基于YOLOv5的交通标志识别

交通标志识别是自动驾驶技术中的关键一部分.针对交通标志在道路场景中目标较小且识别精度较低的问题,提出一种改进的YOLOv5算法.首先在YOLOv5模型中引入全局注意力机制(GAM),提高网络捕获不同尺度交通标志特征的能力;其次将YOLOv5算法中使用的GIoU损失函数更换为更具回归特性的CIoU损失函数来优化模型,提高对交通标志的识别精度.最后在Tsinghua-Tencent 100K数据集上进行训练,实验结果表明,改进后的YOLOv5算法对交通标志识别的平均精度均值为93.00%,相比于原算法提升了5.72%,具有更好的识别性能.     

基于改进YOLOv5的视觉定位算法

针对传统视觉定位系统所存在的检测精度低等缺点,提出一种基于改进YOLOv5的自定义靶标视觉定位算法。为进一步增强网络的检测能力,分别融入具有多层感受野与细粒度的模块与改进的特征增强模块,利用Distance-IOU与Focal Loss改进损失函数;使用快速解码算法得到编码信息。实验结果表明,在自制数据集上,改进后的YOLOv5模型获得较好的平均准确精度得分与检测速度,满足实时性与准确性的需求,为视觉定位提供了一种的解决方案。     

基于改进YOLOv5的服务机器人目标识别算法

在服务机器人执行任务的过程中,对周围环境中的物体进行快速且准确的目标识别是提升机器人智能度的重要突破口.针对家庭服务机器人竞赛,提出一种目标识别算法,使用轻量级网络MobileNetv2替换YOLOv5的主干特征提取网络,实验证明该识别算法在快速性和准确性方面有一定的提升.     

基于改进YOLOv5的车辆属性检测

车辆属性检测是一个基础任务,其属性检测结果可以被应用到很多下游的交通视觉任务。提出了一种基于YOLOv5的车辆属性检测改进算法。针对检测目标较小的问题,加入了卷积注意力模块,让网络模型把更多的注意力放在小目标对象上;针对数据集样本种类较少的问题,改进了YOLOv5的马赛克数据增强方式;使用自门控激活函数Swish,起到抑制噪声、加快收敛速度并提升模型鲁棒性的作用。此外,还在公开车辆数据集VeRi-776的基础上进行了详细的车辆属性标注,构建了一个车辆属性数据集。实验结果表明,改进后的算法比原始YOLOv5的平均精确率提升了4.6%,能够准确地检测到车辆图像的通用属性,可以供下游任务使用。     

基于YOLOv5算法的圆心定位方法

准确地获取图像中圆形目标的圆心是目标识别和定位中的关键问题。目前圆心定位主要采用最小二乘拟合圆以及HOUGH变换方法,但这些方法在不同程度上存在着鲁棒性不强、对环境光线要求高、需提前调试参数确定阈值、复杂背景下效果急剧变差等局限性。针对该问题,提出一种综合运用YOLOv5算法、Grabcut算法和灰度质心法进行图像分类、图像分割和灰度重心算法求取圆心坐标。该方法使用YOLOv5对图像中的圆形目标进行粗定位,再通过图像分割方法分割出圆形目标,最后使用加权型的灰度重心算法准确定位出圆心坐标,实现对圆形标志的可靠定位。用多个实验比较了该算法与现有算法的精度和稳定性,实验表明,该算法与现有算法相比,在干扰及形变的情况下圆心定位平均相对误差保持在0.5pixel以内,而在干扰、强形变及目标残缺的情况下仍能保持在7 pixel以内,该算法不仅提高了圆形目标圆心检测的鲁棒性和准确性,而且具有良好的抗干扰性。     

改进YOLOv5s的手语识别算法研究

为解决健全人士与听障人士交互信息困难的问题,提出一种改进YOLOv5s网络模型的手语识别网络。应用K-means++算法提高先验锚框的尺寸匹配度,确定了最优先验锚框尺寸,实现先验锚框与实际物体的精确匹配;改进CBAM(convolution block attention module)注意力机制的通道域,解决其因降维而造成的通道信息缺失问题,并将改进后的CBAM加入到YOLOv5s的骨干网络中,使模型更加精准地定位和识别到关键的目标。将Cross Entropy Loss和Lovasz-Softmax Loss加权结合使用,使得网络在模型训练过程中更加稳定地收敛,在精准率上也得到了一定的提升。实验结果表明,与原本的YOLOv5s模型相比,改进后网络模型的平均精度均值（mean average precision,mAP）、精准率和召回率分别提升了3.44个百分点、3.17个百分点、1.89个百分点,有效地提高了手语识别网络的检测精确度。     

