基于改进YOLOv5的电子元件表面缺陷检测算法

目标检测模型在电子元件生产环境中的实时检测能力不佳,为此采用GhostNet替换YOLOv5的主干网络.针对电子元件表面缺陷存在小目标及尺度变化较大的目标的情况,在YOLOv5主干网络中加入坐标注意力机制,在避免大量计算资源消耗的前提下增强感受野,将坐标信息嵌入通道注意力中以提升模型对目标的定位.使用加权双向特征金字塔网络结构替换YOLOv5特征融合模块中的特征金字塔网络(FPN)结构,提升多尺度加权特征的融合能力.在自制缺陷电子元件数据集上的实验结果表明,改进的GCB-YOLOv5模型平均精度达到93%,平均检测时间为33.2 ms,相比于原始YOLOv5模型,平均精度提高了15.0%,平均时间提升了7 ms,可以同时满足电子元件表面缺陷检测精度与速度的需求.     

基于注意力与多级特征融合的YOLOv5算法

针对复杂场景下目标检测与识别精度较低的问题,提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制,增强对特征空间和通道信息的学习能力,同时在瓶颈网络中采用多级特征融合结构,对不同分支的特征进行融合,增加特征的丰富性,提升应对复杂场景的能力。此外,利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积,降低网络参数量和复杂度。结果表明：与传统的YOLOv5s算法相比,所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。     

基于改进YOLOv5的推力球轴承表面缺陷检测算法

为了提高推力球轴承表面缺陷检测的精确率和召回率,增强模型抗干扰能力,提出自动提取检测区域预处理和改进Transformer中的多头自注意力机制模块.在特征网络引入所提模块,忽略无关噪声信息而关注重点信息,提升中小表面缺陷的提取能力.使用实例归一化代替批量归一化,提高模型训练时的收敛速度和检测精度.结果表明,在推力球轴承表面缺陷检测数据集中,改进YOLOv5模型的准确率达到87.0%,召回率达到83.0%,平均精度达到86.1%,平均每张图片检测时间为14.96 ms.相比于YOLOv5s模型,改进模型的准确率提升1.5%,召回率提升7.3%,平均精度提升7.9%.与原模型相比,改进YOLOv5模型有更好的缺陷定位能力和较高的准确度,能够减小检测过程中的异物对检测结果造成的干扰,检测速度满足工业大批量检测的要求.     

基于改进YOLOv5的冲压件缺陷检测方法研究

冲压件在生产过程中容易出现裂纹、划痕、起皱、凹凸点等缺陷。目前,生产线上的冲压件缺陷检测以人工检测为主,效率低,且容易造成漏检。为此,提出了一种基于改进YOLOv5模型的缺陷检测算法。为了提高缺陷部分的关注度,更好地聚焦缺陷,本文在YOLOv5模型的主干网络中引入CA注意力模块。为了进一步提升模型的精度,本文通过对比实验,将目标框损失函数改为 GIoU,提升了定位精度。实验表明,相较于原模型,改进后的YOLOv5模型精准度、召回率、mAP值均得到提升。     

利用注意力机制融合的YOLOv5遥感图像目标检测

遥感图像目检测与识别是近年来国内外研究的热点之一。针对检测任务中因目标密集分布、目标尺度不一所导致的精度不高等问题,提出了一种改进YOLOv5的融合注意力机制目标检测算法。首先,将坐标注意力机制(Coordinate Attention, CA)分别融合到YOLOv5的骨干网络、颈部和输出端3个位置,以提高模型的特征提取能力。其次,进行训练和测试,实验结果表明,骨干网络位置最适合融合注意力,能够有效增强模型的检测性能。再次,采用CIoU＿loss作为损失函数,以改善目标检测框的定位精度。最后,进行消融、对比实验,结果表明,提出的改进算法相较于原始YOLOv5算法具有更好的检测性能,mAP50提高了2.9个百分点,有效提高了遥感图像的目标检测精度。     

