基于改进YOLOv5的电子元件表面缺陷检测算法

目标检测模型在电子元件生产环境中的实时检测能力不佳，为此采用GhostNet替换YOLOv5的主干网络.针对电子元件表面缺陷存在小目标及尺度变化较大的目标的情况，在YOLOv5主干网络中加入坐标注意力机制，在避免大量计算资源消耗的前提下增强感受野，将坐标信息嵌入通道注意力中以提升模型对目标的定位.使用加权双向特征金字塔网络结构替换YOLOv5特征融合模块中的特征金字塔网络(FPN)结构，提升多尺度加权特征的融合能力.在自制缺陷电子元件数据集上的实验结果表明，改进的GCB-YOLOv5模型平均精度达到93%，平均检测时间为33.2 ms，相比于原始YOLOv5模型，平均精度提高了15.0%，平均时间提升了7 ms，可以同时满足电子元件表面缺陷检测精度与速度的需求.     

基于改进YOLOv5的工程场景行人检测方法

针对复杂工程场景常用的行人检测方法(尤其在小目标检测方面)精度低、复杂度高的问题，提出一种基于YOLOv5网络的改进识别方法。在骨干网络与颈部网络引入ECA注意力机制，提升模型对通道特征的关注度以抑制背景噪声；使用加权双向特征金字塔结构BIFPN对颈部网络进行修改，加强模型对不同尺度特征融合；使用Ghost模块替换骨干网络与颈部网络的部分卷积，减少模型参数、缩小体积。结果表明：提出的改进模型检测精度达到了88.4%,同时，模型的复杂度(参数量与模型大小)仅为13.5×10⁶与6.67 MB;与目前主流的深度学习方法相比，该算法在检测精度与复杂度上具有更好的性能，在复杂的场景下具有较好的识别效果。     

CGB-YOLO:用于检测钢铁表面缺陷的YOLO算法

针对YOLOv5对金属表面细小缺陷或微观缺陷的检测结果易受背景干扰的问题,提出了一种改进的金属表面缺陷检测算法。通过在主干网络引入坐标注意力机制,提高模型对缺陷的关注度;将主干网络中的一些CBS和C3模块替换为GhostNetV2结构构建轻量级的网络,优化模型的性能和效率;在Neck层采用双向特征融合网络(BiFPN)来增强颈部以产生丰富的表征,加深整个网络并重用低层次的特征。最后,广泛的实验结果表明,CGB-YOLO在NEU-DET上的精度达到75.0%mAP,比改进前提高了3.8%。该模型在金属表面缺陷检测中具有较好的综合性能。     

基于改进YOLOv5s的桥梁螺栓缺陷识别方法

针对现有算法在检测桥梁螺栓缺陷时因螺栓背景复杂和尺寸较小而导致的特征提取不充分、目标定位不精确问题,提出了一种基于改进YOLOv5s的桥梁螺栓缺陷识别方法。该方法在骨干网络中引入注意力机制以提升模型对螺栓特征的提取能力并加深对螺栓全局特征的关注度;优化空间金字塔池化结构以减少螺栓特征信息流失;采用MPDIoU作为边界框回归损失函数,提高螺栓边界框的回归精度;将YOLO检测头解耦以消除目标检测中分类任务和回归任务共享检测头对边界框位置回归的负面影响。在螺栓锈蚀、螺栓松动、螺栓脱落和螺母脱落4类典型缺陷螺栓以及正常螺栓的3810张自制螺栓图像数据集上进行训练和测试,实验结果表明：本文算法对螺栓缺陷的检测精度达到90.8%,相较于YOLOv5s提升了3%,均值平均精度达到92.6%,相较于YOLOv5s提升了4.3%,可以应用于桥梁螺栓的缺陷智能识别。     

基于改进YOLOv5s的电厂捞渣机状态异常检测

针对电厂生产作业现场光照条件受限、背景复杂这一现状,为了保障捞渣机的安全高效运行,提出了一种改进YOLOv5s的捞渣机异常状态检测方法。该方法主要是在YOLOv5s网络的基础上,引入ShuffleNet替换原有的主干网络,通过减少网络参数来实现网络的轻量化;同时在ShuffleNet中加入改进的卷积注意力模块,通过串联空间和通道注意力机制,对捞渣机刮板目标特征给予更多的关注;引入加权双向特征金字塔BiFPN和边框回归损失SIoU函数获取特征信息更为有效的特征图提升目标检测精度。研究结果表明,改进后的模型参数量显著减少,模型体积减小了15.2%,平均精确率均值mAP提升了2.2%,检测时间下降了58.0%。在确保检测准确率的同时,实现了对捞渣机异常状态的实时准确检测。     

