一种基于小波变换的YOLOv5火灾检测改进算法

由于复杂环境下类烟火物体的干扰,常导致火灾检测误判。为了提高图像中火灾信号的检测精度,减少火灾误报,利用传统光谱分析在火灾图像检测技术中的优势,提出了一种基于小波变换的YOLOv5火灾检测改进算法。该算法利用二维Haar小波变换提取图像的光谱特征,将其输入到YOLOv5s的主干网络CSPDarknet中,与卷积层进行通道上的特征融合,增强烟火的纹理细节特征;通过嵌入CA注意力机制的CAC3模块,对融合小波特征后的网络层的位置信息进行增强,提高网络的信息提取和定位能力;为明确衡量边界框宽高的真实差,平衡烟火难易样本,采用α-EIOU损失函数替换原本的CIOU,提高框定位准确性。在公开的火灾数据基础上结合自制火灾数据构建火灾数据集,并进行模型训练和推理。实验结果表明,改进后算法的mAP比原YOLOv5s提升了2.3%,实现了对火灾场景烟火目标较好的检测效果。     

改进YOLOv5s的交通标志检测算法

随着无人驾驶技术的发展,交通标志检测对于维护交通秩序、降低交通事故频率意义重大。针对交通标志因尺寸小、密度高或背景复杂导致检测精度降低的问题,提出一种改进的YOLOv5s算法。首先,将ConvNeXt＿Block嵌入YOLOv5s的Backbone和Head部分,增强YOLOv5s特征提取网络的特征提取能力,提升模型检测精度;其次,引入轻量级通用上采样算子CARAFE,在不带来过多参数量和计算量的前提下,更好地利用特征图的信息,同样带来精度提升。使用该模型处理TT100K数据集,达到79.9%的检测精度,在YOLOv5s算法的基础上提高了1.8%,帧处理速率达到74 FPS,仍然符合实时性的要求。实验结果充分验证,改进模型在真实的交通标志检测场景中兼具实时性与准确性。     

基于YOLOv5的CCTSDB小目标检测算法研究

为了提高全新中国交通标志检测数据集2021(CCTSDB 2021)的小目标检测精度。在YOLOv5网络模型上,融入归一化的注意力模块（NAM）和协调注意力模块（CA）,同时新增加160×160的检测特征图,增加小目标检测层,用于检测4×4以上的目标。在YOLOv5中采用改进的SIou目标回归损失函数,使得整个网络模型对图像特征的学习能力和目标检测精度得到一定的提升。实验表明,CCTSDB2021在改进的YOLOv5算法中,小目标检测精度mAP@.5和mAP@.5:.95达到85.87%、57.21%,相比原YOLOv5网络mAP@.5、mAP@.5:.95分别提升了5.72%、5.85%,检测精度和精确率-召回率得到了明显提升,减少了推理时间,提高了整体网络的鲁棒性,具有更好的检测性能和目标分辨能力。     

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。     

基于改进YOLOv4的轻量级目标检测算法研究

针对YOLOv4目标检测算法在一些应用场景的参数多、网络复杂、精度低等问题,提出一种改进的轻量级的目标检测算法GD-YOLO.首先,通过使用轻量级网络GhostNet替换掉YOLOv4的主干特征提取网络CSPDarknet,GhostNet网络极大降低了算法的参数量及计算量,使得算法更加轻量化;其次,提出双重注意力机制(DATM),其不仅增强模型对空间和通道上的特征进行加强,而且其结构参数量小,使用在对主干网络提取出来的三个有效特征层添加双重注意力机制,让模型对特征提取更加有效;最后,新增ACON激活函数代替原有的GhostNet网络中的ReLU激活函数,进一步提高算法检测精度.在VOC2007+2012数据集上的实验结果表明,GD-YOLO算法的平均准确率(mAP)达到84.28%,与YOLOv4算法相比提升了4个百分点,与YOLOv5算法相比低了大约1个百分点;从模型参数量方面,与YOLOv4算法相比减少了11 M,与YOLOv5相比减少3 M.所提GD-YOLO算法相对于YOLOv4不仅减少了模型参数量,而且也保存了较高的平均准确率,表明该算法是更具有轻量化及高准确率的.     

