基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

基于YOLO-FFD的水果品种和新鲜度识别方法

目的：改善现有水果识别与分级方法依赖于人工操作和复杂设备的情况。方法：提出了一种轻量化模型YOLO-FFD（YOLO with fruit and freshen detection），该模型以YOLOv5框架为基础，基于深度可分离卷积和GELU激活函数设计轻量化模块LightweightC3作为主干特征提取网络的基本单元，减少模型参数量和计算量，加快模型的收敛速度；使用大内核深度可分离卷积模块EnhancedC3改进原模型的颈部，抑制信息丢失并增强模型的特征融合能力，提高模型的检测精度；采用GSConv代替特征融合网络中的普通卷积，使模型进一步轻量化。结果：提出模型的平均精度均值达到了96.12%，在RTX 3090上速度为172帧/s，在嵌入式设备Jetson TX2上速度为20帧/s。相比于原始YOLOv5模型，平均精度均值提高了2.21%，计算量减少了26%，在RTX 3090和Jetson TX2上的速度分别提高了2倍和1倍。结论：YOLO-FFD模型能够满足识别水果品种和新鲜度的需求，且在复杂场景下错检、漏检情况均有改善。     

基于改进YOLOv5s的大米外观品质无损检测模型

针对大米在外观品质中需要快速识别需求,提出了一种基于改进YOLOv5s网络的大米外观品质识别模型(CG-YOLOv5)。为提高大米的识别率,文本增加了小目标检测层。其次,为使模型轻量化,用Ghost模块代替YOLOv5s的骨干网络。为进一步提升模型的性能,通过试验研究了不同的注意力机制对模型性能的影响,最终选取CBAM注意力机制加入到YOLOv5s网络中。为直观CBAM注意力机制的效果,对大米图像进行了特征图可视化。试验结果表明修改后的网络的mAP达到了96.5%,相比YOLOv5s网络提升了4.3个百分点。在相同数据集下,与8种主流的检测网络进行对比,并在不同光照情况下的试验结果表明,该方法的检测mAP和检测时间皆优于其它8种检测网络；在检测时间上,该方法的平均检测时间为41ms,相较于YOLOv3快119ms,相较于YOLOv4-tiny快35ms。该方法具有优异的检测精度以及良好的鲁棒性和实时性,可以用于大米品质检测中。     

改进YOLOv5网络的轻量级服装目标检测方法

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×10⁹次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。     

基于改进YOLOv3模型的软包装食品自动识别方法

目的:解决现有包装食品自动识别方法存在的识别精度差、效率低等问题。方法:基于软包装食品自动识别系统，提出一种改进的YOLOv3模型用于软包装食品的自动识别。将Kmeans++算法引入模型中解决小目标不敏感问题，将Mish激活函数引入模型中提高识别的准确性，将注意力机制Senet引入模型中提高特征提取能力。通过试验分析了该识别模型的性能，验证了模型的优越性。结果:与常规识别方法相比，所提方法能更准确、高效地实现软包装食品的自动识别，识别准确率为95.40%,识别效率为23.80帧/s,满足包装食品识别的需要。结论:通过对现有食品识别模型的优化，可以有效提高识别模型的性能。     

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。      

基于深度学习的白酒酒花实时分类方法

目的:解决白酒传统摘酒方法“看花摘酒”的主观性和不稳定性,以及现有机器视觉酒花分类方法难以满足实时分类的问题。方法:轻量型YOLOv5以YOLOv5s作为初始模型,使用K-mean聚类的锚框取代默认锚框,以提高模型检测精度和稳定性,使用ShuffleNetV2网络替换YOLOv5s主干网络进行特征提取,以达到轻量化模型的目的,并增加CBAM注意力机制使模型更加关注酒花特征。结果:与YOLOv5s初始模型相比,轻量型YOLOv5模型占用内存减少92.5%,参数量减少93.7%,计算量降低63.4%,检测精度提升2.8%,FPS高达526。结论:轻量型YOLOv5降低了对硬件配置的要求,可以很好地实现酒花实时检测分类。     

