基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。     

基于YOLOv5算法的交通标志识别技术研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种改进YOLOv5算法的交通标志识别方法.首先改进YOLOv5算法的损失函数,使用EIOU损失函数代替YOLOv5算法所使用的GIOU损失函数来优化训练模型,提高算法的精度,实现对目标更快速的识别;然后使用加权Cluster非极大值抑制(NMS)改进YOLO...     

基于YOLOv5的人员安全帽检测告警算法∗

佩戴安全帽可有效保障作业人员安全,避免事故的发生,然而安全帽佩戴的实时监控问题却一直未得到良 好的解决.为了缓解电力场所安全监控压力,基于 YOLOv５目标检测算法设计了一套人员安全帽佩戴检测和危险区 域告警算法,通过对锚框进行重聚类并引入注意力机制等对原始网络进行改进,结合公开数据集和自建数据集对网络 进行训练,检测精度达到89.9％.最后通过JetsonXavierNX等硬件设备将该算法部署到机器人上进行巡检,可实现 对作业现场人员的实时监管,有效保障作业现场人员安全.     

基于YOLOv5的安全帽智能检测

安全帽作为防止人员头部受到伤害的防护用品,在进入电厂等高危场所时,要求必须佩戴。在实际工作中,不佩戴安全帽进入作业现场的情况时有发生。为解决这一问题,提出了一种基于安全帽的智能化检测技术。该技术使用YOLOv5算法对数据进行训练,并采用YOLOv5系列中网络深度和宽度最小的YOLOv5s模型。试验结果表明,在自采数据集中训练并检测,平均精度达95.4%,能够满足电厂等高危场所对人员不按规定佩戴安全帽的实时监测要求。     

基于YOLOv5的电力巡检图像缺陷识别研究

针对输电线路巡检中可能出现的裂化、老化、腐蚀、破损等诸多缺陷的情况,为保证输电线路运行的安全和稳定,文中开展了基于YOLOv5的电力巡检图像缺陷识别研究。在YOLOv5算法的基础上,结合电力巡检图像特点,采用CIOU_Loss作为Bounding box的损失函数,使其具有更快、更好的收敛效果;选用DIOU_NMS用于NMS处理,提高对遮挡重叠目标的识别精度;同时,在对数据集进行分类处理后,采用"分别训练、统一推断"的方法,冻结部分网络层权重来训练网络模型。实验结果显示,基于YOLOv5算法模型可以有效地识别电力巡检图像缺陷情况。     

基于YOLOv5改进算法的印花图案疵点检测

针对圆网印花图案疵点检测问题,本文采用了一种基于YOLOv5改进算法模型来检测印花图案的疵点。本实验根据实际的情况对YOLOv5模型网络结构进行了更改,首先,对YOLOv5网络的骨干部分进行优化改进,引入了注意力机制模块,对输入图片的通道注意力和空间注意分别提取特征。其次,针对印花疵点目标较小的情况对网络的检测层结构进行了修改。实验结果显示,改进的YOLOv5检测算法精确率提升了14.4%,检测速度提升了7.6fps,达到了43.1fps满足实时检测要求。     

基于改进YOLOv5算法绝缘子缺陷检测研究

针对目前无人机巡检中绝缘子缺陷检测的目标算法识别精度不高的问题,提出了一种改进的YOLOv5算法,该方法将注意力机制融入YOLOv5s算法中获取更多细节特征,采用BiFPN替换原本的特征金字塔结构,并用改进的损失函数和非极大值抑制提升检测精度。实验结果证明,相比于传统算法,改进算法的检测平均精度和召回率分别为96.6%和97.1%,检测速度FPS达到了28.5,满足输电线路绝缘子缺陷检测准确性、轻量性及鲁棒性要求。     

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。     

基于YOLOv5的遥感图像舰船的检测方法

利用遥感图像对海面上舰船进行监控已成为目前研究的热点,为了解决传统舰船检测需人工选择特征、耗时耗力、原始YOLO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YOLOv5的遥感图像舰船检测方法,使用Kaggle平台提供的遥感数据集,在Pytorch框架上训练,损失函数设计为CIOU_LOSS,目标框的选择使用D...     

基于YOLOv5的雾霾天气下交通标志识别

针对雾霾天气下道路交通标志识别难度大、精确度较低的问题,提出一种基于YOLOv5的雾霾天气交通标志识别模型。首先在YOLOv5原始模型上融入卷积注意力机制,在空间维度和通道维度上进行特征增强,抑制雾霾天气对模型的干扰;然后将BiFPN作为neck层中的特征融合结构,更加充分地融合多尺度特征,减少目标信息丢失;并选用CIoU作为YOLOv5的损失函数提高定位能力;使用K-means聚类算法在TT100K和CODA数据集重新获取锚框值,加快模型收敛速度。实验结果表明,改进后模型识别精度达到92.5%,比YOLOv5提升5.6%,在雾霾天气下仍能准确识别交通标志,速度达27 FPS,能够进行实时检测。     

基于改进麻雀算法的机场跑道胶痕检测方法

针对光照条件差导致的胶痕检测效率低、精度差等问题,提出了一种基于改进麻雀搜索算法的机场跑道胶痕多阈值分割方法。首先利用透镜成像反向学习提高初始化种群的多样性,然后引入优化性能级别和自适应因子,提高发现者个体质量和搜索能力,其次引入萤火虫算法,协助传统麻雀搜索算法跳出局部最优,最后采用改进麻雀算法优化Tsallis相对熵度量函数实现胶痕自动、精准分割。实验结果表明,该方法的胶痕检测精度远高于传统算法,其FSIM值均大于0.8,SSIM值接近于1,并且在光照条件差和道面、标志线与胶痕混叠的情况下表现出了良好的分割效果。     

