改进YOLOv5s的交通多目标检测方法

为了提高交通目标检测的精度和效率,提出一种改进YOLOv5s的交通场景多目标检测方法,在YOLOv5s的主干网络中引入高效的层聚合网络结构来提高模型学习目标特征的能力,引入了通道注意力和空间注意力结合的卷积注意力模块(BAM)机制,进一步提高网络模型的特征提取能力,通过采用α-IoU作为边界框回归损失函数,提高了边界框回归精度。实验结果表明,改进的目标检测模型相较于YOLOv5s原模型在检测精度上提升了2.4%,模型参数量和模型大小分别降低了20.9%和19.1%。实现了在不同时间段准确且高效的检测交通场景的多种目标,保证了实时检测的应用需求。     

基于改进YOLOv5s的煤矿电力设备缺陷检测

针对煤矿电力设备缺陷检测精度低的问题,提出了一种基于改进YOLOv5s的煤矿电力设备缺陷检测的方法。该方法主要包括3个方面的改进：首先,提出了一种多分支的坐标注意力模块,增强了模型获得缺陷区域信息的能力;其次,提出了一种特征融合网络模块,通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接,进一步增强了模型的特征表达及融合能力;最后,提出了一种快速空间金字塔池化平均池化模块,并将其嵌入颈部网络的路径融合网络之间,以提升网络浅层定位信息传递到深层的能力。实验结果表明,改进YOLOv5s模型的mAP@0.5提升了3.1%,F₁分值提升了3%,满足煤矿电力设备缺陷的检测需求且具有更高的检测精度。     

基于改进YOLOv5的PCB缺陷检测方法

印刷电路板作为电子产品不可或缺的重要组成部分,其市场需求量与日俱增,因此制造无缺陷的PCB具有重要意义;针对PCB缺陷检测中待检测的缺陷目标较小且多数检测目标与背景容易混淆导致的误检漏检,改进的算法在原生YOLOv5算法的骨干网络中引入坐标注意力机制,在颈部网络中引入Transformer Encoder并增加一个适用于小目标的高分辨率检测头,并且将选定锚框的交并比算法部分改为更先进的E-IoU。相较于原生YOLOv5算法,根据算法评价指标精确率,召回率和平均检测精度均值的结果,改进后的算法性能有显著提升,其中平均检测精度均值更是高达98.46%,且检测速度也达到了72.4 Hz,可以满足工业现场对PCB缺陷检测的精度要求。     

基于改进YOLOv5的飞机蒙皮表面缺陷检测方法

飞机蒙皮表面缺陷会影响飞机的气动特性,严重的甚至会影响飞行安全。针对飞机蒙皮表面缺陷检测精度不高的问题,提出一种基于改进YOLOv5的缺陷检测方法,对裂纹、腐蚀、划痕和撞击等4类缺陷进行检测。该方法首先对采集的飞机蒙皮表面缺陷数据集利用平均结构相似性(MSSIM)方法剔除相似性图像;接着,在YOLOv5的Backbone部分融入卷积块注意力模块(CBAM);最后,在Neck部分使用移动窗口转换模块(STB)替换CSP＿2模块。实验结果表明,改进后的方法检测性能较好,准确率、召回率和平均精度分别达到88.29%、87.13%和92.88%,比YOLOv5s高出3.28%、3.04%和2.77%,为飞机蒙皮表面缺陷检测提供技术参考。     

基于YOLOv5的砂纸表面缺陷检测方法研究

针对目前工业生产过程中存在砂纸表面缺陷人工质量检测精度低和检测效率低问题,提出一种基于YOLOv5网络模型融合CA注意力机制的砂纸表面缺陷自动检测方法。首先对砂纸生产过程中的砂纸表面图像进行采样,将收集到的砂纸表面缺陷图像分成脱砂、堆砂、划痕和褶皱4种缺陷类型来制作砂纸表面缺陷数据集;其次将YOLOv5主干网络中的C3模块与CA注意力机制结合,改进为CAC3模块;最后将改进前后的网络模型在自建砂纸表面缺陷数据集上进行训练和验证。实验结果表明：得到改进后的YOLOv5+CAC3网络模型,其P、R、mAP@0.5、mAP@0.5：0.95和S的数值分别为96.2%,92.9%,95.8%,65.0%,16.8 ms,相比于改进前的YOLOv5网络模型分别提高了1.1%、2.2%、0.6%、1.7%、4.5 ms。该方法在砂纸表面缺陷检测中精度高、速度快、检测稳定,符合砂纸生产过程中砂纸表面缺陷检测的要求。     