基于YOLOv5的服装熨烫目标检测算法研究

针对服装熨烫行业中熨烫目标分类模糊、人工方式导致检测不准确且效率低的问题,本文将YOLOv5算法运用到服装行业熨烫目标检测中,将常见的熨烫目标分为裤兜、缝线及褶皱,建立对应的数据集并标注。同时,通过数据集训练YOLOv5算法模型,对模型进行评价和测试,得到模型准确率达98%,召回率达97%,平均精度均值达95%。同时,选择200张熨烫目标图像,对模型进行测试实验。实验结果表明,该模型对裤兜、缝线和褶皱的识别率分别为100%,96%和95%,检测置信度为0.82～0.97,检测效果较好,满足实验要求,实现了常见服装熨烫目标的识别、分类及定位。该研究提升了服装熨烫行业的生产效率。     

一种改进型YOLOv5草莓检测算法

针对现有的草莓检测算法模型参数量大、准确率低、实时性差等问题,提出一种改进型YOLOv5草莓检测算法。算法基于YOLOv5模型,骨干网络引入GhostConv和C3Ghost模块进行参数量压缩,构造轻量化模型;加入Cutout增强数据,增加训练样本的多样性,进而提高模型的泛化能力和抗干扰能力;通过引入Gather-Excite和Transformer注意力机制加强对草莓图像重要特征的关注,从而提升检测算法在复杂环境下的识别能力。实验显示,所提算法的平均精度均值1和平均精度均值2分别为97.7%和83.5%,参数量缩减为4.01 M,推理时间为26.3 ms。改进后的算法相比原算法具有识别速度快、定位准度高以及占用内存少的优势,在满足精准采摘工作要求的前提下可以提高采摘效率。     

融合注意力机制与双向特征加权的PCB缺陷识别

针对现有的印刷电路板(PCB)缺陷检测识别方法存在网络模型结构复杂、误检率高等问题,提出了一种融合视觉注意力机制与双向特征加权的PCB缺陷识别方法。首先,在YOLOv5网络结构的基础上通过使用加权双向特征金字塔网络(BiFPN)来加速多尺度融合;其次,引入视觉注意力机制和替换损失函数,增加过滤冗余信息,强化模型对微小目标的提取能力。在PKU-Market-PCB数据集上的实验结果表明,文中方法对各类缺陷的检测精度高达97.4%,与原始的YOLOv5网络及其他文献方法均有显著提升,实验结果表明了该算法在对微小目标检测识别上进一步提升了性能。     

基于改进YOLOv5的小目标检测算法

针对目标检测中小目标误检、漏检及特征提取能力不足等问题,提出一种基于改进YOLOv5的小目标检测算法.该算法使用Mosaic-8方法进行数据增强,通过增加一个浅层特征图、调整损失函数,来增强网络对小目标的感知能力;通过修改目标框回归公式,解决训练过程中梯度消失等问题,提升了小目标的检测精度.将改进后的算法应用在密集人群...     

基于改进YOLOv3的印刷电路板缺陷检测算法

针对现有基于深度学习的印刷电路板(PCB)缺陷检测算法无法同时满足精度和效率要求的问题,提出基于YOLOv3改进的AT-YOLO算法来检测PCB缺陷.将主干网络替换为ResNeSt50,提高特征提取能力,减少参数量.引入SPP模块,融合不同感受野的特征,丰富了特征的表达能力.改进PANet结构替换FPN,插入SE模块提升有效特征图的表达能力,增加1组高分辨率特征图的输入输出,提升对小目标物体的敏感程度,检测尺度由3个增加到4个.使用K-means算法重新聚类生成锚框尺寸,提高了模型的目标检测精度.实验证明,AT-YOLO算法在PCB缺陷检测数据集上的精度均值AP_0.5达到98.42%,参数量为3.523×107,平均检测速度为36帧/s,满足精度和效率的要求.     

基于改进YOLOv3算法的布匹疵点检测

基于视觉的布匹疵点检测具有检测效率高和成本低的优势.目前基于深度学习的目标检测算法得到了广泛应用,但是布匹疵点检测具有检测小型疵点准确率低、计算量大和检测速度慢的缺陷,因此提出一种改进YOLOv3的布匹疵点检测算法.该算法使用轻量级卷积神经网络GhostNet作为YOLOv3算法的特征提取网络,加快网络的计算速度,同时...     

