基于Yolov5s的作业现场阀门规范操作识别方法

将基于深度学习算法的图像识别技术应用到油田作业现场监控领域,解决阀门操作的规范性问题。采用YOLOv5s网络作为作业现场阀门规范操作识别的模型,通过图像增强方法解决阀门周围的栏杆遮挡问题,制作阀门操作的数据集,保证了数据集的丰富性。然后在自制阀门操作分类的数据集上对网络进行训练,利用训练好的YOLOv5s网络提取作业人员不同的阀门操作图像的特征和位置信息,实现作业现场阀门规范操作的识别。经过测试,验证该模型最终检测准确率达到了93%,检测速度能达到实时的效果。基于YOLOv5s网络的作业现场阀门规范操作识别的模型在不同光照和视角等条件下,检测准确率高,鲁棒性好、模型计算速度快。满足了油田作业现场实际需求,解决了油田作业现场员工在阀门操作上的安全问题。     

基于计算机DCGAN数据增强的YOLOv5光伏电池板热斑检测方法

针对光伏电站巡检过程中,光伏电池板热斑样本少,现有目标识别算法检测精度低的问题,提出一种将深度卷积对抗生成网络DCGAN与YOLOv5目标识别算法相结合的光伏电池板热斑检测方法。该方法通过搭建DCGAN网络进行数据增强,改进YOLOv5网络的数据增强模块,获得数量更充足、特征更丰富的训练数据。对原始图像、常规数据增强和DCGAN数据增强的数据集在YOLOv5网络中进行训练,并对检测模型的精度进行对比。实验结果表明,与常规YOLOv5目标识别模型相比,本文采用DCGAN网络提高了数据集的图像质量,减少因样本过少而引起的训练不充分和热斑检测精度低的问题,平均精度较常规模型提高1.72%。该方法有助于提高光伏电站巡检效率,保障太阳能电池组件正常运行。     

一种改进的YOLOv5小目标交通标志检测方法

针对实景交通标志检测方法研究中存在小目标识别精度较低、网络模型较大等问题，将一种改进的YOLOv5网络模型用于交通标志检测中。通过削减特征金字塔深度、引入卷积注意力模块优化网络结构，保留小目标信息并增强模型特征提取能力。采用K-means聚类算法确定适用于小目标识别的初始锚框，进一步提高模型检测精度。通过TT100K数据集验证表明，与YOLOv5模型相比，上述方法平均准确率提高3.0%,小目标检测平均精度提高5.0%,且模型大小为原模型的25.1%,保证较高识别能力的同时减少了模型参数量，实验对比结果验证了该方法的有效性。     

基于I-YOLO模型的轴瓦零件缺陷视觉检测方法

轴瓦是水力测功器的重要零部件,其质量影响机组的安全运行。基于传统机器视觉的轴瓦缺陷检测方法存在准确率低、漏检率高的问题。针对该问题,提出一种基于改进YOLO模型的轴瓦缺陷检测方法。首先,对数据集进行图像预处理,扩大训练样本;然后,改进YOLO模型结构,通过候选框维度聚类和多尺度训练,提出一种新的IYOLO深度学习模型;最后,在轴瓦数据集训练和测试I-YOLO模型,并将该模型与YOLOv4、YOLOv3模型进行对比。结果表明,改进的I-YOLO模型在轴瓦缺陷检测中的准确率达到了98.73%,比YOLOv4、YOLOv3模型分别提高了3.01%、10.88%,证明改进的模型能在提高检测准确率的同时有效降低漏检率。     

基于注意力模型和轻量化YOLOv4的林业害虫检测方法

针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,提出一种基于注意力模型和轻量化YOLOv4的林业害虫检测方法。首先构建数据集,使用几何变换、随机色彩抖动和Mosaic数据增强技术对数据集进行预处理;其次将YOLOv4的主干网络替换为轻量化网络MobileNetV3,并在改进后的路径聚合网络（PANet）中添加卷积块注意力模块（CBAM）,搭建改进的轻量化YOLOv4网络模型;然后引入Focal Loss优化YOLOv4网络模型的损失函数;最后将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。实验结果表明,该网络的各项改进点对模型的性能提升都有效;相较于原YOLOv4模型,新模型的检测速度更快,平均精度均值（mAP）更高,并且能有效解决漏检和误检问题。新模型优于目前的主流网络模型,能满足林业害虫实时检测的精度和速度要求。     

煤矿井下承人装置违规检测研究

针对井下承人装置违规检测大多是监工人员现场监督效率低下、矿井光照不均匀的问题,提出利用自适应伽马变换图像增强与改进的YOLOv3网络相结合的实时检测方法。首先构建了矿井承人装置数据集,采用自适应伽马变换对井下图像进行亮度校正,然后改进了YOLOv3的分类器,为了进一步提高模型的性能,引入SENet结构来增强网络的全局接受范围。在自制数据集上的实验结果表明,嵌入SENet结构的YOLOv3网络可以达到94.6%的准确率和91.8%的召回率,可以显著提高井下承人装置违规的检测精度。同时,该网络检测速度每秒达到42.54帧,满足实时性要求。     