融合坐标注意力和BiFPN的YOLOv5s交通标志检测方法

针对不同光照条件下的小目标交通标志检测存在的不易检测、错检等问题,提出了一种融合坐标注意力机制和双向加权特征金字塔(BiFPN)的YOLOv5s交通标志检测方法。首先,在特征提取网络中融入坐标注意力机制,提升网络对重要特征的关注程度,增加模型在不同光照条件下的检测能力;其次,在特征融合网络中使用BiFPN,提升模型的特征融合能力,改善对小目标交通标志的检测能力;最后,考虑到真实框与预测框之间的方向匹配问题,将CIoU损失函数改为SIoU损失函数,进一步提升模型的检测性能。在GTSDB数据集上进行验证,与原始模型相比,平均精度均值(mAP)提升了3.9%,推理时间为2.5 ms,能够达到实时检测的标准。     

基于改进YOLOv5算法的道路伤损检测

道路伤损检测是道路养护过程中的重要基础性环节,传统道路伤损检测方法存在检测成本高且效率低的缺陷。为准确快速检测道路伤损状况,提出了一种基于YOLOv5改进的道路伤损检测模型YOLO-C-α。通过引入注意力机制CBAM模块,提高检测模型的特征提取及特征融合能力,改善模型对道路损伤小目标的漏检问题;引入α-IoU损失函数替换原始网络CIOU损失函数,降低预测框的回归损失,提升预测框的定位精度。基于RDD2020道路伤损检测数据集展开对比实验,结果显示：YOLO-C-α模型平均准确度达到60.3%,相比于原始模型平均精度提升1.4%,其F1值为60.2,相比于原始模型提升1%,且对于不同天气状况下的路面损伤均有较高的检测性能,实验环境每张图片的检测速度为6.3 ms,模型大小40.6 Mb。结果表明：本文基于YOLOv5m改进的算法抗干扰能力较强,能更准确地检测出多种天气状况下道路伤损目标,可为道路伤损实时检测及智慧化道路养护提供参考。     

基于改进YOLOv5s的光伏电池EL缺陷图像检测模型

针对光伏电池电致发光(electroluminescence, EL)缺陷图像存在复杂背景干扰、缺陷目标长宽比和尺寸变化大等问题,在YOLOv5s网络的基础上提出一种改进的YOLOv5s-GD检测模型。首先在特征提取层融合GhostNetV2模块,通过聚合本地和远程信息同步,在压缩模型参数量的同时增强模型对缺陷特征的提取能力;其次在特征融合层引入改进的DenseNet密集网络模块,通过特征重用进一步深度融合多级特征并改善信息传递,有效减少缺陷图像检测中漏检误检的情况;最后添加坐标注意力(CA)机制模块,兼顾通道和空间信息进行特征增强,提高了模型对缺陷目标区域的关注程度。与YOLOv5s原网络相比,YOLOv5s-GD检测模型在增长少量参数的情况下mAP@0.5提升了3.3%,mAP@0.5:0.95提升了2.8%。研究结果表明,提出的YOLOv5s-GD检测模型对光伏电池EL缺陷图像可以有效地定位识别,检测精度有了显著的提高,同时检测速度达到75 fps,为实际工业生产环境中光伏电池EL缺陷图像检测提供技术参考。     

基于改进YOLOv7的实时输电导线缺陷检测方法

输电导线是电力系统中重要的组成部分,输电导线缺陷将影响电力系统运行。因此提出了基于改进YOLOv7算法的输电导线缺陷检测方法。首先,提出了一种自动扩充数据集的方法,可以使用少量图片建立输电导线缺陷数据集;其次,提出了一种轻量化自注意力主干网络,对YOLOv7的主干网络进行替换,并使用BiFPN进行特征融合。实验结果表明：所提出的改进后的YOLOv7算法将精准度从原本89.4%提升到97.5%;同时,算法将检测速度提升了约60.49%,FPS从原有的52.36帧提升至84.03帧,可以做到对输电线路的实时检测,降低了输电导线缺陷的误检漏检率,提升了检测速度,提高了巡检效率。     