融合改进YOLOv5及Mediapipe的手势识别研究

针对现有手势识别算法计算量大、鲁棒性差等问题,提出一种基于IYOLOv5-Med(improved YOLOv5 Mediapipe)算法的手势识别方法。该算法将改进的YOLOv5算法和Mediapipe方法结合,包括手势检测和手势分析两部分,算法有效降低了训练的时间成本,增加了识别的鲁棒性。手势检测部分,改进了传统YOLOv5算法,利用FastNet重构C3模块,将CBS模块替换为GhostNet中GhostConv模块,在Backbone网络末端加入SE注意力机制模块,改进后的算法,模型体积更小,更适用于资源有限的边缘设备。手势分析部分,提出了一种基于Mediapipe的方法,对手势检测部分定位到的手势区域进行手部关键点检测,并提取相关特征,然后通过朴素贝叶斯分类器进行识别。实验结果证实了提出的IYOLOv5-Med算法的有效性,与传统YOLOv5算法相比,参数量下降34.5%,计算量减少34.9%,模型权重降低33.2%,最终平均识别率达到0.997,且实现方法相对简单,有较好的应用前景。     

基于改进的YOLOv5城市道路车辆行人检测方法

城市道路上车辆行人的检测是自动驾驶汽车环境感知功能中的核心要素之一。针对现有城市道路车辆行人检测任务在使用目标检测算法检测精度低,检测位置不准确等问题,提出一种基于改进YOLOv5的城市道路车辆行人检测新算法—HCA-YOLOv5目标检测算法。通过K-means++聚类算法重新设计并更新锚框初始值并将其匹配到对应特征层,以提高模型对检测目标的检测性能;通过利用城市道路图像中不同高度上的类别分部特点并结合Transformer结构改进HANet的注意力结构,提高I模型I对输入图像的全局上下文特征提取能力,加强网络.对城市道路场景图片中不同类别的辨别.能力。实验结果表明,在自动驾驶数据集KTT上,所改进算法的均值平均精度（mAP）达到了9193%,相比原YOLOv5算法mAP提高了292个百分点,满足了城市道路场景下车辆形容的准确率要求。     

基于改进YOLOv5s的车辆目标检测算法

公路监控探头已基本完成对路网的全覆盖,为提高公路的运营能力和服务水平,实现对车辆运行情况的实时监测,需要使用先进的智能化手段推进监控视频系统的改造升级。本文提出一种改进的YOLOv5s算法对车辆目标进行检测,使用轻量级Mobile Netv3网络对YOLOv5s的骨干网络进行替换,降低模型的复杂程度,提高实时检测速度。选用开源的UA-DETRAC数据集进行实验,在进行200次迭代后,改进模型的召回率达到98.8%,精度达到97.9%,检测速度提高了18%。     

基于改进YOLOv5s的焦炉烟火识别算法

针对炼焦厂烟火排放全天候环保监测的要求,提出了基于改进YOLOv5s的焦炉烟火识别算法;该算法以YOLOv5s为基础网络,在主干网络Backbone中添加CBAM注意力机制模块,使网络更加关注重要的特征,提升目标检测的准确率;新增FReLU激活函数代替SiLU激活函数,提高激活空间的灵敏度,改善烟火图像视觉任务;在自建数据集中烟、火样本标签基础上,增加灯光标签来解决强灯光对火焰识别的干扰,并通过分流训练、检测的方式来解决昼夜场景的烟火检测问题;在自建数据集上做对比实验,更换激活函数后,联合CBAM模块的YOLOv5s模型效果最佳;实验结果显示,与原始YOLOv5s模型相比,在白天场景下的烟火识别mAP值提升了6.7%,在夜间场景下的烟火识别mAP值高达97.4%。     

基于改进YOLOv5的桥梁裂缝模型研究

桥梁裂缝人工检测耗时费力、安全性不高,为了高效、准确、无接触地对桥梁裂缝进行识别检测,提出一种基于改进YOLOv5的桥梁裂缝检测模型YOLOv5-SA;该方法在YOLOv5s模型的基础上,首先对收集的数据集利用几何变换、光学变换等操作进行数据增强;其次将融合视觉注意力机制(SKNet)添加到Head部分来提高模型对裂缝特征的表示能力;最后在金字塔特征表示法(FPN)的基础上利用自适应空间特征融合(ASFF)模块加强网络特征融合能力,增加对桥梁裂缝小目标的检测;结果表明：改进后的模型相对于YOLOv5s模型能更好地抑制非关键信息,减少背景中的无效信息干扰,提高桥梁裂缝目标检测精准度;改进后的YOLOv5-SA模型准确率达到88.1%,与原YOLOv5s模型相比提高了1.6%;平均精度均值mAP 0.5和mAP 0.5～0.95分别达到90.0%、62.1%,相比而言分别提高了2.2%、2.4%;与其他桥梁裂缝检测相关方法(Faster-RCNN、YOLOv4tiny)相比,提出的YOLOv5-SA模型也具有相当或更好的检测性能;由此可见改进后的模型能更高效地检测复杂环境下的桥梁裂缝,可以...     

