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。     

基于深度学习的车辆和行人检测算法的研究

针对实际交通环境下行人和车辆检测问题,提出一种基于YOLOv3改进的目标检测网络YOLO-CP,对YOLOv3网络结构进行压缩剪枝,并进行特征提取的优化,使用自主采集标注的交通数据集,进行稀疏化训练.在实际交通场景中,YOLO-CP在GPU下检测速度达到25帧/秒,车辆检测准确率达到96.0％,行人检测准确率达到93....     

基于YOLOv5的轻量化目标检测算法

使用搭载YOLOv5算法的无人机对物体进行目标检测时,由于其权重文件占有较大内存而要求无人机有较高的硬件配置,这在很大程度上约束了无人机进行目标检测的发展。为了解决这一问题,提出了一种改进的YOLOv5算法。使用深度可分离卷积代替普通卷积层,以使YOLOv5s轻量化。由于无人机从空中俯瞰物体,拍摄的图片具有较大的视野,因此将Dropblock与注意力机制添加至YOLOv5s主卷积层的底层来增加YOLOv5s的泛化能力与识别能力,进而提高YOLOv5s的小目标检测能力。使用所提方法对车辆数据集进行训练,获得了83%的训练准确率,并通过对比试验证明了所提方法比原始YOLOv5s具有更强的小目标检测能力。     

基于轻量化YOLOv4模型的车辆检测方法

当前,各类基于深度学习的车辆检测模型大多存在参数量大的问题,导致对模型运行的硬件系统要求较高,难以移植到嵌入式平台。为了减小模型的参数量,提升模型的检测速度,本文提出一种基于改进的YOLOv4的轻量化目标检测模型,使用MobileNetV2网络替换YOLOv4的主干特征网络,将普通卷积替换为深度可分离卷积。同时,为了保证模型检测精度,使用K-Means++算法聚类得到预设锚框。实验结果表明,所设计的模型参数量从原YOLOv4网络的64.36 Mb压缩到了11.73 Mb,同时检测速度为47.31 f·s^(-1),能够满足道路车辆检测的实时性要求。     

基于深度学习的癌细胞检测系统

针对目前人工智能技术的理论研究日渐成熟,随着人工智能技术应用于生活、学习、工作等方面的普及,利用人工智能技术应用于医疗诊断与医疗服务是未来医疗技术发展的必然趋势,提出一种基于深度学习的癌细胞目标检测系统,实现人工智能+医疗应用于癌症诊断的核心环节。癌细胞目标检测的任务是检测出细胞图像里面细胞的类别并对其进行定位,YOLOv5是基于深度学习的端到端实时目标检测方法,首先利用基于PyTorch的YOLOv5模型轻量而性能高、更加灵活和便利等优点,然后提出一种基于特征金字塔和YOLOv5相结合的改进的YOLOv5模型,最后实现癌细胞图像目标检测。实验结果表明,该系统检测效果误差小,速度快,鲁棒性高。     

基于深度学习的交通标志检测

随着我国的汽车保有量速增长,自动驾驶的技术开始兴起,而交通标志检测是自动驾驶当中的一个重要的构成部分.交通标志的检测往往会受到光线变化、道路天气、摄像机角度等等因素的干扰,而且交通标志的数据集通常包含大量的小对象数据,这些问题已经成为交通标志检测领域中的难题.文章使用结合Darknet53的YOLOv3网络,增加对于小...     