基于 YOLOv5-EA-FPNs 的芯片缺陷检测方法研究

针对芯片缺陷检测中,缺陷尺寸跨度大、特征相似、小目标难识别、漏检等问题,本文提出基于YOLOv5改进的缺陷检测方法。针对小目标缺陷检测中出现的漏检、误检等问题,提出新增小目标特征检测器(small target feature detector, S-Detector),提升模型对小目标缺陷的学习能力;针对缺陷尺寸跨度大、特征相似等问题,提出具有高效聚焦学习能力的特征金字塔结构(efficient attention feature pyramid networks, EA-FPNs),提升模型对不同尺寸缺陷的检测能力;针对预测阶段冗余框较多导致时间开销大的问题,提出基于面积的边界框融合算法(bounding box fusion algorithm, BFA),减少冗余框。实验结果表明,本文方法相较于改进前,检测精确度提升1.2%,小目标缺陷精确度提升1.6%;采用BFA消除冗余框的同时,平均检测时长为26.8μs/张,较使用BFA前减少了5.2μs。本文所提方法具有良好性能,能够提升检测效率。     

基于Transformer改进YOLOv5的山火检测方法研究

构建智慧生态林业中核心环节为对森林火灾的监测及防范,为了第一时间扑灭火源防止火势蔓延并将可能发生的山火隐患于第一时间消除,提出了两种适用于无人机高空巡检的森林火灾检测模型YOLO_MC与YOLO_MCLite。其中YOLO_MC可对标准图像中的明火及烟雾进行检测,并基于YOLO_MC模型进行轻量化设计,提出适用于热图像中高温区域的检测模型YOLO_MCLite。在网络结构的设计中,首先在常规的卷积神经网络中融合加入了Transformer模型,提升了主干网络对于全局特征信息的感知能力;同时对Transformer模型进行轻量化设计,首先在网络结构上通过分组计算的形式减少tokens数量以降低计算量,其次通过通道注意力机制对特征块的通道数进行去冗余并提权来减少tokens的维度参数以降低计算复杂度,并且采用蒸馏算法从所设计的网络中提取出超轻量化网络应用于无人机红外影像的森林高温点检测,以预防森林火灾的发生。经过实验得出以下数据：所设计的两个检测模型中,其中适用于标准图像中对于明火及烟雾的检测准确率可达948%,适用于热图像对高温点的检测准确率可达972%,并且在英伟达JETSON TX2嵌入式设备上测试两个模型的帧率分别达到了225以及324。实验结果表明本文所设计网络能够对森林火灾进行有效检测并可以通过检测高温点及时预防火灾发生。     

基于改进的YOLOv5网络的异常行为检测算法研究

各行各业安全问题尤为重要,对人员的异常行为须及时检测并采取相应的措施才能有效预防安全事故的发生。因此本文提出基于改进的YOLOv5网络的异常行为识别算法,通过实时处理视频监控中人员的异常行为,从而保证企业的安全运行。首先,对输入数据集进行特征提取处理,本文使用YOLOv5的backbone特征提取网络提取视频特征,能够在不同图像细粒度上聚合并形成图像特征;其次,送入到时间注意块,因为不同时刻特征的贡献值并不相同,因此加入此模块赋予特征不同的贡献值;最后,送入特征预测网络,该网络由LSTM搭建,对历史特征序列进行解码,以预测当前的特征。以玩手机和吸烟为例对所提出的网络进行验证,训练集准确率高达96.42%,测试集准确率高达95.21%。     

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。     

基于OpenCV和 YOLOv5的车道线检测与识别

为更加快速、准确识别汽车行驶区域并区分车道,实现无人驾驶,提出一种结合视觉OpenCV 算法和改进 YOLOv5算 法的目标检测跟踪模型进行车道线检测的方法。在图像预处理阶段,首先读取视频图像,把每一帧RGB图像转为灰度图,通 过Canny 算子对图像的边缘轮廓进行提取,然后绘制车道线的掩码区域,并与边缘检测结合,采用ROI 技术提取感兴趣区域, 最后进行概率霍夫变换和最小二乘拟合,将得到的直线绘制到原图像中,最终对每一帧处理后的图像进行输出。目标识别模 块采用卷积神经网络(convolutional neural network,CNN)深度学习方法及 YOLOv5算法进行目标识别处理。实验结果表 明,所提检测算法能够实现准确的车道线检测,实时性和准确性比传统算法高很多,且该方法具有良好的鲁棒性。     

基于SPC技术的导弹故障报警系统

在导弹的地面检测系统中,报警不仅是衡量导弹各系统是否正常的重要标志,而且还有利于降低导弹飞行的故障发生率.本文依据概率统计的原理,利用工业生产中通用的SPC(统计过程控制)技术,分析地面检测系统中导弹发射准备时的遥测数据.通过查找常见的6类异常数据,设计了一套导弹故障报警系统,并给出了系统的工作原理和具体的实现过程.该系统的实用性强,可操作性较好,有助于操作人员及时发现导弹的功能故障和潜在故障.     

基于改进YOLOv5模型的智能变电站目标违规行为检测方法研究

针对目前智能变电站安全智能巡视方法巡视效率低和所耗时间长等问题,在视频监测系统的基础上,提出了一种改进的YOLOv5模型用于智能变电站目标违规行为检测。引入Kmeans++算法解决小目标不敏感问题,引入注意力机制CBAM提高小目标特征占比,引入alpha-IoU损失函数增强对小数据集的鲁棒性。为了验证所提模型的适应性和优越性,对其进行试验分析。结果表明,所提方法与常规方法相比,在多种目标行为检测中具有较高的检测性能,检测准确率为93.80%,检测速度为32.6FPS,满足智能变电站对目标违规行为检测要求。可为智能变电站无人值守提供一定的参考。