改进YOLO框架的血细胞检测算法

为解决传统目标检测算法在血细胞检测任务中出现的检测精度偏低、错检及漏检等问题,提出了一种基于YOLO框架的改进目标检测算法YOLO-Att,该算法在YOLO框架结构的基础上,在骨干网络中增加了一种多尺度残差增强模块,结合低层信息丰富网络的特征层次,进而提高特征信息利用率;并设计了一种注意力门控结构嵌入模型,以获取更多高质量的主要特征信息;同时使用Focal loss代替原损失函数中的交叉熵,提高正负样本权重,加快模型收敛速度;采用[K]-means++聚类算法对目标进行锚框优化,进一步提升检测准确率。相较于现有的Faster-RCNN、SSD以及YOLOv4等目标检测算法,YOLO-Att在通用血细胞数据集BCCD检测任务中,将mAP提高至66.32%,检测速率达到了85.4?ms,更符合血细胞检测任务的实时性。     

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。     

扩展YOLOv5安全帽多级目标分类检测

YOLO是目前计算机视觉目标检测领域比较重要的算法模型之一. 基于现有YOLOv5s模型提出了一种扩展的YOLOv5多级分类目标检测算法模型. 首先, 对LabelImg标注工具进行功能扩展, 使其满足多级分类标签文件构建; 其次在YOLOv5s算法基础上修改检测头输出格式, 在骨干网络前端引入DenseBlock、Res2Net网络模型核心设计思想, 获取丰富的多维度特征信息, 增强特征信息的重用性, 实现了YOLO多级分类目标检测任务. 在开源安全帽数据集上同时以安全帽颜色作为二级分类进行训练验证, 平均精度, 精确率和召回率分别达到了95.81%、94.90%和92.54%, 实验结果验证了YOLOv5多级分类目标检测任务的可行性, 并为目标检测及多级分类目标检测任务提供一种新的思路和方法.     

融合环境特征与改进YOLOv4的安全帽佩戴检测

目的 在施工现场，安全帽是最为常见和实用的个人防护用具，能够有效防止和减轻意外带来的头部伤害。但在施工现场的安全帽佩戴检测任务中，经常出现难以检测到小目标，或因为复杂多变的环境因素导致检测准确率降低等情况。针对这些问题，提出一种融合环境特征与改进YOLOv4（you only look once version 4）的安全帽佩戴检测方法。方法 为补充卷积池化等过程中丢失的特征，在保证YOLOv4得到的3种不同大小的输出特征图与原图经过特征提取得到的特征图感受野一致的情况下，将两者相加，融合高低层特征，捕捉更多细节信息；对融合后的特征图采用3×3卷积操作，以减小特征图融合后的混叠效应，保证特征稳定性；为适应施工现场的各种环境，利用多种数据增强方式进行环境模拟，并采用对抗训练方法增强模型的泛化能力和鲁棒性。结果 提出的改进YOLOv4方法在开源安全帽佩戴检测数据集（safety helmet wearing dataset，SHWD）上进行测试，平均精度均值（mean average precision，mAP）达到91.55%，较当前流行的几种目标检测算法性能有所提升，其中相比于YOLOv4，mAP提高了5.2%。此外，改进YOLOv4方法在融合环境特征进行数据增强后，mAP提高了4.27%，在各种真实环境条件下进行测试时都有较稳定的表现。结论 提出的融合环境特征与改进YOLOv4的安全帽佩戴检测方法，以改进模型和数据增强的方式提升模型准确率、泛化能力和鲁棒性，为安全帽佩戴检测提供了有效保障。     

基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.     

基于YOLOv5的道路目标检测算法研究

为提高道路目标检测精度,基于YOLOv5网络模型,引入自底向上的PANet网络结构,以增强特征融合;采用具有方向感知与位置信息的目标注意力机制,以增强对目标位置的感知能力;增加了一个YOLO检测头,以增强对小目标的学习能力。采用改进的CIOU(ICIOU)目标回归损失函数,使得整个模型对图像特征的学习能力和目标检测精度显著提升。实验结果表明,该模型在华为SODA10M数据集下的mAP达到了68.2%,相比原YOLOv5网络mAP提升了15.4个百分点,检测精度得到了明显提升。在此基础上,对图像尺寸对检测时间和精度的影响进行探索,结果表明适当增大图像输入尺寸,可以在检测速度下降不大（23.3个百分点）的前提下,使得mAP明显提升（3.8个百分点）。     