基于改进YOLOv5的轨道交通障碍物检测算法

针对复杂的轨道交通背景下障碍物检测精度低和检测速度慢的问题,提出了一种改进YOLOv5的目标检测网络模型。首先,采用基于注意力机制的轻量级Transformer主干EMO来替换YOLOv5原有backbone中的部分模块,保证轻量化的同时,还能够提高模型的准确性和稳定性;其次,使用Focal-EIoU来替换YOLOv5中的CIoU损失函数,以解决CIoU引起的训练效率低、收敛速度慢等问题;最后使用轻量化上采样算子CARAFE来替换YOLOv5算法中原有的上采样层,在没有引入过多参数和计算量的情况下具有更大的感受野,提高了检测精度和检测速度。实验结果表明,该方法相较于原始的YOLOv5网络模型平均精确度提升了11.1%,准确率提升了13%,召回率提升了11.4%,检测速度达到了60.7 fps。所提出的方法在目标检测任务中表现出了较好的性能,有效增强了轨道交通背景下目标检测模型的检测性能。     

基于改进YOLOv3算法的钢板缺陷检测

针对目前钢板缺陷检测精度和速度的不足,提出了一种改进的YOLOv3检测算法.首先使用小波-中值滤波处理缺陷图像,清除图像里的噪声使图像更平滑.然后在原有网络中的密集连接网络(Darknet-53)上增加一个尺度输出增强算法对小目标缺陷的识别能力.最后为了增强算法模型的准确性对算法原有的损失函数进行优化,得到改进版的YO...     

基于改进 YOLOv5 的太阳能电池板缺陷检测算法

为提高太阳能电池板缺陷的检测精确,提出了一种改进的 YOLOv5 网络,对太阳能电池板常见的划痕、叉隐、黑斑、黑 边以及无电等5类主要缺陷进行检测和分类。首先,使用改进后的 ODConv 模块对主干提取网络中的普通卷积模块进行替 换,减少网络模型的参数量;其次,将 C3 模块中的Bottleneck 结构替换成包含 ParNet 模块的Res2Net 以增加感受野,从而提 升了探测物体缺陷的能力和检测精确;最后,在预测网络前引入自适应特征融合结构,以融合不同特征图的位置与类别信息, 增强特征表达并提高模型的鲁棒性。对自建的数据集进行训练、验证以及测试,实验结果表明,改进后的模型能够成功识别 和定位5类常见缺陷。与原 YOLOv5 算法相比,在保持原网络高效性的同时,平均检测精确提升了6.2%。     

改进 YOLOv5 的新能源电池集流盘缺陷检测方法

针对新能源汽车电池集流盘中因目标缺陷分布杂乱、尺寸跨度大和特征模糊而易出现误检、漏检的问题,提出一种基于 多尺度可变形卷积的 YOLOv5 方法(YOLOv5s-4Scale-DCN),以用于汽车电池集流盘缺陷检测。 首先,针对不同尺度的缺陷目 标,在 YOLOv5 模型的基础上新增检测层,通过捕获不同尺度缺陷的特征以及融合不同深度的语义特征,提高对不同尺度缺陷 目标的检测率;其次,引入可变形卷积,扩大特征图的感受野,使提取的特征辨析力更强,有效地提高了模型的缺陷识别能力。 实验结果表明,所提的 YOLOv5s-4Scale-DCN 算法可以有效检测新能源汽车电池集流盘缺陷,mAP 达到了 91%,相较原算法提 高了 2. 5%,FPS 达到了 113. 6,重度不良和无盖缺陷这两种类别的缺陷,检测召回率达到了 100%,满足新能源汽车电池集流盘 缺陷实时检测要求。     

基于YOLOv5s和改进质心跟踪的人员跌倒检测

针对目标检测器检测跌倒时过于依赖卷积网络分类效果、无法利用运动信息的问题,本文设计了一种基于YOLOv5s和改进质心跟踪的跌倒检测模型。为解决耗费资源问题,用MobileNetV3网络和Slim Neck模块对YOLOv5s进行轻量化,同时将MobileNetV3网络中的SE模块替换为更高效的ECA模块,降低网络复杂度的同时保持较高的精度。引入哈希感知算法改进质心跟踪,增加目标关联的依据,提高跌倒检测的准确性。实验结果显示改进YOLOv5s模型大小下降52.2%,计算量下降51.8%,精度高达90.3%。改进质心跟踪的跌倒检测模型准确率提高了4.3%。结果表明了本文提出模型的有效性和优越性。     

