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%。     

改进YOLOv5的X光图像违禁品检测算法

针对X光图像违禁品检测中的复杂背景、正负类别不平衡和漏检等问题，提出一种基于YOLOv5的X光违禁品检测算法。该算法通过在YOLOv5s骨干网络中引入Swin Transformer模块，利用局部自注意力与Shifted Window机制提升模型对X光图像全局特征的提取能力，并且在主干网络后增加空间注意力机制与通道注意力机制，以提升算法对违禁品关键特征的提取能力。引入一种自适应空间特征融合结构，缓解特征金字塔中不同层级特征图之间冲突对模型梯度的干扰。引入Focal Loss函数用于改进YOLOv5s的背景预测损失函数和分类损失函数，提升算法在正负样本与难易样本失衡情况下的检测能力。该算法在公开数据集SIXray100上的平均检测精度达到57.4%，相比YOLOv5s提高了4.5个百分点；在SIXray正样本数据集上的平均检测精度达到90.4%，相比YOLOv5s提高了2.4个百分点。实验结果表明，改进后的算法相比原始YOLOv5s算法检测精度有较大提升，证明了算法的有效性。     

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。     

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。     

基于YOLOv5的交通标志识别

交通标志识别是自动驾驶技术中的关键一部分.针对交通标志在道路场景中目标较小且识别精度较低的问题,提出一种改进的YOLOv5算法.首先在YOLOv5模型中引入全局注意力机制(GAM),提高网络捕获不同尺度交通标志特征的能力;其次将YOLOv5算法中使用的GIoU损失函数更换为更具回归特性的CIoU损失函数来优化模型,提高对交通标志的识别精度.最后在Tsinghua-Tencent 100K数据集上进行训练,实验结果表明,改进后的YOLOv5算法对交通标志识别的平均精度均值为93.00%,相比于原算法提升了5.72%,具有更好的识别性能.     

基于改进YOLOv5s的烟支外观缺陷检测方法

烟支外观缺陷自动检测是卷烟厂产品质量检测中的重要步骤,它对提升卷烟质量有很大的作用。针对烟支自动化生产过程中生产速度快、要求检测精度和分类精确率高等现状,提出了一种基于改进YOLOv5s的烟支外观缺陷检测方法。首先,使用LabelImg工具对原数据进行标记,并进行合适的数据增强;其次,在YOLOv5s网络的主干模块引入了通道注意力机制,增强模型的表达能力;然后,优化激活函数,采用Swish,提升网络分类效果;最后,优化损失函数,采用DIoU,以更好地对小目标进行检测。实验结果表明,改进的YOLOv5s方法在烟支外观数据集上的精确率达到了90.9%,召回率达到了86.8%,平均检测精度达到了94.0%。与原始的YOLOv5s网络对比,精确率上升了4.1%,召回率上升了4.5%,平均检测精度上升了3.3%。而在平均检测速度上面,改进的YOLOv5s和原始的YOLOv5s网络相比只增加了0.1 ms/支,也能满足目前烟支生产流水线的检测速度需要。因此,改进后的YOLOv5s算法提升了传统烟支自动化生产过程中的检测精度和速度,能投入到烟支外观缺陷检测应用中。     

基于改进YOLOv5s的两种输电杆塔缺陷检测研究

国内的电力事业发展迅速,输电杆塔的缺陷检测与修复是保证电网安全运行的关键技术手段。当前主要是人为识别输电杆塔的缺陷,工作负担巨大。故以YOLOv5s网络为基础,提出一种改进YOLOv5s目标检测算法,提升检测效率。在基础模型上引入Focal-EIoU损失函数,提升模型收敛速度与精度;在卷积层引入Hardswish激活函数,提高模型的表达能力,查准率得到提升;上调算法推理的置信度阈值conf-thres,减少模型推理的误检情况,提升模型正检率。另外在研究中尝试融入注意力机制提升网络特征提取能力,但效果不好,故舍弃此改进策略。实验结果表明,改进模型的各项指标均获得了提升,查准率由92.96%提升至95.02%,上涨了2.06百分点;查全率由87.36%提升到了87.38%;mAP@.5∶mAP@.5∶.95(0.1∶0.9)由0.644 3提升至0.648 1,上涨了0.38百分点;模型检测速度FPS提高了4.4。     

基于轻量级卷积神经网络的人脸检测算法

针对人脸检测在移动端应用时面临的移动设备计算能力及存储资源受限等问题,设计一种基于轻量级卷积神经网络的改进人脸检测算法Lightweight-SSH。基于单点无头人脸检测器（SSH）人脸检测算法,采用基于MobileNet的轻量级卷积神经网络对样本数据进行特征提取,减少模型的参数量和计算量,通过在SSH网络的检测模块中引入可变形卷积层,提升卷积神经网络对人脸形变的建模能力。在Wider Face数据集上的实验结果表明,与常用人脸检测算法相比,Lightweight-SSH算法在保证检测精度的前提下,明显降低模型复杂度,并提高了模型检测速度。     