一种基于通道重排的轻量级目标检测网络

Tiny YOLO和YOLOv3-tiny作为2种轻量级目标检测算法以其突出的速度表现而闻名。本文以这2种网络模型为基础,结合分组卷积并改进通道重排算法,改进了原来的损失函数,构建了一种新的更快的网络模型,通过改进YOLOv3的损失函数而增加其检测准确度。在PASCAL VOC数据集和COCO数据集上分别训练并且测试,该网络模型每秒处理的速度超过265张图片,Map值达到55.8%,准确度超过Tiny YOLO且与YOLOv3-tiny相仿。     

基于改进YOLOv5的桥梁裂缝模型研究

桥梁裂缝人工检测耗时费力、安全性不高,为了高效、准确、无接触地对桥梁裂缝进行识别检测,提出一种基于改进YOLOv5的桥梁裂缝检测模型YOLOv5-SA;该方法在YOLOv5s模型的基础上,首先对收集的数据集利用几何变换、光学变换等操作进行数据增强;其次将融合视觉注意力机制(SKNet)添加到Head部分来提高模型对裂缝特征的表示能力;最后在金字塔特征表示法(FPN)的基础上利用自适应空间特征融合(ASFF)模块加强网络特征融合能力,增加对桥梁裂缝小目标的检测;结果表明：改进后的模型相对于YOLOv5s模型能更好地抑制非关键信息,减少背景中的无效信息干扰,提高桥梁裂缝目标检测精准度;改进后的YOLOv5-SA模型准确率达到88.1%,与原YOLOv5s模型相比提高了1.6%;平均精度均值mAP 0.5和mAP 0.5～0.95分别达到90.0%、62.1%,相比而言分别提高了2.2%、2.4%;与其他桥梁裂缝检测相关方法(Faster-RCNN、YOLOv4tiny)相比,提出的YOLOv5-SA模型也具有相当或更好的检测性能;由此可见改进后的模型能更高效地检测复杂环境下的桥梁裂缝,可以...     

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YOLO框架的无锚框输电线多种缺陷检测

检测并及时修复输电线路的缺陷是电能安全输送的重要保障。针对现有检测方法存在效率低、对多尺度目标检测精度低、泛化能力差等不足,提出了一种基于无人机影像的无锚框输电线缺陷检测方法。该方法基于YOLO系列目标检测框架构建了一种无锚框的检测网络,设计了相匹配的正负样本分配方式,融入了多种优化策略,有效改善了现有方法的不足。实验结果表明,提出的方法能够同时对输电线的断股、散股、断线、烧伤和异物5种缺陷进行有效检测。相比于传统输电线缺陷识别方法和基于深度学习的缺陷检测方法SSD、Faster R-CNN、YOLOv4、YOLOv5,该方法的平均精度均值(mAP)达到78.31%,每秒传输帧数(FPS)为103.5 f/s,同时兼备检测的快速性和高精度,在5类输电线缺陷检测任务中均具有良好的性能。     

基于注意力机制与多尺度特征融合的电极缺陷YOLO检测算法

为了满足锂离子电池电极缺陷检测精度与实时性的需求,解决电极图像背景噪声复杂、缺陷微小且对比度低等问题,提出一种基于注意力机制与多尺度特征融合的电极缺陷YOLO检测算法.在YOLOv4的基础上,首先,将SE(squeeze-and-excitation)注意力模块嵌入特征提取主干网络中,区分feature map中不同通道的重要性,强化目标区域的关键特征,提高网络的检测精度;其次,加入融合空洞卷积的池化金字塔(ASPP)结构,增大网络感受野的同时最大程度地保留多尺度特征信息,提高算法对小目标的检测性能;然后,设计一种多尺度稠密特征金字塔,在三尺度特征图的基础上增加一个浅层特征,采用稠密连接的方式融合特征,提升浅层细节特征与高级语义信息的融合能力,增强对微小缺陷特征的提取;最后,采用$ K $-means++算法聚类先验框,引入focal loss损失函数增大小目标样本的损失权重,有效提高网络学习的收敛速度.实验结果表明,所提算法较原YOLOv4模型的mAP值提升6.42%,较其他常用算法综合性能上有着较大的优势,可较好地满足实际工业生产的实时监测需求.     