基于改进YOLOv5的安全绳目标检测

在工业施工过程中, 工人安全已成为一个日益重要的问题, 佩戴安全绳等安全装备是保护工人在高处工作时生命安全的重要措施;在现代化生产施工过程中, 通过使用监控摄像设备结合人工智能算法的方式来检测工人佩戴安全绳等设备越发普遍, 但安全绳由于细长、形状多变以及环境变化等因素较为难以准确识别;为解决以上问题, 并确保能够在不同环境下能够准确识别安全绳, 现提出一种使用YOLOv5目标检测算法, 首先通过改进的FasterNet模块进行上下文信息提取, 在Neck网络中使用改进的多维动态卷积保留更多特征信息, 使用WIoU_Loss损失函数来提高定位精度, 在训练过程中使用动态调整学习率的策略;实验结果表明, 改进后的算法在降低计算复杂度的情况下提高了3.0%的检测精度, mAP@0.5提高了4.3%, 经过在实际场景应用, 满足项目对实时检测精度及速度的要求。     

基于改进YOLOv7算法的风机塔筒系统故障识别系统

塔筒系统(含塔筒、螺栓)作为风电机组正常运行的重要基础部件,对影响其安全的裂痕等故障有效识别至关重要。针对裂痕的表征不明显、低辨识度、对比度差等情况,本文提出了基于YOLO系列算法改进的YOLOv7-SEAttention算法模型,并与FasterSR-CNN, RFCN, SSD, YOLOv5, YOLOv7等多种算法模型进行对比,通过查全率(Recall),查准率(Precision),平均精度(Average Precision)三个指标进行综合评价。结果表明,改进后的YOLOv7-SEAttention模型在塔筒系统的表面裂痕检测上表现出显著的优越性,相对于原始YOLOv7以及其他算法模型在风机塔筒系统的裂痕检测方面具有更高的精度和可靠性,在塔筒裂痕检测方面提高了2.6%的平均精度(AP),达到83.7%,在螺栓裂痕检测方面提高了4%平均精度,达到84.3%。本文改进的模型能够精准高效检测塔筒系统表面裂痕,降低运维成本、提升风电场的效益。     

基于改进YOLOv5的安全帽佩戴检测算法

针对现有安全帽佩戴检测干扰性强、检测精度低等问题,提出一种基于改进YOLOv5的安全帽检测新算法。首先,针对安全帽尺寸不一的问题,使用K-Means++算法重新设计先验框尺寸并将其匹配到相应的特征层;其次,在特征提取网络中引入多光谱通道注意力模块,使网络能够自主学习每个通道的权重,增强特征间的信息传播,从而加强网络对前景和背景的辨别能力;最后,在训练迭代过程中随机输入不同尺寸的图像,以此增强算法的泛化能力。实验结果表明,在自制安全帽佩戴检测数据集上,所提算法的均值平均精度（mAP）达到96.0%,而对佩戴安全帽的工人的平均精度（AP）达到96.7%,对未佩戴安全帽的工人的AP达到95.2%,相较于YOLOv5算法,该算法对佩戴安全帽的平均检测准确率提升了3.4个百分点,满足施工场景下安全帽佩戴检测的准确率要求。     

基于改进YOLOv5s的车载人员安全带行为检测

车载人员佩戴安全带行为的检测对于人的生命安全保障具有重要作用。针对目前车内复杂环境下车载人员佩戴安全带检测精度不高的问题,提出一种基于改进的YOLOv5s(You Only Look Once v5s)车载人员佩戴安全带的检测方法。该检测方法将YOLOv5s作为基础网络,在此基础上进行改进。为改善深度模型对特征信息的提取能力,采用RFB(Receptive Field Block)模块增大网络的感受野,并利用RFB模块多分支结构获得混合的感受野;加入ECA(Efficient Channel Attention)注意力通道模块,使得整个网络更加专注特征信息的提取;将原YOLOv5s的损失函数替换为EIOU,进一步提高网络对安全带的检测精度。经过实验结果表面,改进后网络与原YOLOv5s网络相比,其平均精度均值(mAP,mean Average Precision)提高了2.2%,查准率(Precision)提升了5.1%。改进后的网络具有良好的提升效果,表明了该方法的有效性。     