基于改进YOLOv5的低光照图像目标检测

针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题，提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5＿DC）。首先，通过伽马变换和叠加高斯噪声的方法合成低光照图像，扩充数据集，提高模型的泛化能力；其次，提出特征增强模块，引入通道注意力机制，融合增强图像和原始图像的低级特征，抑制噪声特征的影响，改善网络的特征提取能力；最后，在颈部网络中加入特征定位模块，增加特征图在目标区域的响应值，使网络更关注目标区域，提高网络的检测能力。实验结果表明：所提YOLOv5＿DC算法实现了更高的检测精度，在低光照图像目标检测数据集ExDark*上的平均精度均值（mAP）@0.5达71.85%，较原始的YOLOv5算法，提高了1.28个百分点。     

基于特征增强和筛选机制的遥感电力目标检测

电力遥感目标检测对电网安全有着重要意义。针对电力遥感目标检测精度低的问题，提出了一种基于特征增强和筛选机制的YOLOv5目标检测算法。数据预处理方面，通过同态滤波和Retinex去雾算法进行数据增强，降低遥感影像大气折射和光照不均匀影响，增强目标特征；网络模型方面，将CBAM融合注意力模块添加到网络骨干层之前，通过k-means聚类特征增强和筛选机制，减少卷积核深度和网络参数；预测网络方面，将预测框中心坐标和真实框中心坐标之间的欧式距离作为代价函数添加到回归损失函数中。在google电力遥感数据集上进行对比实验，结果表明：检测平均精度均值可达83.7%,相比于基线算法以及其他检测算法，平均精度值提升了9%,速度提高了45.7%。     

面向高速公路监控场景的轻量级车辆检测算法

车辆检测是高速公路交通监控系统最重要的任务之一,但现有高速公路场景下的车辆检测算法存在模型参数量大、平均检测速度慢以及远处小尺度车辆漏检率高等问题。针对上述问题,提出了一种面向高速公路监控场景的轻量级车辆检测算法MG-YOLO。算法基于YOLOv5s进行设计,首先将高效通道注意力模块与MobileNetv3-small轻量级网络融合作为主干特征提取网络,减少模型参数,提高检测速度。然后引入加权双向特征金字塔融合结构,并结合Ghost模块,增强小目标车辆的检测能力。最后在检测头添加高效通道注意力模块,提高算法的检测精度。通过实际高速公路监控视频构建车辆检测数据集,并在该数据集上对MG-YOLO进行评估。实验结果表明,MG-YOLO参数量约为188万,模型大小为4.01MB,平均检测精度（mean average precision, mAP）为90.7%。与YOLOv5s相比,MG-YOLO的模型参数量降低95%、模型大小减小95%、检测速度提升43%、mAP提高0.2%,有效提高了高速公路监控场景下车辆检测速度,同时保持了车辆检测精度。     

基于深度学习的旋转目标检测技术研究

针对传统目标检测算法未考虑物体角度信息而出现的漏检、错检问题,提出了一种基于YOLOv5s的改进算法。在原始YOLOv5s的基础上,首先结合环形平滑标签技术（CSL）及对损失函数的改进,让网络有了对角度预测的能力;其次增加目标检测层提升了网络对小目标检测的能力,接着融合CBAM注意力机制让网络重点关注对有用信息的学习;最后采用迁移学习的策略初始化网络各层参数。为了验证算法的有效性,自制了标签数据集LDS并做了算法对比试验,实验结果表明,在LDS数据集上,改进后的YOLOv5s算法检测精度达89.94%,相较于原始网络,在检测速度没有下降的基础上检测精度提升了4.80%。     