改进YOLOv5的沥青路面裂缝检测方法

针对YOLOv5在裂缝图像目标检测中未能考虑到裂缝图像背景复杂,检测目标较小导致检测效果不佳和易出现误检漏检的问题,提出了一种改进YOLOv5的沥青路面裂缝检测方法。该算法首先将轻量级Mobilenet v3的网络作为YOLOv5的特征提取骨干网络,以降低模型复杂度并加快推理速度。同时,在网络预测端引入高效通道注意力机制,提升网络局部特征捕获和融合能力。最后,通过一个嵌入Panet模块来强化裂缝图像的多尺度特征表达能力,提高对小目标的检测效果。实验结果表明,相比于原始YOLOv5算法,改进后的YOLOv5进行沥青路面裂缝检测的平均精度提高了5.6%,模型参数量降低了86.3%,图像检测时间减少了75.8%。     

基于CA-BIFPN的交通标志检测模型

正确、快速的交通标志检测可为自动驾驶领域的环境感知提供重要信息．针对目前交通标志检测识别率低及多种交通标志检测存在的误检漏检等问题,提出一种协调注意力-双向特征金字塔网络（coordinate attention-bidirectional feature pyramid network, CA-BIFPN）交通标志检测模型．该模型将YOLOv5(you only look once version 5)模型和协调注意力（coordinate attention, CA）机制相结合,引入双向特征金字塔网络（bidirectional feature pyramid network, BIFPN）,通过跳连特征融合提高模型的多尺度语义特征利用效率,在提高小目标物体检测效率的同时,也使交通标志的检测精度得到提高．以交通标志数据集TT100K为测试对象进行实验验证,结果表明,与SSD(single shot multibox detector)模型和YOLOv5模型相比,CABIFPN交通标志检测模型的检测准确率分别提高4.5%和1.3%,验证模型有效．     

利用注意力机制融合的YOLOv5遥感图像目标检测

遥感图像目检测与识别是近年来国内外研究的热点之一。针对检测任务中因目标密集分布、目标尺度不一所导致的精度不高等问题，提出了一种改进YOLOv5的融合注意力机制目标检测算法。首先，将坐标注意力机制(Coordinate Attention, CA)分别融合到YOLOv5的骨干网络、颈部和输出端3个位置，以提高模型的特征提取能力。其次，进行训练和测试，实验结果表明，骨干网络位置最适合融合注意力，能够有效增强模型的检测性能。再次，采用CIoU＿loss作为损失函数，以改善目标检测框的定位精度。最后，进行消融、对比实验，结果表明，提出的改进算法相较于原始YOLOv5算法具有更好的检测性能，mAP50提高了2.9个百分点，有效提高了遥感图像的目标检测精度。     

基于深度学习的废钢分类评级方法研究

废钢是现代钢铁工业重要的铁素来源，是钢企实现碳中和的重要原料。不同级别的废钢价格悬殊，其质量直接影响钢企的生产成本和产品质量，因此，废钢入炉前的分类和评级问题，受到钢企的普遍重视和高度关注。针对传统人工方法在废钢的分类评级中所出现的效率低、安全性和公正性差等问题，提出基于深度学习中的卷积注意力机制和加权双向特征融合网络构建废钢分类评级模型CCBFNet。首先搭建废钢质量查验物理模型，模拟货车卸载废钢的生产作业场景，采用高分辨率视觉传感器采集不同类别的废钢图像。其次，在模型训练阶段设计了一种结合注意力与特征融合的废钢验质深度学习模型，将卷积注意力模块（Convolutional Block Attention Module，CBAM）加入主干网络对采集的废钢图像数据集进行特征提取，聚焦并保留图像的重要特征；使用加权双向特征金字塔（Bidirectional Feature Pyramid Network，BiFPN）平衡多尺度特征信息，进行多尺度特征融合。最后，在模型预测阶段，利用所构建的废钢质量验质模型CCBFNet进行废钢类别和质量判级，验证模型的准确性与检测效率。基于自制废钢验证数据集，与主流的目标检测Faster R-CNN、YOLOv4、YOLOv5系列以及YOLOv7进行性能比较。实验结果表明：CCBFNet识别判级的平均准确度达到了90%，mAP为89.2%，均高于对比的目标检测模型，在准确性、实时性以及识别评级效率方面可完全满足实际生产应用，解决废钢分类评级过程中的诸多难题，实现废钢的智能验质和公正判定。     