基于改进YOLOv5网络模型的夜间车辆检测研究

为解决夜间场景下视频监控目标检测在实际应用时准确率不高这一问题,提出改进的YOLOv5算法。首先,建立了真实夜间场景目标的数据集,该数据集有2000张图像,分为了机动车、非机动车和车牌三个类别,以8∶2的比例均匀随机分为训练集和测试集,将夜间目标的图像放入改进的YOLOv5模型中训练,最终达到在夜间检测目标的目的;改进的YOLOv5利用了K-means++聚类算法生成自适应锚框,提高对夜间目标样本的聚类效率。其次,将改进的CBAM注意力机制与特征提取网络进行融合以获取夜间目标的重要特征。最后,将Bottleneck替换成GSBottleneck模块,利用GSConv轻量化的优势减少网络模型的计算量与参数量。结果表明,通过原YOLOv5网络模型算法训练后得到的mAP值为86.69%,改进后的YOLOv5网络模型算法训练后得到的mAP值为91.98%,三种被检测类别：机动车、非机动车和车牌的检测准确精度与原版算法相比分别提升了2.00、6.66、7.19个百分点,改进的YOLOv5网络模型可以为夜间场景下车辆特征的检测提供较好的技术支持。     

基于改进YOLOv5的铝型材瑕疵检测算法

基于铝型材表面瑕疵类别多样,对实时检测快速精准的需求,提出一种基于改进YOLOv5的瑕疵检测算法。通过在原始骨干网络的基础上增加新检测层并使用K-means++算法改进锚框的生成方式,提升检测尺度,避免忽视低层语义信息。对铝型材瑕疵数据集离线增强,丰富样本容量;在Backbone网络结构中融入新的卷积结构和E-CBAM注意力机制,提高网络的特征提取能力的同时降低冗余计算,提升模型检测性能;采用EIoU Loss作为整个网络结构的损失函数来加快收敛效率,解决难易样本不平衡的问题。实验结果表明,在铝型材瑕疵数据集上将改进后YOLOv5检测模型与原始YOLOv5模型进行比较,平均精度mAP提升2.9百分点,召回率Recall提升3.9百分点,速度FPS达至45.8,将近年来的代表性算法YOLOv3、YOLOv4、SSD、Faster-rcnn与改进后的检测算法在铝型材瑕疵数据集上进行性能比较,通过综合对比检测精度、检测速度等重要参数证明改进后的YOLOv5检测算法更好地兼顾了检测效率和检测精度。所提方法满足了铝型材工厂生产现场瑕疵检测要求。     

针对轻量化网络的安全帽检测方法

变电站内电气设备数量众多,在工人进行现场作业时需要对工人佩戴安全帽进行监测。由于机器学习的安全帽佩戴检测方法常常出现漏检和误检的情况,为提高对安全帽佩戴识别的准确率,同时加快识别速度,提出了一种基于YOLOv5s的轻量化卷积神经网络模型。通过引入RepVGG模块对网络主干进行轻量化,在网络后处理阶段通过Soft-NMS降低遮挡目标漏检率,以Mixup数据增强来扩充数据集,建立样本之间的线性关系,提升训练模型泛化性能,最后进行消融实验。实验结果表明,改进的模型的均值平均精度(mAP)达到80.4%,推理速度达到了83.3 f/s,为变电站安全帽佩戴检测提供了有效参考。     

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...     

结合金字塔池化模块的YOLOv2的井下行人检测

煤矿井下的行人检测对于保障井下作业人员的安全至关重要。煤矿井下光照暗、粉尘大，直接用YOLOv2检测井下行人，准确率低，仅达到54.3%。针对此问题，以YOLOv2网络为基础，结合了金字塔场景解析网络（PSPnet）中的金字塔池化模块，充分利用图片的上下文信息，提出了YOLOv2_PPM网络。在井下行人检测数据集上进行实验，YOLOv2_PPM网络的准确率提升到63.5%，较YOLOv2网络增加了9.2%，且速度达到了39?帧/s（FPS）。当输入图片的大小为480×480时，检测的准确率提升到71.6%，同时速度为28?帧/s，满足了实时检测的要求。     

煤矿井下作业人员安全帽佩戴检测算法研究

煤矿工人在井下开展生产作业时,头戴安全帽是有效保障其人身安全的重要防护措施,近年来由于未佩戴安全帽造成的事故层出不穷。针对这个问题,设计了安全帽佩戴检测算法。首先使用煤矿井下摄像头拍摄图像、公开数据集和网络爬虫的方式构建数据集,其次使用YOLOv5对构建的数据集进行训练,训练出安全帽检测模型,最后把训练的模型部署到监控终端进行测试。测试结果表明,设计的算法能够正确识别作业人员是否佩戴安全帽。     

