改进YOLOv5的遥感图像目标检测算法

针对遥感图像中背景复杂度高、目标尺寸多样和小目标存在过多所导致的目标检测精度较低的问题,提出一种改进YOLOv5的遥感图像目标检测算法。该算法在主干网络引入通道-全局注意力机制（CGAM）以增强对不同尺度目标的特征提取能力和抑制冗余信息的干扰。引入密集上采样卷积（DUC）模块扩张低分辨率卷积特征图,有效增强不同卷积特征图的融合效果。将改进算法应用于公开遥感数据集RSOD中,改进YOLOv5算法平均精度AP值达到78.5%,较原算法提升了3.1个百分点。实验结果证明,改进后的算法能有效提高遥感图像目标检测精度。     

改进YOLOv5s的无人机目标检测算法

无人机在情报、侦察和监视领域,目标自动检测可为侦察等任务提供准确的目标位置及类别,为地面指挥人员提供详尽的目标信息。针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点,提出一种改进YOLOv5s目标检测算法。将压缩-激励模块引入到YOLOv5s算法中,提高网络的特征提取能力;引入双锥台特征融合（bifrustum feature fusion,BFF）结构,提高算法对较小目标的检测检测精度;将CIoU Loss替换GIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高定位精度。实验结果表明,改进后的YOLOv5s取得了86.3%的平均均值精度（mAP）,比原算法YOLOv5s提高了16.8个百分点,在复杂背景下仍能显著提升无人机图像目标检测性能。     

改进YOLOv5s的铁路异物入侵检测算法

行人、车辆等异物侵入铁路界线,严重威胁行人安全和铁路交通安全.针对传统铁路异物入侵检测方法精度低、时效性差等问题,提出改进YOLOv5s算法的铁路异物入侵检测模型SD-YOLO.本文提出SSA混合注意力机制,加强模型的局部表征能力,提高小目标识别效果;提出DW-Decoupled Head解耦检测头,加快网络收敛速度;引入边界框回归损失函数SIoU,提高了模型的检测精度;使用转置卷积作为采样方法,采样更适合铁路侵限障碍物特征的尺寸和比例.在数据集RS和Pascal VOC 2012进行实验验证,与基线YOLOv5s算法相比,平均精度mAP@0.5分别提高了2.7%、1.8%,mAP@.5:.95分别提高了2.9%、2.1%,检测速度分别达到79 FPS和78 FPS,表明该算法在检测精度和速度上均取得良好的性能,有效改善了漏检、误检问题,提高了小目标识别能力.     

改进YOLOv5的机场跑道异物目标检测算法

针对机场跑道异物(foreign object debris,FOD)在图像中目标占比小,特征不明显,经常导致误检、漏检的问题,提出一种改进YOLOv5的FOD目标检测算法。改进多尺度融合与检测部分,融合高分辨率特征图增强小目标特征表达,移除大目标检测层以减少网络推理计算量;引入轻量高效的卷积注意力模块(CBAM),从空间与通道两个维度提升模型关注目标特征的能力;在特征融合阶段采用RepVGG模块,提高模型特征融合能力的同时提高了检测精度;采用SIoU Loss作为损失函数,提升了边框回归的速度与精度。在自制FOD数据集上进行对比实验,结果表明：该方法在满足实时性的条件下,实现了95.01%的mAP50、55.79%的mAP_50:95,比原算法YOLOv5分别提高了2.78、3.28个百分点,有效解决了传统FOD检测误检、漏检问题,同时与主流目标检测算法相比,提出的改进算法更适用于FOD检测任务。     

运动场景下改进YOLOv5小目标检测算法

针对运动场景下由于设备移动、相机散焦,导致采集到的图像模糊,图像质量低,以及目标体积小,使目标检测困难的问题,提出了一种改进YOLOv5x目标实时检测模型。采用可变形卷积网络替换部分原始YOLOv5x中传统的卷积层,增强模型在运动场景中细粒度特征提取和小目标检测能力;增加SE注意力机制,解决在卷积过程中,因丢失图像全局上下文信息,造成特征损失的问题,提高了模型在图像模糊情况下小目标的检测精度;引入一种新的边界框回归损失函数SIoU Loss,解决了预测框在回归时随意匹配的问题,提高了模型鲁棒性和泛化能力,加快网络的收敛速度。实验结果表明,相比于YOLOv5x模型,将改进后的算法应用在水下移动机器人生物检测中,模型准确率P、召回率R、各类平均精度mAP分别提升了5.90个百分点、5.85个百分点、4.38个百分点,有效增强了小目标检测模型的检测性能。     