基于改进YOLOv5的工程场景行人检测方法

针对复杂工程场景常用的行人检测方法(尤其在小目标检测方面)精度低、复杂度高的问题,提出一种基于YOLOv5网络的改进识别方法。在骨干网络与颈部网络引入ECA注意力机制,提升模型对通道特征的关注度以抑制背景噪声;使用加权双向特征金字塔结构BIFPN对颈部网络进行修改,加强模型对不同尺度特征融合;使用Ghost模块替换骨干网络与颈部网络的部分卷积,减少模型参数、缩小体积。结果表明：提出的改进模型检测精度达到了88.4%,同时,模型的复杂度(参数量与模型大小)仅为13.5×10⁶与6.67 MB;与目前主流的深度学习方法相比,该算法在检测精度与复杂度上具有更好的性能,在复杂的场景下具有较好的识别效果。     

基于YOLOv5s的金属制品表面缺陷的轻量化算法研究

为解决企业降低智能化成本的要求,运用低成本、低算力的硬件设备,通过深度学习中目标检测算法模型对产品进行缺陷检测。基于深度学习目标检测中的YOLOv5s网络,采用结构裁剪思想,并基于网络中的BN层对网络进行稀疏训练,将稀疏训练后的模型对应权重值较小的层进行裁剪,从而降低模型的计算参数数量以及模型文件大小,达到轻量化的效果。使用NVIDIA的加速推理框架TensorRT对训练好的裁剪模型进行层级融合,实现推理加速效果。实验结果表明：所提目标检测模型相对于原始YOLOv5s模型权重文件大小降低约70%,同时在公开数据集NEU-DET上检测精度达到了74.2%。在搭建的高性能实验台中单图推理速度相比原模型提升了11.3%,且网络没有精度损失;在低性能实验台中,所提模型相比原网络模型推理速度提升了165%,相比高性能实验台中的结果有了更显著的提升,说明所提模型在低算力硬件设备中表现优秀。再针对所提模型采用公开的潜水泵叶轮的俯视图数据集进行普适性测试,最后对所提模型采用推理加速框架TensorRT进行加速后,在高性能实验台上可以达到单图5.8 ms的推理时间。所提目标检测模型在低算力硬件设备上推理...     

基于改进YOLOv5的安全帽检测方法

针对现有安全帽检测方法普遍存在的复杂场景下小目标检测效果差、容易出现错检漏检情况、 鲁棒性较低等问题,提出基于改进 YOLOv5 的安全帽检测方法。 在主干网络中添加 SimAM 注意力 机制,使模型在不额外增加参数的前提下对三维特征点的不同重要性进行表征和强化;在颈部网络 中增加小目标检测层,以丰富目标细粒度信息;使用 Decoupled-Head 代替原模型的 YOLOHead 模 块,将分类、回归任务分离进行。 实验结果表明,该方法的平均精度均值达到 93. 17%,能够满足复杂 场景下的安全帽检测要求。     

基于改进 YOLOv5s 的可回收垃圾检测方法

对垃圾进行回收益处颇多，不仅可以节约资源，还有助于自然环境保护。在传统的垃圾回收中，一般会消耗大量的人力和物力，本文基于现有单阶段目标检测算法 YOLOv5s 再结合注意力机制和 RFB 感受野模块，提出一种兼顾检测速度与精度的 YOLOv5s 改进模型，该模型可运用于室内智能垃圾回收机器人或垃圾场处理终端中。首先对 RFB 模块的结构做出调整并利用注意力机制进行改进，在一定程度上克服了 RFB 模块引入其他不必要特征信息的缺点；然后在算法中引入改进后的 RFB 模块，使算法能更好地与不同尺度的垃圾物体相匹配，提高了检测的精度；并根据数据集目标物体的特点重新调整了锚框大小。实验结果表明，YOLOv5s-SERFB 在数 据集 TrashNet-Plus 上有良好的表现，最终改进模型的 mAP 为 91.7%，相比于原始的 YOLOv5s 模型高2.2%， 算法能较好地满足实时检测任务的需要，同时表现出良好的检测效果。     