一种改进YOLOv5的X光违禁品检测模型

针对X光行李图像安全检测过程中存在物品高度重叠遮挡及复杂背景干扰等问题，提出了一种融合注意力机制、数据增强策略与加权边框融合算法的改进YOLOv5网络模型用于X光违禁品检测。模型在Neck部分引入卷积注意力模块加强网络对违禁品深层重要特征的提取，抑制背景干扰；训练阶段采用Mixup数据增强策略模拟带有高度重叠及遮挡物品的检测场景，加强模型复杂样本的学习能力；测试阶段采用加权边框融合算法对冗余预测框进行优化，提高模型精准预测能力。所提模型在3个大型复杂数据集SIXray、HiXray、OPIXray进行了测试，平均精度均值分别达到了89.6%、83.1%和91.6%。结果表明：所提模型能够有效提高YOLOv5检测复杂违禁品的能力，与现有诸多先进算法相比，具有较高的准确率和稳健性。     

改进YOLOv4算法的复杂视觉场景行人检测方法

复杂视觉场景下存在过暗或者过曝的光照、恶劣的天气、严重遮挡、行人尺寸差别大以及图像模糊等问题,大大增加了行人检测的难度。因此,针对复杂视觉场景下行人检测准确度低、漏检严重的问题,提出了改进的YOLOv4算法以增强复杂视觉场景下的行人检测效果。首先,构建复杂视觉场景下的行人数据集。然后,在主干网中加入混合空洞卷积,提高网络对行人特征的提取能力。最后,提出空间锯齿空洞卷积结构,代替空间金字塔池化结构,获取更多细节特征。实验表明,在本文构建的行人数据集上,改进后的 YOLOv4算法的平均精度（average precision,AP）达到了90.08%,相比原YOLOv4算法提高了7.2%,对数平均漏检率（log-average miss rate,LAMR）降低了13.69%。     

基于YOLOv5和膨胀卷积的鱼类目标检测算法

鱼类目标所在的场景常存在较强的水下噪声,同时鱼类目标有着与周围环境相近的伪装色,使得鱼类目标检测的效果达不到很高的水平。为了精准且快速的检测鱼类目标,提出了一种基于YOLOv5和膨胀卷积的目标检测网络,首先利用YOLOv5网络提取图片特征,然后利用基于膨胀卷积的三支路特征融合结构整合大范围的全局信息,最后通过检测头对图片中鱼类目标的位置进行预测并用矩形框进行标记。研究表明,本文的算法在自建数据集上m AP达到81.5%,相较于原始的YOLOv5s算法提升了1.5%,而且能实时准确的获取到鱼类目标的位置,极大提升了鱼类目标检测的效率。     

基于改进YOLOv5的复杂场景下SAR图像船舶检测方法

针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率。实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了79.8％,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。      

融合YOLOv5与ASFF算法的海产品目标检测算法研究

针对水下目标检测识别精度低的问题,提出了一种基于改进YOLOv5的水下目标检测方法。通过对比多个注意力机制模块,在YOLOv5骨干网络引入了全局注意力机制模块,增强了特征提取,提高了采集特征的能力,并在YOLOv5模型上融合了自适应空间特征融合算法,实现底层特征与顶层特征融合。验证结果表明,所提算法的识别精度优于原始的YOLOv5算法,平均精度提升了8.5%,检测速度为76帧/秒。     

