基于改进YOLOv5的小目标检测

本文针对图像中小目标难以检测的问题,提出了一种基于YOLOv5的改进模型.在主干网络中,加入CBAM注意力模块增强网络特征提取能力;在颈部网络部分,使用BiFPN结构替换PANet结构,强化底层特征利用;在检测头部分,增加高分辨率检测头,改善对于微小目标的检测能力.本文算法在人脸瑕疵数据集和无人机数据集VisDrone2019两份数据集上均进行了多次对比实验,结果表明本文算法可以有效地检测小目标.     

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的目标检测算法研究

YOLOv5是目前单阶段目标检测性能较好的算法,但对目标边界回归的精确度不高,难以适用对预测框交并比要求较高的场景。基于YOLOv5算法,提出一种对硬件要求低、模型收敛速度快、目标框准确率高的新模型YOLO-G。改进特征金字塔结构（FPN）,采用跨层级联的方式融合更多的特征,一定程度上防止了浅层语义信息的丢失,同时加深金字塔深度,对应增加检测层,使各种锚框的铺设间隔更加合理;其次把并行模式的注意力机制融入到网络结构中,赋予空间注意力模块和通道注意力模块相同的优先级,以加权融合的方式提取注意力信息,使网络可根据对空间和通道注意力的关注程度得到混合域注意力;通过降低网络的参数量和计算量对网络进行轻量化处理,防止因模型复杂度提升造成实时性能的损失。使用PASCAL VOC的2007、2012两个数据集来验证算法的有效性,YOLO-G比YOLOv5s的参数量减少了4.7%,计算量减少了47.9%,而mAP@0.5提高了3.1个百分点,mAP@0.5：0.95提高了5.6个百分点。     

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的昏暗小目标交通标志识别

为了实时检测并识别路上的交通标志,针对在不良光照情况影响下小型交通标志的识别精确度较低、误检、漏检严重的问题,提出了一种基于改进YOLOv5的交通标志识别模型.首先在YOLOv5模型的浅层特征图层增加一次concat操作,将浅层的特征信息结合中间特征图层作为一个检测头,有利于小目标交通标志的识别效率.其次将坐标注意力机制添加到YOLOv5模型中,从而提高特征提取的效率.对中国交通标志数据集TT100K进行数据扩充和暗光增强的操作,最后在经过预处理的TT100K数据集上验证本文改进的模型检测效果.实验结果表明本文改进的模型对小目标及昏暗情况的交通标志识别效率有很大的提升.本文改进的YOLOv5模型与最初的YOLOv5模型均在扩充后的数据集上进行训练后的结果相比,在准确率上提升了1.5%,达到了93.4%;召回率提升了6.8%,达到了92.3%; mAP值提高了5.2%,达到了96.2%.     

基于改进YOLOv5的安全帽佩戴检测算法

现有的YOLOv5模型无法精确检测出进入复杂施工现场内的人员佩戴安全帽问题,本文提出了一种基于YOLOv5的安全帽检测算法。模型的具体改进方法为：在主干网络中新增了一个小目标层P2和3-D注意力机制SimAM,提升算法的特征提取能力便于能够更容易检测出小目标;将边框损失函数CIoU＿Loss改为SIo U＿Loss,以提升对小目标检测的训练速度与精度,从而得到一种新的安全帽佩戴检测模型。实验结果显示,修改后的YOLOv5s算法大大提高了复杂工程现场安全帽检测的准确率,较原有的算法提高了1.4个百分点,mAP值达到了95.5%。     

复杂环境下基于改进YOLOv5的手势识别方法

针对目前复杂环境下因光照不均匀、背景近肤色以及手势尺度较小等原因导致的手势检测算法识别率低的问题,提出了一种手势识别方法 HD-YOLOv5s。首先采用基于Retinex理论的自适应Gamma图像增强预处理方法降低光照变化对手势识别效果的影响;其次构建具有自适应卷积注意力机制SKNet的特征提取网络,提高网络的特征提取能力,减少复杂环境中的背景干扰问题;最后在特征融合网络中构建新型的双向特征金字塔结构,充分利用低层级特征以降低浅层语义信息的丢失,提高小尺度手势的检测精度,同时采用跨层级联的方式,进一步提高模型的检测效率。为了验证改进方法的有效性,分别在具有丰富光照强度对比的自制数据集和具有复杂背景的公共数据集NUS-Ⅱ上进行实验,识别率达到了99.5%和98.9%,单帧照片的检测时间仅需0.01～0.02 s。     

