不足的问题,提出了一种改进YOLOv5的石英坩埚气泡检测算法YOLOv5-QCB。首先,自建石英坩埚气泡数据集,根据气泡尺寸小且分布密集的特点,减少网络下采样的深度,保留丰富的细节特征信息;同时,在颈部使用空洞卷积以增大特征图感受野,实现全局语义特征的提取;最后,在检测层前添加有效通道注意力机制,增强重要通道特征的表达能力。实验结果表明,相比于原模型,改进后YOLOv5-QCB能有效降低对小气泡的漏检率,平均检测精度从96.27%提升到98.76%,权重缩减了二分之一,能够实现快速、准确检测石英坩埚气泡数量。