改进YOLOv5的轻量级不规范驾驶行为实时检测

针对现有的不规范驾驶行为检测算法占用内存多、计算量大、难以在边缘设备部署且在昏暗条件下对检测目标有干扰等问题,提出了一种改进YOLOv5模型的轻量级不规范驾驶行为实时检测算法。将SE注意力机制引入到YOLOv5模型的Backbone网络部分,再将Backbone网络里的CSP模块替换为轻量化的GhostBottleNeck网络模块,从而减少模型的参数量;将原网络中的激活函数改进成SiLU函数,可提高模型检测的准确率,增强模型的鲁棒性;对改进的模型以及原网络进行相关的测试,验证所修改方法的有效性以及实时性。实验结果表明,改进后的YOLOv5-GS算法提高了对不规范驾驶行为的检测精度,参数量降低20.75%,检测速度提升75%,极大地降低了所需的硬件成本,适用于在小型边缘设备上部署。     

改进YOLOv5的轻量化口罩检测算法

为了提高现有口罩检测算法检测效率，降低算法参数量以及模型大小，提出了一种改进的轻量化口罩检测算法YOLOv5-MBF。用GELU激活函数替换MobileNetV3深层网络的hard-swish激活函数，优化了模型收敛效果，将改进的MobileNetV3网络替换YOLOv5s主干网络，降低计算量提高模型检测速度。增加BiFPN特征金字塔结构与不同特征层融合，提高了检测精度。在数据处理方面使用Mosaic和Mixup数据增强提高该模型的泛化性和鲁棒性。边框回归损失函数使用Focal-Loss EIoU，优化了模型训练收敛速度且提高了口罩和人脸边框定位精度。最后添加CBAM注意力机制使得模型更关注重要特征抑制不显著特征提高检测性能。实验结果表明，该算法在佩戴口罩目标和无佩戴口罩目标上的平均精度均值达到了89.5%，模型推理速度提升了43%，模型参数了减少了49%，模型大小降低了48%，满足口罩检测任务的实时性和检测精度要求。     

基于边缘设备和改进YOLOv5算法的车牌号码识别

自动识别车牌号码是智慧交通中的重要内容,针对现有车牌识别算法计算量大,不满足微型化、实时性等需求,提出一种基于边缘设备和改进YOLOv5算法的车牌号码识别方法。首先,构建车牌数据集;其次,通过改进YOLOv5网络模型架构,并引入注意力机制,提升对车牌号码的检测能力,并与未改进的YOLOv5算法作性能对比;最后,将Intel Movidius NCS2与树莓派硬件设备结合,进行实时推理。实验结果表明,改进的YOLOv5算法在边缘设备上的实时画面推理速度最快达到3.316 ms,YOLOv5算法推理速度为5.772 ms,改进的YOLOv5算法与原算法相比,其推理速度平均提升了13.41%。本文提出的方法能在边缘设备上提高车牌检测速度,并达到较高的准确率。     

基于BiFPN改进的深度学习口罩人脸检测方法

准确检测人员是否佩戴口罩对于保证食品生产环境的卫生、预防疾病的传播等具有重要意义。文章改进了YOLOv5算法的网络结构,首先基于双向特征金字塔网络(BiFPN)改进了YOLOv5网络的颈部(Neck)结构,然后使用K-means聚类算法对数据集进行聚类分析,提出YOLOv5＿BM口罩人脸检测算法。在自制人脸口罩数据集上的测试结果表明,YOLOv5＿BM算法的平均精度高达95.3%,相比YOLOv5网络提升了3.8%。在公开数据集上与其他经典的目标检测算法相比,YOLOv5＿BM算法在性能方面也取得了提升,相比SSD算法,YOLOv5＿BM算法的平均精度提高了4.4%;相比YOLOv3算法,YOLOv5＿BM算法的平均精度提高了2.9%。     

基于巡逻无人机的轻量型安全帽佩戴检测方法与应用

目前,安全帽检测系统主要使用固定摄像头,无法实现全区域检测,而基于深度学习的检测算法结构复杂、计算成本高,无法满足移动端和嵌入式设备的部署要求。针对上述问题,该文提出一种基于无人机的安全帽轻量型视觉检测算法。系统通过无人机平台搭载的相机对施工现场进行图像采集,并无线传输至后台计算机进行处理,检测算法基于 YOLOv5s 框架进行了轻量化改进。针对无人机采集影像中目标占比较小的问题,该文采用了多尺度检测、图像预处理、正负样本不均衡等方法,对 YOLOv5s 目标检测算法进行针对性改进。测试结果表明,与原模型相比,轻量型目标检测模型的平均精度均值仅下降了 1.72%,但在同一 CPU 上的推理速度提升了 1 倍,浮点计算量由原来的每秒 165 亿次压缩至每秒 34 亿次,模型大小约为原模型的 1/10。     