基于改进YOLOv8的嵌入式道路裂缝检测算法

在边缘端设备部署YOLOv8L模型进行道路裂缝检测可以实现较高的精度,但难以保证实时检测。针对此问题,提出一种可部署到边缘计算设备Jetson AGX Xavier上的基于改进YOLOv8模型的目标检测算法。首先,利用部分卷积设计Faster Block结构以替换YOLOv8 C2f模块中的Bottleneck结构,并将改进后的C2f模块记为C2f-Faster;其次,在YOLOv8主干网络中的每个C2f-Faster模块之后接一个SE(Squeeze-and-Excitation)通道注意力层,进一步提高检测的精度。在开源道路损害数据集RDD20(Road Damage Detection 20)上的实验结果表明：所提方法的平均F1得分为0.573,每秒检测帧数(FPS)为47,模型大小为55.5MB,相较于GRDDC2020 (GlobalRoadDamageDetection Challenge 2020)的SOTA(State-Of-The-Art)模型,F1得分提高了0.8个百分点,FPS提高了291.7%,模型大小减小了41.8%,实现了在边缘设备上对道路裂缝实时且准确的检...     

改进YOLOv5s的自动驾驶汽车目标检测

在自动驾驶领域, 由于道路背景复杂以及小目标信息缺失, 现有目标检测算法存在检测精度低的问题. 由于车载摄像头视角较为固定, 道路上的目标在图像空间中的分布具有一定的规律, 可以为自动驾驶汽车进行目标检测提供更为丰富的信息. 因此, 提出一种改进YOLOv5s的空间特征增强网络(SE-YOLOv5s). 在YOLOv5s的颈部网络中添加位置注意力模块(location attention module, LAM), 该模块能够根据道路目标在图像中的分布特征进行加权, 增强网络对目标类别位置分布的感知和定位能力. 设计一种小目标增强模块(small target enhancement module, STEM), 将浅层特征和深层特征进行融合, 可以获得更丰富的小目标语义信息和空间细节信息, 提高小目标检测效果. 实验结果表明, 改进模型对不同尺度目标检测精度均有所提高, AP_S提高2.8%, AP_M提高2.5%, AP_L提高2%.     

改进的YOLOv5烟雾检测模型

针对烟雾发生场景复杂,小目标烟雾检测困难的问题,提出一种改进的YOLOv5烟雾检测模型。为了增加模型对目标烟雾的检测精度,结合加权双向特征金字塔网络（BiFPN）结构对特征融合过程进行修改,并在通道和空间维度上加入混合注意力机制对融合特征图的权重进行重新赋值,在增强烟雾目标特征的同时抑制无关区域特征,使烟雾特征表达具有更高的鲁棒性;使用α-CIOU替换G-IOU作为预测框回归损失,提升预测框的预测精度;剔除分类损失以降低模型的复杂度。实验结果表明,改进后的YOLOv5烟雾检测模型相比于YOLOv5模型检测精度更高,其准确率达到99.35%,召回率达到99.18%,并且检测速度可达46 frame/s,该算法能有效提取烟雾的整体特征,对于复杂场景下的烟雾以及小目标烟雾检测任务更为适用。     

基于改进YOLOv5的安全帽佩戴检测算法

针对现有安全帽佩戴检测干扰性强、检测精度低等问题,提出一种基于改进YOLOv5的安全帽检测新算法。首先,针对安全帽尺寸不一的问题,使用K-Means++算法重新设计先验框尺寸并将其匹配到相应的特征层;其次,在特征提取网络中引入多光谱通道注意力模块,使网络能够自主学习每个通道的权重,增强特征间的信息传播,从而加强网络对前景和背景的辨别能力;最后,在训练迭代过程中随机输入不同尺寸的图像,以此增强算法的泛化能力。实验结果表明,在自制安全帽佩戴检测数据集上,所提算法的均值平均精度（mAP）达到96.0%,而对佩戴安全帽的工人的平均精度（AP）达到96.7%,对未佩戴安全帽的工人的AP达到95.2%,相较于YOLOv5算法,该算法对佩戴安全帽的平均检测准确率提升了3.4个百分点,满足施工场景下安全帽佩戴检测的准确率要求。     

融合注意力机制的 YOLOv5 口罩检测算法

新冠疫情期间正确佩戴口罩可以有效防止病毒的传播,针对公共场所存在的人员密集、检测目 标较小等加大检测难度的问题,提出一种以 YOLOv5s 模型为基础并引入注意力机制融合多尺度注意力权重的 口罩佩戴检测算法。在 YOLOv5s 模型的骨干网络中分别引入 4 种注意力机制,抑制无关信息,增强特征图的 信息表达能力,提高模型对小尺度目标的检测能力。实验结果表明,引入 CBAM 模块后较原网络 mAP 值提升 了 6.9 个百分点,在 4 种注意力机制中提升幅度最明显,而引入 NAM 模块后在损失少量 mAP 的情况下使参 数量最少,最后通过对比实验选用 GIoU 损失函数计算边界框回归损失,进一步提升定位精度,最终结果较 原网络 mAP 值提升了 8.5 个百分点。改进模型在不同场景下的检测结果证明了该算法对小目标检测的准确 率和实用性。     