基于改进YOLOv3的火灾检测与识别

现阶段火灾频发,需要自动进行火灾的检测与识别,虽然存在温度、烟雾传感器等火灾检测手段,但是检测实时性得不到保证.为了解决这一问题,提出了基于改进YOLOv3的火灾检测与识别的方法.首先构建一个多场景大规模火灾目标检测数据库,对火焰和烟雾区域进行类别和位置的标注,并针对YOLOv3小目标识别性能不足的问题进行了改进.结合深度网络的特征提取能力,将火灾检测与识别形式化为多分类识别和坐标回归问题,得到了不同场景下火焰和烟雾两种特征的检测识别模型.实验表明,本文提出的改进YOLOv3算法对不同拍摄角度、不同光照条件下的火焰和烟雾检测都能得到理想的效果,同时在检测速度上也满足了实时检测的需求.     

多目标小尺度车辆目标检测方法

车辆目标检测是智能交通系统中的重要环节,针对传统车辆目标检测方法效率低、小目标检测效果不好、漏检率高等问题,提出一种基于改进的YOLOv3网络车辆目标检测算法.为了提高车辆检测的效率,利用轻量化模型MobileNetv2代替原YOLOv3中的特征提取网络,使得网络计算量相比原算法有所降低.为了有效提高网络对小尺度车辆目标的检测能力,网络将由高到低不同尺度的特征层融合之后进行目标检测.为了得到更丰富的语义特征信息和提高网络预测能力,增加了特征增强模块.同时针对车辆目标检测的特定应用,利用K-means方法对锚框重新聚类以满足车辆目标检测的特定需求.结合以上改进获得车辆目标检测网络YOLOv3-M2,实验结果表明,与YOLOv3相比,改进方法平均检测准确率增加约9%, 时间减少约一半,能够同时提高检测效率和小目标检测能力.     

改进YOLO轻量化网络的口罩检测算法

针对目前YOLO轻量网络在口罩佩戴检测任务中出现的特征提取不足和特征利用率不高的问题,提出了一种基于改进YOLOv4-tiny的轻量化网络算法.增加Max Module结构以获取更多目标的主要特征,提高检测准确率.提出自下而上的多尺度融合,结合低层信息丰富网络的特征层次,提高特征利用率.使用CIoU作为边框回归损失函数...     

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。     

改进金字塔和跳跃连接的YOLOv5目标检测网络

针对YOLOv5网络模型的金字塔结构不能有效捕捉目标的跨尺度特征信息和存在梯度消失现象以及易导致目标检测精确率不高的问题,利用FPT (feature pyramid transformer)的注意力机制有效提取目标的跨尺度特征信息,把原YOLOv5网络模型中的FPN (feature pyramid network)和PAN (path aggregation network)结构替换为FPT,在FPT结构的两端加入跳跃连接(skip connection)并引入新的Mish激活函数,从而提出一种改进金字塔和跳跃连接的YOLOv5目标检测网络模型YOLO FS.在PASCAL VOC和MS COCO数据集上的对比实验结果表明,基于YOLO FS网络的目标检测在平均检测准确率、召回率和F1值上均有明显提升.     

改进的YOLOv3网络在钢板表面缺陷检测研究

为了提高工业自动化水平,对表面缺陷进行有效检测,提出了一种改进的YOLOv3（You Only Look Once）网络检测方法。使用轻量级网络（MobileNet）来代替YOLOv3原有网络中的密集连接网络（Darknet-53）,适当减少参数量的提取;加入空洞卷积,提高网络对小目标缺陷的检测能力;在网络结构的最后一层卷积中加入了Inception结构,进一步减少参数总量并加深网络。改进后的网络在测试集上精准性比原有的YOLOv3网络提高了23.3%,实时性也提高了95.4%,在钢板表面缺陷检测中具有更好的应用前景。     

改进YOLOv5算法的钢筋端面检测

钢筋是基建行业不可或缺的结构材料,无论是钢筋生产过程、还是施工现场,对钢筋进行准确计数是必不可少的环节.成捆钢筋存在端面密集、直径尺度不统一、端面边界粘连、端面与背景融合、端面之间存在遮挡等问题.针对上述问题,提出了一种改进的YOLOv5模型框架,以降低密集小目标漏检率、误检率.针对钢筋端面数据集稀缺、没有公开的大型数...     

一种改进YOLOv3-Tiny的行车检测算法

YOLO系列算法的简化版本YOLOv3-Tiny具有较为简单的网络框架,对GPU显存要求较低,该算法虽然实时性较高,却存在精度较低的问题,在识别行车目标方面不能得到精确的结果。对此,本文首先改变输入图片的大小,目的是获取图片更多的横向信息,使得网络更容易学习行车的信息,其次改进算法的网络结构提高算法的精度,最终得出改进的YOLOv3-Tiny算法。实验结果表明,改进之后的算法在保证实时性的情况下,提高了精确性。     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。