基于改进Faster RCNN的少样本目标检测算法

当前大部分目标检测都依赖于大规模的标注数据集来保证其检测的正确率,而在实际场景中,大量数据的获取是十分困难的,且对数据的标注也需要花费大量人力物力。针对这一问题提出了一种基于Faster RCNN的少样本目标检测算法(CA-FSOD),在目标类别仅有少量标注样本的情况下,对目标样本进行检测。为了提高检测性能,首先提出了CBAM-Attention-RPN模块,减少无关候选框的数量;其次提出了全局-局部关系检测器模块,通过关联少量标注样本和待检测样本的特征,获取与目标类别更相关的候选区域;最后提出了基于余弦Softmax损失的分类器作为目标检测的分类分支,能有效地聚合同类别特征、降低类内方差、提高检测精度。为了验证所提算法,在MS COCO数据集上进行了训练和测试,实验结果表明,该方法的AP₅₀为21.9%,优于目前一些少样本目标检测算法。     

基于YOLOv5网络模型的火焰检测

煤炭资源在开采的过程中会伴随着产生一种名为煤层气的产物,煤层气又称为瓦斯,若将瓦斯直接排放至大气中,则会造成严重的温室效应,研究发现瓦斯可以通过燃烧用来发电,但瓦斯在发电过程中遇到明火,则会发生爆炸,给工作人员及企业会造成不可估量的损失,因此检测瓦斯发电站内的火焰情况,成为了解决瓦斯发电站爆炸事故的重要目标.基于火焰识...     

基于改进YOLOv5的橘瓣检测方法

针对柑橘罐头厂生产橘子罐头时人工分类橘瓣效率差的问题,本文提出一种基于深度学习的橘瓣检测方法。以柑橘罐头厂生产线上的橘瓣为对象,实地采集图像并制作了一个具有2 500张图像的橘瓣数据集;在YOLOv5s模型的基础上针对橘瓣检测对象多、遮挡大的特点,融合注意力机制并改进了损失函数,得到改进的YOLOv5s模型。试验结果表明,在该模型上橘瓣检测的平均精度达到93.7%,单张图像检测耗时25 ms,基于改进YOLOv5s模型的橘瓣检测方法能够满足工厂生产线的实际应用需求。本方法可以为橘瓣自动化分类设备提供高精度的视觉指导。     

基于改进YOLOv5的绝缘子快速检测

为了解决复杂背景下,绝缘子准确快速识别的实时性问题,提出了一种基于YOLOv5改进的轻量型绝缘子检测算法模型。在网络结构中融入了Shufflenet v2网络和深度卷积模块,通过控制通道数和减少网络层数来减少参数量,采用K-means算法调整anchor框,并提出了改进损失函数DCIoU加速了损失函数的收敛。实验结果表明,改进的YOLOv5算法在参数量上仅有原网络的10%,准确率提高了0.2%,推理速度提升了2帧。     

基于改进YOLOv5的煤矿井下目标检测研究

针对煤矿井下环境多利用红外相机感知周边环境温度成像,但形成的图像存在纹理信息少、噪声多、图像模糊等问题,该文提出一种可用于煤矿井下实时检测的多尺度卷积神经网络(Ucm-YOLOv5)。该网络是在YOLOv5的基础上进行改进,首先使用PP-LCNet作为主干网络,用于加强CPU端的推理速度;其次取消Focus模块,使用shuffle_block模块替代C3模块,在去除冗余操作的同时减少了计算量;最后优化Anchor同时引入H-swish作为激活函数。实验结果表明,Ucm-YOLOv5比YOLOv5的模型参数量减少了41%,模型缩小了86%,该算法在煤矿井下具有更高的检测精度,同时在CPU端的检测速度达到实时检测标准,满足煤矿井下目标检测的工作要求。     

基于改进YOLOv5s的交通标志检测算法

针对城市道路的交通标志在真实路况中存在光照不均、遮挡等因素导致的在目标检测任务中出现参数量过多、检测速度慢等问题,文章基于原有YOLOv5s的网络框架提出一种改进后的目标检测网络Shuffle-Block,首先选用开源的CCTSDB数据集进行实验,引入Shuffle-Block模块替换YOLOv5s原始的CSPDarknet主干网络,使得YOLOv5s的网络模型轻量化,降低模型的复杂程度。     