基于改进YOLOv4的小目标行人检测算法

行人检测在无人驾驶环境感知领域具有重要应用。现有行人检测算法多数只关注普通大小的行人目标,忽略了小目标行人特征信息过少的问题,从而造成检测精度低、应用于嵌入式设备中实时性不高等情况。针对该问题,提出一种小目标行人检测算法YOLOv4-DBF。引用深度可分离卷积代替YOLOv4算法中的传统卷积,以降低模型的参数量和计算量,提升检测速度和算法实时性。在YOLOv4骨干网络中的特征融合部分引入scSE注意力模块,对输入行人特征图的重要通道和空间特征进行增强,促使网络学习更有意义的特征信息。对YOLOv4颈部中特征金字塔网络的特征融合部分进行改进,在增加少量计算量的情况下增强对图像中行人目标的多尺度特征学习,从而提高检测精度。在VOC07+12+COCO数据集上进行训练和验证,结果表明,相比原YOLOv4算法,YOLOv4-DBF算法的AP值提高4.16个百分点,速度提升27%,将该算法加速部署在无人车中的TX2设备上进行实时测试,其检测速度达到23FPS,能够有效提高小目标行人检测的精度及实时性。     

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。     

基于改进YOLOv3的车辆检测算法

交通场景下的车辆检测问题存在小目标多、目标遮挡严重等情况,鉴于此,提出一种基于改进YOLOv3的车辆检测算法.由于小目标仅包含较少的像素,特征不明显,算法在空间金字塔结构中融入软池化操作,搭建Soft-SPP结构将多重感受野融合,通过软池化操作最大程度地保留细节,有效提取小目标特征;引入坐标注意力机制,在调整每个通道特征分配权重的同时能够捕捉具有精确位置信息的远程依赖关系;提出一种新的损失函数KIoU Loss作为边界框损失函数,同时考虑边界框的关键点与长宽比使之回归更加准确.实验结果表明,改进后的算法在自动驾驶KITTI数据集上平均精度达到94.69%,相比原始YOLOv3算法精度提升4.13%,且检测速度仅下降3.16 frame·s^-1,在保持检测速度的情况下能够明显提升检测精度.     

基于改进YOLOv5的X射线安检图像违禁品目标检测算法

为进一步提高安检X射线图像中违禁品的检测精度与速度,提出一种改进YOLOv5的X射线安检图像违禁品目标检测算法。具体改进的内容：一是加入了掩码自注意力机制模块有效地捕捉全局上下文信息,增强了特征信息的表达能力;二是引入Quality Focal Loss损失函数有效缓解了类别不均衡问题,提高了对目标的定位精度。实验证明改进后的网络模型在安检数据集上得到了提升,满足安检检测需求。     

基于CotNet改进YOLOv5的接地线目标检测

在化工厂区的油罐车装卸区,防止油罐车静电的产生和危害是避免加油车燃爆的重要手段,通过静电接地线可以将油罐车感应的静电导走,避免与外界物质产生跳火.如何确保接地线在装卸车流程中正确安装不会被意外拆卸或提前拆卸是厂区急需解决的问题.为确保在防爆区内用防爆摄像头的情况下能够对实时画面进行实时检测,针对接地线连接角度不一,拉伸后变细等特点提出将深度学习YOLOv5目标检测算法通过引入自注意力机制CotNet的方法.在自制的接地线数据集上进行算法的检测速度和检测精度对比,实验结果表明,改进后的YOLOv5算法在速度稍有降低的情况下提高了5%的检测精度,可以满足现场接地线检测需求.     

基于改进YOLOv5的工业钢材瑕疵检测算法

针对工业钢材瑕疵检测过程中存在的对多类别瑕疵检测精度低、效率低的问题,提出一种基于改进YOLOv5的瑕疵检测算法。首先在主干网络添加协同注意力机制,嵌入目标位置信息从而提升特征提取能力;然后改变边框回归的损失函数为CIoU Loss,提升对检验框定位的准确度;最后利用Ghost模块轻量化特点提出C3Ghost结构替换路径聚合层中的C3结构,减少模型参数量。测试结果表明,改进后的算法mAP值提升了2.6%,模型参数量减少了13.3%。验证了改进算法对工业钢材的多类别瑕疵检测的有效性。     

基于改进YOLOv5的车辆端目标检测

在自动驾驶应用场景下,将YOLOv5应用于目标检测中,性能较之前版本有明显的提升,但在高运行速度情况下检测精度仍不够高,本文提出一种基于改进YOLOv5的车辆端目标检测方法.为解决训练不同数据集时需手动设计初始锚框大小,引入自适应锚框计算.在主干网络(backbone)添加压缩与激励模块(squeeze and excitation,SE),筛选针对通道的特征信息,提升特征表达能力.为了提升检测不同大小物体时的精度,将注意力机制与检测网络融合,把卷积注意力模块(convolutional block attention module, CBAM)与Neck部分融合,使模型在检测不同大小的物体时能关注重要的特征,提升特征提取能力.在主干网络中使用空间金字塔池化SPP模块,使得模型输入可以输入任意图像高宽比和大小.在激活函数方面,进行卷积操作后使用Hardswish激活函数,应用于整个网络模型.在损失函数方面,使用CIoU作为检测框回归的损失函数,改善定位精度低和训练过程中目标检测框回归速度慢的问题.实验结果表明,改进后的检测模型在KITTI 2D数据集上测试,目标检测的精确率(preci...     