基于改进YOLOv5s的煤矸石目标检测算法

针对工业场景下煤矸石分拣任务检测精度低、分拣速度慢的问题,提出一种基于改进YOLOv5s的煤矸石目标检测算法。在主干网络的卷积层中加入轻量化注意力机制CBAM,以提升目标在复杂的煤渣环境中的特征表达的能力;其次,改进特征融合层为BIFPN,BIFPN结构进行了双向跨尺度连接和加权融合,以加强煤矸石浅层的特征信息和高层煤矸石位置信息,解决煤矸石颜色、纹理相近难以分类的问题;最后,在原算法DIoU的基础上增加对边界框高宽比考虑,以提升检验框检测的准确率。在工业生产环境中采集的10 000张煤矸石图像作为数据集对所提方法进行实验,实验表明,与改进前的YOLOv5s模型相比,在检测速度基本保持不变的前提下,改进算法平均精度mAP_0.5达到了93.3%,平均检测精度提高了5.1%,实现了对煤矸石进行目标检测的要求。     

改进YOLOv5网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。     

基于改进YOLOv4算法的PCB缺陷检测

现有PCB（印刷电路板）缺陷检测方法,多采用参考法进行检测,对图片配准要求高,不仅耗时且定位误差大。YOLOv4速度快,精度高,但应用在PCB检测上存在着漏检的情况,对小目标检测效果不佳,现提出了一种基于改进YOLOv4算法的PCB缺陷检测方法。首先,以CSPDarknet53为主干网络,采用单特征层结构,避免了数据不均衡带来的先验框分配问题。然后,将网络中的五次卷积改进为CSP结构的残差单元,进一步提高特征提取能力。最后,采取K-means++对先验框重新进行聚类,提高模型训练效果。实验部分采取北京大学发布的PCB数据集进行训练,结果表明,改进后的算法mAP（平均精度均值）达到98.71%,在精度上优于其它常见的目标检测算法。     

基于改进YOLOv5m的轻量化车脸检测方法

为解决车检站车辆检测中需要对车辆前照灯快速准确定位,同时防止车辆代检的问题,建立了一个车脸检测数据集Car-Data。针对车检站场景中车辆检测问题,提出了一种基于YOLOv5m的轻量化车脸检测方法。首先,将原网络的卷积块替换为改进型跨阶段深度可分离卷积块,以减少网络整体的参数量和计算量。其次,提出增强感受野的空间金字塔扩张卷积模块代替YOLOv5m的主干提取网络中的空间金字塔池化模块,从而提升网络的目标检测精度。最后,在颈部特征增强网络中修改上采样方法,并提出上下层特征融合模块,以减少特征信息的损失。在Car-Data数据集上进行的实验结果表明,改进后的算法相较于原YOLOv5m模型大小减少了48%,每秒检测帧数提高了约10帧,且平均检测精度仍提升了2.02%。因此该改进算法可以满足车检站车辆检测场景中车脸检测的需求。     

改进YOLOv5的绝缘子旋转目标检测

为实现输电线路绝缘子的精确定位与快速识别,提出了一种基于YOLOv5（You Only Look Once v5）的旋转目标检测算法。针对绝缘子自爆故障,提出了一种三标签的旋转矩形框标注方法,能够提升模型的检测效果和收敛速度;引入Hardswish激活函数加速计算,同时提高模型的数值稳定性;用Ghost module代替Conv结构,以此来降低模型的参数量,提升模型的检测效率;将位置损失使用的CIOU Loss(Complete IoU loss)函数改进为EIOU Loss(Efficient IoU Loss)函数,添加一个角度损失函数SLL(Smooth L1 Loss),用于矩形框角度的回归,使模型能更精准的定位绝缘子的位置,提高模型的检测效果。实验表明,改进的绝缘子故障检测算法相较于YOLOv5s模型的浮点计算量减小了487%,模型大小降低了445%,推理速度提升29%,模型的整体检测精度能达到977%,同时还能满足移动端部署的实时性要求。