改进YOLOv5s的非机动车头盔佩戴检测方法

针对传统非机动车头盔检测算法目标漏检率高,在密集骑行场景下检测精度低等问题,提出了一种基于改进YOLOv5s的非机动车头盔佩戴检测算法。该算法采用Kmeans++算法聚类生成锚框,增强网络的稳定性;接着使用轻量级通用上采样算子(CARAFE)对高阶特征图进行上采样操作,增大感受野,充分利用特征语义信息;同时在Backbone模块和Head端前引入坐标注意力机制(coordinate attention,CA),在保证轻量化的同时,进一步提高算法的检测精度;最后利用DIo U-NMS对目标检测模型的输出后处理,降低密集场景下模型的漏检率,改善遮挡物体的检测能力。与YOLOv5s算法相比,改进后的算法精确度、召回率、平均精度分别提升了2.3%、1.5%和1.5%,能够实现对非机动车头盔佩戴的高精度检测。     

改进的基于YOLOv3的人脸检测算法

针对因背景与人脸高度相似和人脸目标尺度过小而导致的人脸检测精度较低的问题,提出了一种改进的基于YOLOv3的人脸检测算法。首先使用遗传算法改进原算法中随机初始化的影响,生成更符合目标大小的预测框,其次用轻量级网络改进原特征提取网络,提高人脸检测速度,最后使用边框回归损失代替YOLOv3坐标损失函数并改进置信度损失函数以提升训练收敛速度和结果精度。所设计的算法模型在Wider Face数据集上的检测精度和速度得到了提升。     

轻量化YOLOv5n的高精度垃圾检测算法

针对现有部署至移动设备或嵌入式设备的生活垃圾检测模型参数量多，计算量大，且识别种类较少等问题，对YOLOv5n目标检测算法进行了轻量化、高精度的优化研究。在YOLOv5n的架构上引入轻量级网络ShuffleNetv2与GhostNet实现了检测网络的轻量化；同时添加注意力机制SE增强特征提取能力，以及引入基于响应的知识蒸馏算法提升定位和分类的准确率，从而提高目标检测精度。实验结果表明，在HGI-30数据集上，优化后的YOLOv5n的参数量和计算量分别减少22.3%和23.3%，检测精度mAP0.5和mAP0.5:0.95分别增加1.6个百分点和2.6个百分点。     

YOLOv5改进的轻量级口罩人脸检测

针对疫情防控下人脸识别应用出现人脸漏检、移动端平台的计算能力不足和硬件资源受限等问题,提出一种YOLOv5改进的轻量级口罩人脸检测模型.设计轻量化的C3Ghost模块替换原网络中的C3模块以压缩卷积过程的计算量和模型大小,在主干网络中添加注意力机制以提高网络的特征提取能力,并改进边框回归损失函数以提高检测速度和精度.实验结果表明,改进后的模型计算量和参数量分别降低了29.79%和33.33%,模型权重文件大小仅有2.8 M,减轻了对硬件条件的依赖,同时模型的检测率达到了96.6%,相比现有轻量级模型优势突出,能够有效地应用于人脸识别之中.     

基于YOLOv5s-SDE的带式输送机煤矸目标检测

传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励（SE）模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明：YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值（mAP）达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Gho...     

基于改进YOLOv5算法的管道漏磁信号识别方法

长输油气管道作为能源运输的主要方式,安全问题至关重要;管道漏磁内检测技术作为管道缺陷检测的重要方法之一,在管道安全保障中发挥着重要作用;人工智能技术可实现管道内检测数据的自动识别,对于减少人力工作量,减少人为误差,提升数据判读准确性具有重要意义;通过引入损失函数Distance-IoU对目标检测算法YOLOv5进行改进,利用改进YOLOv5算法对管道漏磁数据进行训练,使之具有对漏磁缺陷信号自动识别的能力;通过实验,对实际漏磁内检测数据进行识别;结果表明,改进的YOLOv5算法实现了管道缺陷漏磁信号的自动检测识别;并且在相同的训练条件下,改进的YOLOv5算法相较于原始算法准确率有明显的提升,在识别缺陷数量上其精度达到92.8%,比原算法提升了3.22%,改进后的模型损失函数平均损失率为3.6%,比原始YOLOv5模型降低了2.2%,表明该方法在管道缺陷漏磁数据自动识别检测方面具有较好的可行性。     

改进YOLOv5s的交通标志识别算法

为了准确且实时地检测到交通标志指示牌,减少交通事故的发生和推动智慧交通的发展,针对现有的道路交通标志检测模型存在的精度不足、权重文件大、检测速度慢的问题,设计了一种基于计算机视觉技术的改进YOLOv5s检测算法YOLOv5s-GC.首先,使用copy-paste进行数据增强后再送入网络进行训练,加强对小目标的检测能力;然后,引入Ghost来构建网络,削减原网络的参数和计算量,实现轻量化模型;最后,将坐标注意力机制(coordinate attention)融合到骨干网络里,增强对待测目标的表示和定位能力,提高识别精度.实验结果表明,YOLOv5s-GC模型相比于原YOLOv5s模型,参数数目减少了12%,检测速度提高了22%,平均精度达到了94.2%,易于部署且能满足实际自动驾驶场景中对识别交通标志的速度和准确度要求.