基于改进YOLOv5s的带式输送机滚筒故障检测研究

针对目前带式输送机滚筒故障检测方法检测效率低、识别准确率不高、特征提取能力较差等问题,提出了一种基于改进YOLOv5s的带式输送机滚筒故障检测方法。在YOLOv5s网络模型中增加了小尺寸检测层,使尺寸较小的滚筒故障更易被检测到;在Backbone和Neck间引入卷积注意力机制（CBAM）,提高目标检测的准确率;在Neck中引入高效通道注意力机制（ECA）,增强对滚筒故障的特征提取能力。实验结果表明：(1)在满足实时检测要求的前提下,改进YOLOv5s网络模型识别平均准确率均值达94.46%,较改进前提升了1.65%。(2)改进YOLOv5s网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为95.29%,96.43%,91.65%,较改进前分别提高了1.56%,0.89%和2.50%。设计了基于改进YOLOv5s的带式输送机滚筒故障检测系统,并对该系统进行验证：(1)实验平台测试结果表明：基于改进YOLOv5s的带式输送机滚筒故障检测系统对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达95.29%,96.43%,91.65%,3种故障检测的平均准确率均值达94.46%,检测...     

基于ResNet和随机森林的海洋鱼类分类方法

提出了一种基于卷积神经网络和随机森林相结合的方法,用于对海洋可食用鱼类进行识别分类。通过使用YOLOv3目标检测网络对原始鱼类图片进行目标定位并使用数据增强方法对数据集进行扩充,模型在自建数据集上进行训练和微调,达到了较高的分类准确率和稳定性。实验结果表明该模型在鱼类分类任务上的有效性,并为解决传统方法对鱼类分类的困难提供了一种新思路。     

基于改进YOLOv4的轻量化目标检测算法

针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数（FPS）低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络（Bi-FPN）结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值（mAP）达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。     

改进YOLOv5的安全帽佩戴检测算法

针对目前目标检测模型结构复杂、计算量大、检测准确率低等问题,提出在工业场景下基于改进型YOLOv5的安全帽佩戴算法。在主干网络引入轻量型网络ShuffleNetv2,保留Focus结构和ShuffleNetv2共同组成主干网络,降低网络的计算量和参数量;在C3模块中引入Swin Transformer Block,得到C3STB模块,替换Neck部分原有的C3模块;设计了CBAM＿H注意力机制,并将其嵌入Neck网络中,获取全局上下文信息,提高模型检测准确率。自建数据集并进行实验,实验结果表明,改进后的YOLOv5模型的参数量由6.14×10⁶压缩到8.9×10⁵,计算量由1.64×10¹⁰压缩到6.2×10⁹,mAP由0.899上升到0.908,优于原模型性能。     

改进YOLOv4的油田作业现场烟火检测

为解决油田作业现场烟火预警依赖人工巡检、不能及时发现等问题, 本文提出了改进的YOLOv4烟火检测算法. 具体针对摄像头距离远导致的烟火目标小、不易被识别的问题, 改进了网络特征融合部分, 并添加金字塔卷积PyConv, 增强细节提取能力、增大局部感受野. 针对油田作业现场的复杂背景干扰问题, 加入注意力机制, 用于加强网络对重要特征的权重计算, 同时减少非关键数据的计算量. 最后通过聚类算法对目标样本锚定框优化, 利用自建烟火数据集进行实验, 实验结果证明, 改进后的算法模型具有相当高的性能, MAP达到90%以上, 能够在复杂背景下对较小烟火目标保持较高的识别率, 说明改进后的算法在油田作业现场烟火识别中具有较高实用价值.     

面向无人机航拍场景的轻量化目标检测

针对无人机航拍场景下的实时目标检测任务,以YOLOv5为基础进行改进,给出了一种轻量化的目标检测网络YOLOv5-tiny.通过将原CSPDarknet53骨干网络替换为MobileNetv3,减小了网络模型的参数量,有效提高了检测速度,并进一步通过引入CBAM注意力模块和SiLU激活函数,改善了因网络简化后导致的检测精度下降问题.结合航拍任务数据集VisDrone的特性,优化了先验框尺寸,使用了Mosaic,高斯模糊等数据增强方法,进一步提高了检测效果.与YOLOv5-large网络相比,以降低17.4%的mAP为代价,换取148%的检测效率(FPS)提升,且与YOLOv5s相比,在检测效果略优的情况下,网络规模仅为其60%.     

改进YOLOv5的油田作业现场安全着装小目标检测

针对油田作业现场监控视频中的工人安全着装小目标检测效果较差的问题, 提出了改进YOLOv5的油田场景规范化着装检测方法Cascade-YOLOv5 (C-YOLOv5). 首先搭建YOLO-people与YOLO-dress级联的小目标检测网络, 定位行人目标, 然后裁剪出行人区域并进行尺度变换, 最后对行人进行安全着...