基于深度学习的电厂消防器材移动检测研究

消防安全是当今社会安全稳步发展的重要保障,利用器材移动检测技术对消防器材是否移动进行智能检测为水电厂消防安全体系提供了有效支撑。提出了一种利用改进的深度学习目标检测YOLOv5算法进行消防器材移动检测的方案,同时收集数据标定数据集Fire Equipment,实现六种不同消防器材的准确自动检测识别,并通过逻辑后处理对是否移动进行检测,具有很高的实用性。     

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。     

基于边缘计算的行人检测算法研究

文章基于多个边缘计算设备,构建轻量高效的行人检测算法。首先,基于原始YOLOv5模型,替换为MobileNetv3作为特征提取网络,减少算法参数量和计算量;其次采用ReLu6激活函数,加速网络收敛,减少模型复杂度;最后利用K-means聚类算法仅选取3个先验框分别匹配到3个不同尺度检测头中。实验结果表明：改进后的模型参数量和计算量于仅为原始模型的51.6%和39.8%,在JetsonAGXXavier设备上采用TensorRT进行推理达到了66FPS的实时速度,在RK3399设备上达到了2.1 FPS。     

基于YOLOv5s的轻量化红外图像行人目标检测研究

基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法：首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试：对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。     

基于深度卷积神经网络的食品包装缺陷检测算法研究

在薯片流水线生产中,如果直接使用YOLOv5网络进行包装缺陷目标检测,精度不够高、训练时间偏长,于是提出了一种基于SENet-YOLOv5的食品包装缺陷目标检测方法。首先,从数据增强这一角度出发,改用了基于Canny边缘检测算法对数据进行处理。然后,在原先DarkNet-53主干网络中融合SENet网络,把重要的特征进行强化来提升准确率。其次,将3处传统卷积层替换为深度可分离卷积层,减少参数量和计算量,最后训练候选区域数据,从而精确地实现定位与分类缺陷。仿真训练结果得出：SENet-YOLOv5模型的检测精度与速度皆得到了提升,对薯片食品包装缺陷的检测准确率为94.6%,检测的平均精度均值(mAP)达到了94.8%,相较干YOLOv5算法提高了7.9个百分点,识别速度大幅度提升。表明所提SENet-YOLOv5缺陷检测方法可应用于薯愿包装检测以提高企业的工作效率。     

基于深度学习的轻量化车牌检测算法研究

针对现有车牌检测算法存在的模型参数量过大、实时性差和检测效果不佳等问题,提出一种基于深度学习的轻量化车牌检测网络(Lightweight License Plate Detection Networks,LW-LPDNet)模型。该模型以PP-LCNet作为骨干网络,大幅减少模型参数量,同时融入压缩-激励网络(Squeeze and Excitation Networks,SE-Net)注意力模块,增加车牌信息的通道权重。最后,引入SimSPPF和GSConv,对多尺度特征进行融合,增大感受野,进一步提高检测准确率。通过对模型进行训练和测试,LW-LPDNet在中国城市停车数据集(Chinese City Parking Dataset,CCPD)上获得98.9%的平均精确率,优于其他车牌检测方法,且模型参数量仅有0.13 MB,检测速度达到243 f·s^-1,具备较高的实时性。     

基于yolov3的水果蔬菜检测算法研究

为减轻超市等需人工称重售卖体系在人流高峰期的售卖压力,同时响应当前国家对疫情防控中减少公共场所人员接触防疫政策,实现超市中水果蔬菜的智能化售卖也是当前实现智慧城市建设的一部分.其中智能化售卖中最关键的问题是实现对水果蔬菜的精确识别;文章采用YOLOv3网络算法模型,在自己采集构建的水果蔬菜数据集上进行训练和测试,并与Y...     