基于改进YOLOv5的冲压件缺陷检测方法研究

冲压件在生产过程中容易出现裂纹、划痕、起皱、凹凸点等缺陷。目前,生产线上的冲压件缺陷检测以人工检测为主,效率低,且容易造成漏检。为此,提出了一种基于改进YOLOv5模型的缺陷检测算法。为了提高缺陷部分的关注度,更好地聚焦缺陷,本文在YOLOv5模型的主干网络中引入CA注意力模块。为了进一步提升模型的精度,本文通过对比实验,将目标框损失函数改为 GIoU,提升了定位精度。实验表明,相较于原模型,改进后的YOLOv5模型精准度、召回率、mAP值均得到提升。     

基于注意力与多级特征融合的YOLOv5算法

针对复杂场景下目标检测与识别精度较低的问题,提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制,增强对特征空间和通道信息的学习能力,同时在瓶颈网络中采用多级特征融合结构,对不同分支的特征进行融合,增加特征的丰富性,提升应对复杂场景的能力。此外,利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积,降低网络参数量和复杂度。结果表明：与传统的YOLOv5s算法相比,所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。     

旋转框定位的多尺度再生物品目标检测算法

针对传统目标检测算法未考虑实际分拣场景目标物形态尺度的多样性,无法获取旋转角度信息的问题,提出基于YOLOv5的改进算法MR²-YOLOv5. 通过添加角度预测分支,引入环形平滑标签（CSL）角度分类方法,完成旋转角度精准检测. 增加目标检测层用于提升模型不同尺度检测能力,在主干网络末端利用Transformer注意力机制对各通道赋予不同的权重,强化特征提取. 利用主干网络提取到的不同层次特征图输入BiFPN网络结构中,开展多尺度特征融合. 实验结果表明,MR²-YOLOv5在自制数据集上的均值平均精度(mAP)为90.56%,较仅添加角度预测分支的YOLOv5s基础网络提升5.36%;对于遮挡、透明、变形等目标物,均可以识别类别和旋转角度,图像单帧检测时间为0.02~0.03 s,满足分拣场景对目标检测算法的性能需求.     

MPE-YOLOv5:面向边缘计算的轻量化YOLOv5手势识别算法

针对边缘设备计算和存储能力差的问题,本文对传统YOLOv5模型中用于特征提取的主干网络CSPDarkNet53进行轻量化处理,提出了一种轻量化MPE-YOLOv5手势识别算法,以实现模型在低功耗边缘设备上的部署;针对轻量化模型提取特征较少而导致的难以识别大尺度变换目标和微小目标问题,对M-YOLOv5网络设计添加有效通道注意力机制(efficient channel attention, ECA),以缓解因特征通道减少而导致的高层特征信息丢失的问题;同时增加针对微小目标的检测层,提高对微小目标手势的敏感度;并选用EIoU作为预测锚框的损失函数,以提高模型的定位精度。本文在自制数据集和NUS-Ⅱ公共数据集上验证了MPE-YOLOv5算法有效性,并将MPE-YOLOv5算法与轻量化后的M-YOLOv5算法和原始的YOLOv5算法在自制数据集上进行了对比实验。实验结果表明,改进算法的模型参数量、模型大小和计算复杂度分别是原算法的21.16%、25.33%和27.33%,平均精度可达97.2%;与轻量化模型M-YOLOv5相比,MPE-YOLOv5能够在保持原来效率的同时,使平均精度提升8.7...     

基于改进YOLOv7的番茄果实目标检测

针对农业采摘机器人在采摘过程中面临果实重叠、果实遮挡和果实体积小难以识别等一系列问题,提出一种改进YOLOv7网络对番茄果实进行目标检测。首先在YOLOv7网络结构中增加SimAM注意力模块和CA注意力模块,提高网络特征提取能力;其次结合特征融合网络的张量拼接操作与加权特征金字塔,提高特征融合能力;再用Soft-NMS算法代替NMS算法,增加网络对重叠区域的检测能力;最后将CIOU Loss替换成EIOU Loss,优化网络性能。实验结果表明,改进后的 YOLOv7网络 mAP值可达 96.7%,准确率为 96.2%,召回率为 99.0%,满足网络对番茄检测精度的要求。     

联合多尺度与注意力机制的遥感图像目标检测

遥感图像存在背景复杂、目标尺度差异大且密集分布等不足,为提高现有算法的检测效果提出联合多尺度与注意力机制的遥感图像目标检测算法. 改进空洞空间金字塔池化模块,增大不同尺寸图像的感受野;提出注意力模块用于学习特征图通道信息和空间位置信息,提升算法对复杂背景下遥感图像目标区域的特征提取能力;引入加权双向特征金字塔网络结构与主干网结合来增进多层次特征的融合;使用基于距离的非极大值抑制方法进行后处理,改善检测框易重叠的问题. 在DIOR和NWPUVHR-10数据集上的实验结果表明：所提算法的平均精度均值mAP分别达到71.6%和91.6%,相比于主流的YOLOv5s算法分别提升了2.9%和1.5%. 所提算法对复杂遥感图像取得了更好的检测效果.     