基于改进YOLOv5的目标检测算法研究

YOLOv5是目前单阶段目标检测性能较好的算法,但对目标边界回归的精确度不高,难以适用对预测框交并比要求较高的场景。基于YOLOv5算法,提出一种对硬件要求低、模型收敛速度快、目标框准确率高的新模型YOLO-G。改进特征金字塔结构（FPN）,采用跨层级联的方式融合更多的特征,一定程度上防止了浅层语义信息的丢失,同时加深金字塔深度,对应增加检测层,使各种锚框的铺设间隔更加合理;其次把并行模式的注意力机制融入到网络结构中,赋予空间注意力模块和通道注意力模块相同的优先级,以加权融合的方式提取注意力信息,使网络可根据对空间和通道注意力的关注程度得到混合域注意力;通过降低网络的参数量和计算量对网络进行轻量化处理,防止因模型复杂度提升造成实时性能的损失。使用PASCAL VOC的2007、2012两个数据集来验证算法的有效性,YOLO-G比YOLOv5s的参数量减少了4.7%,计算量减少了47.9%,而mAP@0.5提高了3.1个百分点,mAP@0.5：0.95提高了5.6个百分点。     

基于YOLOv5改进的铁路工人安全帽检测算法研究

目前铁路上普遍采用人工监督方式来检测工人是否佩戴安全帽,但监督范围过大,在实践中不能及时跟踪和管理所有工作人员。因此针对该问题,采用深度学习目标检测的方法,通过改进YOLOv5s目标检测算法来实现铁路工人是否佩戴安全帽和穿戴背心。具体来说,以YOLOv5s算法为基础,采用GhostNet模块替换原始网络中的卷积Conv,提高模型的实时检测速度;采用更高效简单的多尺度特征融合BiFPN,使特征融合方式更加简单高效,以提高检测速度和降低模型复杂度;把原始的CIOU损失函数替换为SIOU损失函数,以提高模型精度。研究结果表明,改进的YOLOv5s-GBS算法的准确率和识别效率可达到95.7%和每秒45帧,并且模型大小减少了一半,准确率提高了4.5%。     

基于改进YOLOv5的电厂人员绝缘手套佩戴检测

电厂工作人员工作时需佩戴绝缘手套进行故障检修等任务,若未佩戴绝缘手套进行操作,将发生严重的电击事故。针对电厂内工作人员绝缘手套佩戴检测精度不高的问题,提出一种基于改进YOLOv5s(You Only Look Once v5s)的电厂内人员绝缘手套佩戴检测方法。该检测算法首先引入自校准卷积,有效扩大感受野,加强网络对弱特征的提取能力;其次加入注意力机制SK,让网络更加关注待检测目标;最后,将原YOLOv5s的损失函数替换为EIOU,来进一步提高网络对绝缘手套的检测精度。实验结果表明,相较于原始的YOLOv5s网络,改进后的网络提高了对绝缘手套佩戴的检测精度,其平均精度均值(mAP,mean Average Precision)提高了2.4%,证明了算法的实用性和高效性。     

基于YOLOv5和FCN-DenseNet水下图像多目标语义分割算法

带视觉系统的水下机器人作业离不开对水下目标准确的分割,但水下环境复杂,场景感知精度和识别精度不高等问题会严重影响目标分割算法的性能.针对此问题本文提出了一种综合YOLOv5和FCN-DenseNet的多目标分割算法.本算法以FCN-DenseNet算法为主要分割框架, YOLOv5算法为目标检测框架.采用YOLOv5算法检测出每个种类目标所在位置;然后输入针对不同类别的FCN-DenseNet语义分割网络,实现多分支单目标语义分割,最后融合分割结果实现多目标语义分割.此外,本文在Kaggle竞赛平台上的海底图片数据集上将所提算法与PSPNet算法和FCN-DenseNet算法两种经典的语义分割算法进行了实验对比.结果表明本文所提的多目标图像语义分割算法与PSPNet算法相比,在MIoU和IoU指标上分别提高了14.9%和11.6%;与FCN-DenseNet算法在MIoU和IoU指标上分别提高了8%和7.7%,更适合于水下图像分割.     

基于改进YOLOv8的隧道火灾检测研究

隧道内火灾检测存在检测困难和难以直接部署到资源有限的嵌入式设备进行实时检测的问题,提出一种基于改进YOLOv8的隧道火灾检测算法;首先引入极化注意力保持高分辨率信息来抑制冗余特征,同时增强全局信息的捕捉;其次引入了一种新的局部卷积PConv来实现低延迟和高吞吐量的模型;最后使用WIoU函数优化网络的边界框损失,使网络能够快速收敛。实验结果表明,该网络在所使用隧道火灾数据集上的平均精度mAP提升了1.3个百分点,同时轻量化后模型参数减少了了29.7个百分点,向前推理时间降低了44个百分点;算法能够平衡精度和轻量化的需求,可以满足隧道场景下的实时检测。