基于YOLOv5和DeepSort的实时地铁客流量检测

随着中国城市商业和区域经济的快速稳步发展,中国在1969年所规划建成的第一条城市地铁——北京市中的地铁一号线,截止到2018年底,中国大陆中部地区目前共有185条已运营地铁线路,每日地铁的人流量也趋近天文数组,为了解决传统对人流量的统计需人工计算、耗时耗力、原始算法对密集分布小目标检测精度不高的缺陷,提出了一种基于基于YOLOv5和DeepSort的实时地铁人流量统计检测方法,在Pytorch框架上训练,可以实现行人实时检测与跟踪,统计视频内出现的总人数,对穿越黄线的行人进行计数统计。     

基于YOLOv5和膨胀卷积的鱼类目标检测算法

鱼类目标所在的场景常存在较强的水下噪声,同时鱼类目标有着与周围环境相近的伪装色,使得鱼类目标检测的效果达不到很高的水平。为了精准且快速的检测鱼类目标,提出了一种基于YOLOv5和膨胀卷积的目标检测网络,首先利用YOLOv5网络提取图片特征,然后利用基于膨胀卷积的三支路特征融合结构整合大范围的全局信息,最后通过检测头对图片中鱼类目标的位置进行预测并用矩形框进行标记。研究表明,本文的算法在自建数据集上m AP达到81.5%,相较于原始的YOLOv5s算法提升了1.5%,而且能实时准确的获取到鱼类目标的位置,极大提升了鱼类目标检测的效率。     

基于YOLOv5的疫情防控口罩佩戴检测系统设计与实现

面对当前疫情防控的实际需求,自动化检测可以减少管理人员与他人接触感染的风险且能使疫情防控管理更加高效。针对人脸佩戴口罩识别问题,利用深度学习的神经网络自动提取目标特征的优点,将获取的数据集通过LabelImg标注软件进行标注,使用YOLOv5目标检测算法训练网络模型,实现对佩戴口罩和未佩戴口罩的检测;通过PyQt5设计并实现了疫情防控口罩佩戴检测系统,提高了疫情防控效率。     

基于YOLOv5的智能图像识别检测

针对在无人值守的情况下,小动物进入电网设施内部造成破坏的现象,文章基于YOLOv5模型对电网设施周边小动物的识别检测问题进行研究。文章改进了YOLOv5模型的损失函数,并对模型进行训练,使用得到的最佳模型对拍摄到的图像进行检测,并结合平均精度均值这一指标对检测效果进行了评估。检测结果表明,该模型可有效识别出小动物。     

基于改进YOLOv5的磁瓦表面缺陷检测方法研究

磁瓦的表面缺陷检测是生产环节的重要部分。针对传统的磁瓦表面目标缺陷检测存在精度低下、速度缓慢、小目标检测难度大等问题,首先采用YOLOv5s作为基础的网络,用改进后的CombinedE ffi cientNetV2网络来代替原YOLOv5中的CSPDarknet网络,让网络更加轻量化的同时检测速度有所提高。其次,将Ciou损失函数替换成性能更好的Focal-Eiou损失函数,提高对磁瓦表面的缺陷提取校正能力。最后,在网络中结合改进后的双Shu ffl eAttention注意力机制,并将激活函数替换成GeLU,让网络能关注到重要位置。通过多次训练网络,与FastRCNN、YOLOv3、SSD、原YOLOv5算法进行对比,P和mAP有不同程度的提升。结果表明,相较于原YOLOv5,改进后的算法mAP提高了3.9%,P提高了4%,FPS达到了41.3帧/s,能满足磁瓦生产线中的缺陷检测需求。     

基于YOLOv5的人脸检测及关键点定位的研究和实现

人脸检测的研究对与日常生活很好的实用价值,如人脸体温检测,视频监控等。实验通过YOLOv5方法对用户进行训练,并选用YOLOv5系统中网络深度最大和宽带最少的YOLOv5s模型,基于重参数化结构,提升了检测的准确率,且其具有速度快,体积小的优点。在人脸检测出后基于face＿recongnition库进行关键点定位。通过实验结果可以看出,检测较为准确,具有良好的应用价值。     

基于ALDR注意力的少样本学习模型

在图像分类的实际应用场景中,受制于客观条件所以很难获取大规模的带标签数据集,针对缺少数据的场景,少样本学习得以广泛应用。然而现有少样本学习方法在图像处理时忽略了具有类别特点的局部细节对于分类的帮助,针对这一缺陷,对基于自适应局部细节增强(ALDR)注意力的少样本学习模型进行研究。实验证明,在ALDR注意力中通过对已学习数据提取的知识进行划分,利用不同种类的已学知识指导提取并增强新样例中具有类别特点的局部细节信息,在提升分类准确度上效果显著。     