基于改进YOLOv3的印刷电路板缺陷检测算法

针对现有基于深度学习的印刷电路板(PCB)缺陷检测算法无法同时满足精度和效率要求的问题，提出基于YOLOv3改进的AT-YOLO算法来检测PCB缺陷.将主干网络替换为ResNeSt50，提高特征提取能力，减少参数量.引入SPP模块，融合不同感受野的特征，丰富了特征的表达能力.改进PANet结构替换FPN，插入SE模块提升有效特征图的表达能力，增加1组高分辨率特征图的输入输出，提升对小目标物体的敏感程度，检测尺度由3个增加到4个.使用K-means算法重新聚类生成锚框尺寸，提高了模型的目标检测精度.实验证明，AT-YOLO算法在PCB缺陷检测数据集上的精度均值AP_0.5达到98.42%，参数量为3.523×107，平均检测速度为36帧/s，满足精度和效率的要求.     

基于改进YOLOv8s的鼓形滚子表面缺陷检测算法

为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级间的跨尺度连接和同尺度下的跨层连接,有助于小目标特征信息在卷积网络的传递.在头部增加小目标检测层,提高模型对小缺陷的检测能力.在损失函数方面,利用动态非单调聚焦的Wise-IOU的边界框损失函数替换CIOU,在加快网络收敛的同时,提高网络检测的精度.在自制的鼓形滚子缺陷数据集上进行测试,结果表明,改进的YOLOv8s在倒角数据集、侧面数据集、端面数据集的mAP@0.5分别达到0.911、0.983、0.935,相比于YOLOv8s,m AP@0.5分别提高了6.4%、3.3%、4%,精确度和召回率也有一定的提升,平均每张图片的检测时间为23 ms.与原模型相比,改进的YOLOv8s对小目标缺陷有更好的定位能力和检测精度,检测速度能够满足工业大批量检测的要求.     

基于YOLOv4-MP的绝缘子爆裂缺陷检测方法

针对输电线路绝缘子爆裂缺陷检测中缺陷目标小、背景复杂多样导致检测精度低的问题，提出了一种基于YOLOv4改进的检测算法YOLOv4-MP。首先，为减少复杂背景的干扰，在特征提取网络中嵌入Shuffle Attention注意力模块，使模型能够提取到更加有效的特征信息。其次，为增强特征融合的效果，在空间金字塔池化中引入带空洞的池化层，能够有效增大感受野。最后，为减少低层信息的丢失，采用Mish函数作为路径增强网络的激活函数。实验结果表明，YOLOv4-MP的平均精度均值(Mean Average Precision, mAP)达到了93.60%，比YOLOv4算法提升了6.37%。与常用的检测算法相比，YOLOv4-MP具有更好的检测性能，对于绝缘子爆裂缺陷检测具有较大应用价值。     

基于注意力模型的输电线路隐患检测

为了提高输电线路巡检效率，解决高空悬挂物和鸟巢检测准确率低的问题，提出将注意力模型集成到YOLOv5网络的输电线路隐患检测算法。该算法将SE注意力模型融入YOLOv5网络当中，得到通道级别的全局特征，增强模型对通道特征的敏感性，提高了对高空悬挂物和鸟巢检测的准确率。在一组输电线路隐患图像上进行广泛实验，结果表明，带有注意力模型的YOLOv5网络对高空悬挂物检测的平均准确率为84.2%，对鸟巢的平均准确率为87.4%，该方法检测到的m AP值比直接使用YOLOv5算法高2%。     

基于YOLOv3改进的用户界面组件检测算法

针对传统方法识别用户界面(UI)组件时,无法进行组件分类的问题,本文提出了基于经典目标检测算法YOLOv3改进的算法用于UI组件检测任务,包括识别和分类。特征提取网络采用DenseNet紧密连接结构使提取到的特征能够充分使用;在特征提取网络中加入通道注意力机制和空间注意力机制,使用加权的特征代替原来的特征用于后面的特征融合;构造4个维度的特征金字塔网络完成组件检测任务;使用Focalloss作为分类损失函数。在收集的真实UI数据集上进行实验,实验结果表明:在检测精度上,本文方法的召回率达到了91.97%,平均精度mAP达到了48.21%,相比传统检测方法,本文方法具有更好的性能。