基于 YOLOv5s 的轻量化森林火灾检测算法研究

针对过去无人机搭载嵌入式设备巡检森林火灾精确率低、适应性差和软硬件限制高等问题,提 出一种基于 YOLOv5s 的轻量化森林火灾目标检测算法。通过将 YOLOv5s 的骨干网络替换为轻量化网络 Shufflenetv2,并以通道重组的思想,让骨干网络对图片信息的提取效率变得更快,在保持网络精度的同时保证 检测速度;接着在 Backbone 与 Neck 的连接处加入为轻量化网络设计的 CA 位置注意力模块,可将图片不同的 位置信息聚合到通道中,使被检对象关注度得以提高;最后在预测部分使用 CIOU 损失函数,能够更好的优化 矩形框的长宽比和更快加速模型收敛。算法部署在嵌入式系统 Jetson Xavier NX 上的结果显示,改进后的网络 模型大小与对比实验方法相比,最多减少了 98%,准确率(Precision)达到 92.6%,精确率(AP)达到 95.3%,帧率 (FPS)提升到 132 帧每秒,能满足在白天、黑夜或视野良好等情况下对森林火灾的实时性预防与检测,并具有 良好的准确率和鲁棒性。     

基于改进YOLOv5的遥感图像目标检测研究

针对遥感图像中背景复杂度高、目标尺寸多样所导致的目标检测精度低的问题,提出一种基于改进 YOLOv5的遥感图像目标检测算法。该算法将具有Transformer风格的ConvNeXt网络作为主干网络,以克服卷积神经网络(CNN)结构的局限性,捕获更多全局信息。引入 SimAM 注意力机制在不增加网络参数的情况下,推断出特征图的3D注意力权值,提高网络的稳定性以及抗干扰能力。同时采用全局显式集中调节方案的集中特征金字塔(CFP),捕获全局长距离依赖关系以及遥感图像的局部关键区域信息。将本文提出的算法在 RSOD 数据集上进行消融实验,结果表明,本文提出的算法能够显著提高遥感图像目标检测的平均准确率。     

基于YOLOv5的靠船排场景下安全措施检测

跳板在海上平台作业现场扮演着重要角色.未搭设跳板对作业现场造成了极大的安全隐患.为消除此隐患,提出一种靠船排场景下的跳板搭设检测方法.本方法分为3个部分:首先利用目标检测算法定位并标注目标;之后对标注目标区域进行边缘检测,提取其外接边缘;最终制定特定安全措施判别算法识别作业现场违规动作.本方法为解决小目标等检测问题,对YOLOv5进行改进,在特征提取以及特征融合时引入注意力模块,将均值平均精度由53.1%提高至54.5%的同时模型更加轻量化;为解决检测边缘粗犷问题,对边缘检测网络PiDiNet损失函数进行改进,相较于原网络,误检率由8.9%下降至5.4%.经过验证,利用该方法可以在有效时间内,检测出跳板是否正确搭设,准确率为91.5%.     

基于注意力YOLOv5模型的自动水果识别

近年来, 人工智能在各个领域有着广泛的应用. 针对超市及菜市场人工称重操作耗时、计价流程繁杂的问题, 本文提出一种基于注意力YOLOv5模型的水果自动识别算法. 首先, 为了提升仅有局部特征不同, 全局特征相似水果的识别准确率, 本文在YOLOv5的SPP (spatial pyramid pooling)层后增加SENet (squeeze-and-excitation networks), 采用注意力机制自动学习每个特征通道的重要程度, 进而按照重要程度强化对水果识别任务有用的特征并抑制没有用的特征; 其次, 针对水果识别预测框与目标框重叠时, GIOU不能准确表达边框重合关系问题, 本文将原有的边框回归损失函数GIOU替换为CIOU, 同时考虑目标框与预测框的高宽比和中心点之间的关系, 从而使水果预测框更加接近真实框, 提升预测精度. 实验结果表明, 改进后的模型在常见场景下水果识别能力有明显提升, 平均精度mAP达99.10%, 识别速度FPS达到82, 能够满足实际应用需要.     

基于改进YOLOv3的多尺度目标检测算法

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络（DenseNet）充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU（Generalized Intersection over Union）作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。     

基于改进YOLOv5s算法的危险区域入侵报警

工厂环境复杂多变,存在很多危险区域,违规进入会给工人的生命健康带来严重的危害.针对传统的检测方法操作复杂、识别效果差,提出了一种基于改进YOLOv5s模型的危险区域工人入侵警报系统.首先将基于SGBM算法双目测距技术融合进YOLOv5s目标检测中,增加空间距离这一触发条件,使得工人只有走近摄像头一定范围内才会触发声光报警.进一步地,在YOLOv5s中引入注意力机制,通过对比实验证明了CA模块的引入对模型的平均准确率mAP@0.5提升最明显为1.86%.结果显示此方法能够较为准确的识别出工人是否进入危险区域,并进行声光报警,提醒工人注意,为工厂安全管理提供了新的手段.