基于YOLOv5n的轻量级织物疵点检测算法

针对轻量级模型在检测织物疵点时精确率低的问题,在YOLOv5n的基础上提出一种上下文增强与混合感受野的织物疵点检测算法。首先,为主干网络设计了一种轻量扩张卷积空间金字塔模块,并将主干网络的下采样比增加至64,在增强上下文信息的同时提取更深层的语义信息,提高模型识别性能;其次,为颈部网络设计了一种混合感受野融合模块代替原C3模块并进行特征融合,提高极端长宽比目标的检测精度。实验表明：该算法在基于天池织物数据集上的IOU阈值为0.5时的平均精度均值mAP₅₀、精确率、召回率分别达到了93.1%、91.6%、89.1%,相较于原YOLOv5n算法分别提高了4.9%、7.3%、5.0%,且模型文件大小仅6.28 MB,更适用于织物疵点检测领域。     

基于改进YOLOv3网络的烟梗识别定位方法

目的：实现烟叶分级流程烟梗部位的智能抓取,防止智能烟叶分级系统中机械手在抓取烟叶时对叶面造成损伤,减少烟叶智能分级设备生产中的人为操作,解决烟叶分级系统中的单片烟叶识别分类问题与对应等级单片烟叶存放问题。方法：提出一种基于改进YOLOv3的卷积神经网络烟梗自动识别定位模型。该模型在原有的YOLOv3的基础模型上改变单元模块结构引入注意力机制模块,优化模型参数,使用Swish激活函数,实现了对烟叶图像全部信息进行目标定位识别,构建烟梗目标检测模型。结果：改进后的YOLOv3模型的loss能更快的收敛,其mAP由90.46%提升为97.48%,准确率由95.33%提升为97.35%,回归率由84.65%提升为95.65%,为后续烟叶自动化分类打下基础。结论：与YOLOv3、Faster-rcnn、YOLOv4、Efficientdet算法作对比分析表明试验提出的算法更加轻量化,识别效果更好,能减少对烟梗试验平台的硬件配置要求,提高烟叶分类系统的经济效益,为烟叶分级系统中烟叶上料与分仓提供准确的位置信息。     

基于改进YOLO深度卷积神经网络的缝纫手势检测

在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法。以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测。实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45%,交并比为0.87,调和平均值为0.885。通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测。     

改进的YOLOv5蛋类缺陷自动检测模型

目的:解决现有蛋类缺陷图像自动检测方法存在的检测效率低、精度差等问题。方法:在蛋类检测系统的基础上,提出一种改进的YOLOv5自动检测模型。将轻量级网络MobileNetv3添加到YOLOv5模型中,以降低模型复杂度,删除颈部网络和输出端小目标检测。结果:与传统的控制方法相比,该方法能够更准确、高效地实现蛋类目标表面缺陷检测,复杂度降低了35%以上,单幅图像的检测时间为14.25 ms,检测准确率＞95%,满足食品缺陷检测的需要。结论:改进的YOLOv5检测模型可以有效提高蛋类缺陷检测效率。     

Application of artificial neural networks in the geographical identification of coffee samples

The recognition of the characteristics of coffee associated with a given agricultural system and aimed at adding value and attending the consumers’ demands stimulates the production of types of coffee properly described. The objective of this study was to explore and to explain the physicochemical characteristics and sensory attributes of the coffee grown in Parana State (Southern Brazil) based on an integrated approach of the terrior and the application of artificial neural network. Physicochemical variables of green coffee beans and roasted coffee beans were determined, as well as sensory attributes of the beverage. One hundred and seventy-two coffee samples were analyzed for moisture, proteins, chlorogenic acids, tannins, total acidity, total lipids, caffeine, total and reducing sugars and minerals. These properties were tabulated and presented to artificial neural network multilayer perceptron to be identified as the region and the city of planting. The artificial neural network classified correctly and tested 100% of the samples grown by region. For the database containing information by city, the automatic mode of the software Statistica 9.0 was used. The neural network showed 99% accuracy in training and 100% accuracy in the stage of testing and validation.     

基于改进卷积神经网络的食品异物自动识别方法

目的：提高食品中异物识别速度和精度。方法：在LeNet-5网络结构的基础上增加批量归一化层和Dropout层得到改进的CNN模型，利用此模型建立识别系统用于食品图像中异物自动识别。通过试验对所建模型性能进行分析。结果：与传统的模型相比，该模型具有更高的检测精度和更快的识别速度，食品异物的识别准确率为99.75%，识别时间仅为0.332 s。结论：建立的饺子图像异物识别模型具有较好的检测速度和识别精度。