改进YOLOv5的交通标志检测算法

交通标志检测在自动驾驶、辅助驾驶等智能交通系统已得到广泛应用,其检测性能关乎到行车安全。针对现有目标检测算法对图像中尺寸小、分辨率低和特征不明显的交通标志检测效果较差的问题,提出了一种基于改进YOLOv5s的交通标志检测算法。将原算法中80×80小感受野目标检测层改为感受野更小的160×160检测层,提高网络模型对交通标志小目标的检测能力,降低小目标的漏检率;构建了注意力上下文模块（attention context module,ACM）,对各分支获取不同的感受野,得到目标及其相邻区域的特征信息,并且使用注意力机制,让网络更关注于图像中的交通标志,避免受其他复杂信息的影响;加入特征融合模块（feature fusion module,FFM）,过滤不同层上的无用信息,只保留对模型检测交通标志有用的信息;加入隐性知识,对检测层进行输出细化。实验结果表明,改进后的算法在CCTSDB交通标志检测数据集上召回率和平均精度达到94.7%、97.6%,相比原模型均有提升,在中远距离小目标检测下效果改善明显,同时检测速度为47.3 FPS,满足实时性要求。     

一种改进YOLOv5s的多尺度目标检测算法

针对多尺度目标检测准确率偏低的问题,提出了一种基于YOLOv5s改进的多尺度目标检测算法。在YOLOv5s主干网络与Neck网络之间融合CBAM模块,增强模型对多尺度目标重要特征信息的提取能力;同时,在模型的Head部分增加多尺度目标检测结构,提高不同尺度目标检测精度;训练时采用CIoU替代GIoU损失函数,以提高模型收敛能力,实现高精度目标定位。数据集来源于实际场景中采集并增强的4万余张图像。实验结果表明,改进后的模型对行人、车辆和人脸的多尺度目标检测平均精度达92.1%,相比未改进YOLOv5s算法提升了3.4%。模型的收敛性好,对密集场景的目标,小尺度目标检测准确度更加突出。     

改进YOLOv5的白细胞检测算法

针对白细胞数据样本少、类间差别小及目标尺寸小导致的检测精度低、效果不佳等问题,提出一种基于改进YOLOv5的白细胞检测算法YOLOv5-CHE.在主干特征提取网络的卷积层中添加坐标注意力机制,以提升算法的特征提取能力;使用四尺度特征检测,重新获取锚点框,增加浅层检测尺度,来提高小目标的识别精度;改变边框回归损失函数,以...     

基于改进的YOLOv4模型的行人检测算法

为提高行人检测算法在实际应用中的准确率,提出在YOLOv4模型中融合Vision Transformer模型与深度可分离卷积的vit-YOLOv4模型。该模型将Vision Transformer模型加入YOLOv4模型的主干特征提取网络与空间金字塔池化层中,充分发挥该模型的多头注意力机制对图像特征进行预处理的能力;同时,用深度可分离卷积替换路径聚合网络中堆叠后的常规卷积,以便模型在后续的特征提取中能够提取出更多有用的特征。实验结果表明,vit-YOLOv4模型提高了行人检测的准确率,降低了漏检率,综合性能较优。     

改进YOLOv5的织物疵点检测算法

针对目前应用到织物疵点检测的网络模型中存在的两阶段算法检测速度慢、一阶段算法检测精度低的问题,提出了一种改进YOLOv5的织物疵点检测算法。针对织物疵点大小不一的问题,对K-mean算法的聚类距离标准进行修改,重新计算先验框大小;对网络Neck层标准卷积（standard convolution,SC）进行改进,将深度分离卷积（depth separation convolution,DSC）与标准卷积结合,减少网络层参数量,同时保持网络的特征提取能力;在特征融合阶段引入坐标注意力机制（coordinate attention,CA）,使网络能够捕捉各通道之间联系的同时保留目标的精确定位信息,加强网络的特征提取和定位能力;使用加权双向特征金字塔网络（bidirectional feature pyramid network,BiFPN）中的方法,对特征金字塔模块进行修改,实现简单快速的多尺度特征融合。在数据集上进行训练,结果表明,改进的YOLOv5模型的mAP值可达到97.4%,相比于原网络精度提高了2.8个百分点,满足了织物疵点检测的要求。     

基于改进YOLOv5的电厂人员吸烟检测

发电厂厂区内违规吸烟易导致火灾、爆炸等事故,会带来巨大损失;针对电厂内人员违规吸烟行为检测精度不高的问题,提出一种基于改进YOLOv5s(You Only Look Once v5s)的电厂内人员违规吸烟检测方法;该方法以YOLOv5s网络为基础,将YOLOv5s网络C3模块Bottleneck中的3×3卷积替换为多头自注意力层以提高算法的学习能力;接着在网络中添加ECA(Efficient Channel Attention)注意力模块,让网络更加关注待检测目标;同时将YOLOv5s网络的损失函数替换为SIoU(Scylla Intersection over Union),进一步提高算法的检测精度;最后采用加权双向特征金字塔网络(BiFPN,Bidirectional Feature Pyramid Network)代替原先YOLOv5s的特征金字塔网络,快速进行多尺度特征融合;实验结果表明,改进后算法吸烟行为的检测精度为89.3%,与改进前算法相比平均精度均值(mAP,mean Average Precision)提高了2.2%,检测效果显著提升,具有较高应用价值。     

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。