融合注意力机制和多任务学习的机器人抓取检测算法

抓取主要分为抓取检测、轨迹规划和执行环节,准确的抓取检测是完成抓取任务的关键。为进行更准确的抓取检测,提高机器人抓取性能表现,本研究以关键点检测算法为基础,提出了一种融合注意力和多任务学习的抓取检测算法。首先,针对任务特点,在特征提取环节引入CA(coordinate attention)注意力模块,显式的学习通道和空间特征,充分利用特征信息。其次,在损失函数环节加入多任务权重学习算法,学习抓取中心坐标、抓手开合宽度及旋转角度信息的最优权重。最后,在Cornell数据集以及更大规模的Jacquard数据集上进行试验。研究结果表明,所提方法相比滑动窗口和锚框类型等经典方法在检测速率上有明显提升,且与单纯的关键点检测方法相比有更高的准确率,所提模型在两个数据集上分别取得98.8%和95.7%的准确率。检测示例体现出所提模型对于非常规物体也有良好的抓取结果,不同Jaccard系数条件下的抓取结果显示模型在精准抓取方面有优秀性能,而对于权重学习算法的不同初始值试验则表明所提模型具有良好的鲁棒性。此外,通过消融实验分析了不同模块对于模型性能表现的影响程度。     

基于改进YOLOv5的遥感图像检测

针对现有遥感图像目标检测中背景复杂和尺度变化大等问题,基于 YOLOv5 模型提出了一种 改进的遥感图像目标检测算法。 首先,利用 Mosaic 数据增强方法重构数据集,以改善模型的训练效 果和鲁棒性;其次,在 YOLOv5s 的 Backbone 中添加 SE 注意力机制,使改进后模型能够更精准地捕 捉目标特征信息;最后,采用 BiFPN 替代原模型中的 FPN+PAN 结构,使模型能够进行不同尺度的特 征融合,以减少检测过程中浅层信息的丢失。 实验结果表明,相较于原模型,改进后模型的平均精度 均值、准确率和召回率都有所提升;相较于原模型,改进后模型具有更强的特征提取能力及更快的检 测效率。     

基于改进YOLOv5s的交通标识检测算法

针对交通标识在图像中占比小、检测精度低且周围环境复杂等问题,提出一种基于改进YOLOv5s的算法.首先,在主干网络部分添加注意力机制ECA(Efficient Channel Attention,高效通道注意力),增强网络的特征提取能力,有效解决了周围环境复杂的问题;其次,提出HASPP(Hybrid Atrous Spatial Pyramid Pooling,混合空洞空间金字塔池化),增强了网络结合上下文的能力;最后,修改网络中的Neck结构,使高层特征与底层特征有效融合,同时避免了跨卷积层造成的信息丢失.实验结果表明,改进后的算法在交通标识数据集上取得了94.4％的平均检测精度、74.1％的召回率以及94.0％的精确率,较原始算法分别提升了3.7、2.8、3.4个百分点.     

CGB-YOLO:用于检测钢铁表面缺陷的YOLO算法

针对YOLOv5对金属表面细小缺陷或微观缺陷的检测结果易受背景干扰的问题,提出了一种改进的金属表面缺陷检测算法。通过在主干网络引入坐标注意力机制,提高模型对缺陷的关注度;将主干网络中的一些CBS和C3模块替换为GhostNetV2结构构建轻量级的网络,优化模型的性能和效率;在Neck层采用双向特征融合网络(BiFPN)来增强颈部以产生丰富的表征,加深整个网络并重用低层次的特征。最后,广泛的实验结果表明,CGB-YOLO在NEU-DET上的精度达到75.0%mAP,比改进前提高了3.8%。该模型在金属表面缺陷检测中具有较好的综合性能。