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

基于改进YOLOv5s的复杂环境行人检测模型

针对行人检测在复杂环境下存在的高误检率和丢失率问题,提出了一种基于YOLOv5s的改进模型YOLOv5s-RFDH。该模型在保留YOLOv5s基线网络的基础上,在特征提取和检测部分进行了优化改进,以提高行人检测在复杂场景中的准确性和鲁棒性。针对CrowdHuman数据集和WiderPerson数据集进行行人目标检测。以上数据集行人密集且存在大量遮挡,因此,采用了K-Means++聚类算法来重新聚类数据集以获取适合数据的锚框;引入感受野模块（Receptive Field Block, RFB）来进行特征提取,在不同分支中使用空洞卷积增加感受野从而提取更深层次的特征信息,并最终将这些特征融合在一起,提升了小目标行人的检测精度;解耦头可以解决目标检测中的尺度不变性问题,引入解耦检测头将分类和回归任务分离,从而能够更加准确地检测到不同尺度和大小的目标。在CrowdHuman数据集和WiderPerson数据集划分出的测试集上进行对比实验,结果表明,改进后的模型在检测准确率上得到提升,丢失率有所下降,在以上两个不同数据集上检测准确率分别提升1.4%和1.2%,丢失率分别降低2.0%和1.7%。     

一种基于YOLOv5s的红外图像目标检测改进算法北大核心CSCD

受热红外成像方式限制,交通场景下红外图像存在对比度低、目标尺度和姿态的多样性以及目标之间的相互遮挡问题,从而造成检测精度下降,部分目标出现漏检、误检的情况。本文在YOLOv5s的基础上提出一种改进算法:在数据处理方面,使用AHE算法对训练集图像进行部分数据增强;在模型改进方面,通过引入跨域迁移学习策略、插入通道注意力机制SENet、改进损失函数GIoU为α-CIoU对YOLOv5s进行改进。并通过消融实验的方式,在自制数据集上对夜间道路环境下的电动自行车驾驶行为进行检测。实验结果表明,改进后的算法对单人驾驶电动自行车行为检测的平均精度达到了95.9%,比YOLOv5s的检测精度提高了3.1%;对载人驾驶电动自行车行为检测的平均精度达到了88.4%,比YOLOv5s的检测精度提高了9.5%;总类别检测的平均精度达到了92.2%,比YOLOv5s的检测精度提高了6.4%,有效降低了红外目标漏检、误检的概率。     

改进YOLOv5s算法的地铁场景行人目标检测

地铁场景行人目标存在大小不一、不同程度遮挡以及环境过暗导致目标模糊等问题，很大程度影响了行人目标检测的准确性。针对上述问题，本研究提出了一种改进YOLOv5s目标检测算法以增强地铁场景行人目标检测的效果。构建地铁场景行人数据集，标注对应标签，进行数据预处理操作。本研究在特征提取模块中加入深度残差收缩网络，将残差网络、注意力机制和软阈值化函数相结合以增强有用特征信道，削弱冗余特征信道；利用改进空洞空间金字塔池化模块，在不丢失图像信息的前提下获得多尺度、多感受野的融合特征，有效捕获图像全局上下文信息；设计了一种改进非极大值抑制算法，对目标预测框进行后处理，保留检测目标最优预测框。实验结果表明：提出的改进YOLOv5s算法能有效提高地铁场景行人目标检测的精度，尤其对小行人目标和密集行人目标的检测，效果提升更为显著。     

基于改进YOLOv5s轻量化带钢表面缺陷检测方法

针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对 于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。     

融合注意力机制的遥感图像旋转目标检测算法

针对光学遥感图像目标检测中存在的精度低及忽略目标方向性的问题,提出了一种基于改进YOLOv5m的遥感图像旋转目标检测算法。首先,融合注意力机制模块提升模型对重要特征的提取能力;其次,在特征融合模块部分考虑各节点特征融合的贡献度,并增加同一特征尺度的跳跃连接;最后,针对旋转检测中存在的角度边界问题,使用密集编码标签对角度进行离散化处理。实验结果表明,所提算法在DOTA数据集子集上的检测精度达到了82.75%,在小幅降低模型计算量的情况下,较原有YOLOv5m提升了11.73个百分点,同时在HRSC2016舰船数据集上也取得了88.89%的检测精度。即该算法能有效提升光学遥感图像旋转检测的精度。