基于双通道注意力的轻量化PCB缺陷检测研究

印刷电路板 (printed circuit board,PCB)在实际生产过程中存在缺陷样式多种多样、缺陷小、缺陷位置难以定位的问题,而一个巨大的模型难以实现实时检测的要求,且大量的深度可分离卷积层建立的轻量级模型也不能达到足够的精度,为此提出一种基于YOLOv5s的PCB缺陷检测算法。 将原始Backbone的Conv模块跟C3模块用GhostConv替换,在Neck部分则引入了一种新的轻量级卷积技术GSConv,减轻模型大小的同时保持精度,GSConv在模型的准确性和速度之间完成了一个极好的权衡,针对许多注意力模块无法关注全局信息同时模型大的问题,提出了多尺度的轻量化双通道注意力模块(double channel depthwise attention module,DWAM),进一步提高模型精度。通过多组实验, 结果表明,改进算法所有类别的平均mAP为99.14%,且模型的GFLOPs为7.194 G,Params为7.175,原始的YOLOv5s平均mAP为96.86%,GFLOPs为6.89 G,Params为6.596,虽然Params以及GFLOPs有所增大,但是还是满足轻量网络的要求,并且精度相对于YOLOv5s提高了2.25%,且对于每个类别的缺陷识别准确率都有改善,大幅减少计算量和模型参数的同时保证了准确率,满足工业检测生产需求的同时便于移动端部署。     

基于RB-YOLO的生活垃圾实时检测算法

生活垃圾图片背景复杂,同一类垃圾特征差异性大,给垃圾检测带来了极大的挑战.为实现复杂场景下生活垃圾的实时检测,论文提出了一种基于改进YOLOv3的生活垃圾检测算法RB-YOLO.在该垃圾检测模型中,将YOLOv3与轻量级卷积神经网络RepVGG相结合,解耦模型训练和推理,在保证特征提取能力的同时提高模型推理速度.采用加...     

轻量化SAR图像舰船目标检测算法

精准的舰船目标检测技术能够提升武器装备的全方位感知能力。针对复杂环境下SAR舰船目标检测虚警、漏警问题严重,提出一种基于YOLOv5的轻量化SAR图像舰船目标检测算法3S-YOLO。3S-YOLO首先对网络结构进行重构,调节感受野与多尺度融合关系,实现特征提取网络和特征融合网络轻量化处理;然后,对网络进行剪枝,通过基于几何中值的剪枝算法对网络进行压缩,加快推理速度;最后,使用可变焦损失函数对网络进行训练,使感知分类系数回归。结果表明,算法经过优化后,精度最高可提高至99.1%;经过剪枝后,模型体积大幅下降,可压缩至190 kiB,下降98.6%;算法推理速度提升4倍,推理时间缩短至3 ms以下。相较于当前主流算法,3S-YOLO在各方面均取得了不错的成绩,满足SAR图像实时舰船目标检测。     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

基于深度学习的列车门窗检测算法研究

本文分析了深度学习算法和列车门窗检测的意义,并且从目标检测技术中的图像特征、传统的分类算法、神经网络与深度学习、基于可变窗的物体检测模型四个方面研究了基于深度学习的列车门窗检测算法。希望能够通过本文的研究内容为相关工作人员提供一些参考意见,从而进一步提高铁路运输的安全性。     

基于超像素分割的车辆检测算法

随着我国落地机动车数量增加,路面交通压力也逐步增加,采用人工智能方法对车辆进行快速识别,从而获得车辆和路况等信息具有重要意义。针对SLIC算法在目标与环境颜色或亮度极度相似时效果不佳的问题,文章考虑车辆具有对称性和轮廓等特征,提出一种基于自适应的超像素分割车辆检测算法。在原有算法引入变量λ,用于衡量亮度与颜色之间的重要性,改善SLIC模型。论文选定了BIT-vehicle数据集在YOLOv5模型进行实验。此算法能有效提高YOLOv5模型在车辆识别的性能,实验结果表明对比未处理的模型精度提高1%,全类平均精度提高1.3%。     

基于YOLOv4目标检测算法的轻量化网络设计

目标检测是计算机视觉领域的一个重要研究方向,在交通监控、人机交互等方面都有着广泛的应用.目前,基于深度学习的YOLOv4检测网络与传统目标检测相比,其检测精度虽然有所提高,但存在网络参数量大、对计算机硬件要求较高等问题.针对于此,本文对YOLOv4网络进行了改进,即采用MobileNetv2与YOLOv4的主干特征提取...