基于改进YOLOv5s的路面损伤检测

路面损伤检测是支持基础设施检测的重要任务,及时、准确、自动地检测路面损伤,对于经济有效的道路养护是必要的。针对道路检测中存在漏检问题,提出一种改进的YOLOv5s的道路检测算法。首先,用CBAM注意力机制模块替换主干网络中C3模块,在关注通道特征的同时关注位置信息,加强网络对重要信息的提取能力;其次用EIoU替换GIoU损失函数,解决了GIoU误差大的同时提高了收敛速度和回归精度;最后,为使细微损伤得到有效检测,在原始网络中增加极小目标的检测的输出,使三输出变成四输出,提高模型识别率。从精度和召回率的结果可知,改进后的YOLOv5s算法平均检测精度为96.9%,相较于原YOLOv5s算法提高了7.6%。能够有效检测出道路路面损伤,且其准确率优于其他的道路检测算法。     

基于树莓派和YOLOv5算法的路面裂缝检测系统

路面裂缝检测对于大规模公路的保养意义重大,然而传统的路面裂缝检测装置存在成本高、结构复杂以及影响交通的正常运行等问题.为此,文中设计了一款基于YOLOv5算法和树莓派的路面裂缝检测系统,基于PyTorch深度学习框架对系统进行开发,同时采用JAVA语言对手机客户端进行开发.系统通过树莓派上连接的摄像头采集路面图像,采用...     

基于YOLOv5的轻量化目标检测算法

使用搭载YOLOv5算法的无人机对物体进行目标检测时,由于其权重文件占有较大内存而要求无人机有较高的硬件配置,这在很大程度上约束了无人机进行目标检测的发展。为了解决这一问题,提出了一种改进的YOLOv5算法。使用深度可分离卷积代替普通卷积层,以使YOLOv5s轻量化。由于无人机从空中俯瞰物体,拍摄的图片具有较大的视野,因此将Dropblock与注意力机制添加至YOLOv5s主卷积层的底层来增加YOLOv5s的泛化能力与识别能力,进而提高YOLOv5s的小目标检测能力。使用所提方法对车辆数据集进行训练,获得了83%的训练准确率,并通过对比试验证明了所提方法比原始YOLOv5s具有更强的小目标检测能力。     

基于深度学习的少样本研究综述

基于大数据的深度学习算法越来越完善,然而如何解决训练样本数非常少的情况,是目前神经网络研究领域中一个非常重要且极具挑战的问题.首先,介绍了少样本问题的定义;接着将现有的少样本学习方法分为数据增强、度量学习和元学习三类,分别从方法所用模型、数据集以及相应的实验结果进行分析;最后,总结了现有方法的不足,探讨了未来少样本研究...     

基于YOLOv5算法对斑马鱼幼鱼的检测研究

斑马鱼幼鱼行为学分析常常是药物学研究与基因操作的直观表现,在封闭、复杂环境下对幼鱼进行检测是研究其功能特性的基本步骤。由于幼鱼属于小目标,本文通过去掉YOLOv5网络中的大尺度预测层和大、中尺度预测层,得到了YOLOv5m-sm模型以及YOLOv5m-s模型;由于没有公开的幼鱼数据集,本文使用DarkLabel标注软件将幼鱼头部作为特征标记,得到的Zebradata数据集,并按4:1的比例分为训练集与验证集,分别用来训练及验证模型;为了测试算法对幼鱼的检测能力,使用160张含有23条幼鱼的测试集对YOLOv3m、YOLOv5s、 YOLOv5m-s、YOLOv5m-sm和YOLOv5m模型进行识别实验。实验结果表明,YOLOv5m-s算法具有较高的识别准确度,满足幼鱼目标检测要求。     

基于少样本学习和知识迁移的继电保护压板状态识别

针对变电站中保护压板开关状态自动识别问题,提出了一种基于少样本学习和知识迁移的压板开关状态识别模型,使用残差网络提取图像特征,基于度量方法计算查询图像与支持图像之间的相似度,在此基础上使用KNN实现压板开关状态的分类识别。将残差网络在公用数据集上预训练的模型直接迁移到基于少样本学习的压板开关状态的识别任务,并研究了KNN算法中不同的最近邻个数对压板开关状态分类结果的影响。所提方法可在图像样本少的情况下实现压板开关状态的识别。实验结果表明,在支持图像的样本数为30时,图像识别精度达到99.49%。相比于其他大样本的分类方法,所提出的利用少量样本的分类方法能够实现令人满意的分类效果,提高了图像分类的效率。