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YOLOv5的改进小目标检测算法研究

文章针对小目标检测存在的可利用特征少、定位精度要求高、数据集小目标占比少、样本不均衡和小目标对象聚集等问题,提出将coordinateattention注意力嵌入YOLOv5模型。Coordinateattention注意力机制通过获取位置感知和方向感知的信息,能使YOLOv5模型更准确地识别和定位感兴趣的目标。YOLOv5改进模型采用木虱和VisDrone2019数据集开展实验验证,实验结果表明嵌入coordinate attention能有效提高YOLOv5的算法性能。     

基于YOLOv5s的航拍小目标检测改进算法研究

针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于YOLOv5s的无人机目标检测改进算法VA-YOLO。在已有的主干网络中添加CA注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不一导致语义丢失的问题,添加小目标检测层与BiFPN结构,加深浅层语义与深层语义结合,以此丰富对检测目标的语义信息;使用损失函数Varifocal loss与EIoU,改善模型对小目标检测的准确性。实验结果表明,在VisDrone2019-DET数据集上,该算法的平均检测精度(mean Average Precision, mAP)达到了39.01%,相比YOLOv5s提高了6.26%。     

基于改进YOLOv5的海面目标检测算法

针对海面目标检测模型难以应用在存储能力和计算能力较小的移动端的问题,提出一种基于改进YOLOv5的海面目标检测算法。采用轻量级提取网络ShuffleNetv2 Block作为YOLOv5网络的骨干部分,减少模型计算量和参数量;使用加权双向特征金字塔网络模块替换原特征融合网络模块,提高网络对不同尺度的特征提取能力;引入坐标注意力机制,提高模型检测精度。在海面目标数据集上进行实验,结果表明：与YOLOv5模型相比,改进模型的精确率、召回率、平均精度分别提高了1.2%、1.4%、0.9%,计算量和参数量分别降低了55.8%,54.9%。改进后的YOLOv5模型不仅提高了检测精度和模型性能,还压缩了模型的计算量和参数量,有利于部署在移动设备端。     

基于改进YOLOv5的交通车辆目标检测

随着城市人口的不断增加,不同的车辆使得交通状况越来越复杂。对此番现象进行研究之后,提出了一种改进的YOLOv5深度神经网络模型来实现交通中的车辆识别与检测,将有效帮助交通管理部门分析车辆和行人的运行状况。在分析YOLOv5算法的核心后,并针对交通目标尺度变化大的特点,充分利用了YOLOv5算法检测轻量化、速度快、实时性强的性质,并在此基础上,用FPN架构改进网络结构以便适应目标尺度的剧烈变化,用改进的K-means算法选出更加适合的初始候选框,不仅提高了运行速度,而且满足了实时性和准确性的要求,最终获得了较为成功的目标检测效果及其方案。     

基于SIOU函数的改进YOLOv5遥感目标检测方法

为提升YOLOv5算法对遥感图像密集目标的检测精度并改善漏检问题,提出了一种改进的YOLOv5遥感目标检测算法。改进方法首先采用7*7卷积模块替换骨干网络中Focus模块以增大模型感受野;其次,在保证与原模块效果相同的情况下使用SPPF以提升检测速度;最后,引入SIOU损失函数,利用边界框回归之间的向量角度来重新定义损失函数,有效提高了检测的准确性。实验结果表明,针对公开的NWPU VHR-10遥感数据集,所提改进算法在保持与原算法相同检测速度的情况下,检测精度提高了3.5%。     

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的路面缺陷检测算法研究

针对传统的路面缺陷检测算法,路面缺陷特征提取单一,且依赖于人工提取,导致检测效率低下的问题,提出了一种基于改进YOLOv5的路面缺陷检测算法。针对原算法对路面缺陷的位置信息提取不充分,引入CBAM注意力机制并对空间注意力中的7*7卷积层替换为3个串行5*5卷积后使用1*1卷积融合3个不同感受野下的特征信息,增强提取缺陷位置信息的能力。在训练阶段,增加正样本的数量,缓解模型训练时的正负样本不均衡。为证明该算法的有效性,在公共数据集GRDDC2020上进行验证,实验表明,改进后的YOLOv5算法F1-score相比于原YOLOv5算法提高2.1%,达到57.7%。     

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。     

改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题,本文提出了一种改进YOLOv5s的目标检测算法。首先,将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3,解决了网络模型较大、参数较多的问题,减少了网络的深度并提升了数据推断速度;其次,对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取,融合多尺度特征进而扩大感受野;最后,对损失函数进行优化,使用CIoU为边界框回归损失函数,改善模型原始GIoU收敛速度较慢问题,使预测框更加符合于真实框,同时降低网络训练难度。实验结果表明,改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4＿tiny分别提升了4.4、15.7、12.4、19.6,模型大小相较于YOLOv5s与轻量级网络YOLOv4＿tiny分别减少了32.4 MB和21 MB,同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求,为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。     

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。     

基于改进YOLOv5的低光照图像目标检测

针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题,提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5＿DC）。首先,通过伽马变换和叠加高斯噪声的方法合成低光照图像,扩充数据集,提高模型的泛化能力;其次,提出特征增强模块,引入通道注意力机制,融合增强图像和原始图像的低级特征,抑制噪声特征的影响,改善网络的特征提取能力;最后,在颈部网络中加入特征定位模块,增加特征图在目标区域的响应值,使网络更关注目标区域,提高网络的检测能力。实验结果表明：所提YOLOv5＿DC算法实现了更高的检测精度,在低光照图像目标检测数据集ExDark*上的平均精度均值（mAP）@0.5达71.85%,较原始的YOLOv5算法,提高了1.28个百分点。     

基于改进YOLOv5的坦克目标检测算法

坦克目标的准确识别定位是信息化战争中一项重要研究,针对传统检测算法抗干扰性差、难应用于大视野复杂环境下的问题,提出了一种基于改进YOLOv5坦克自动识别的检测算法。利用YOLOv5模型对大视野复杂战场环境下坦克目标进行识别：在YOLOv5基础模型中引入Attention-based information fusion模块,提高模型检测精度和识别能力;使用Pre-segment multi-scale fusion模块解决骨干网络中池化操作所造成的信息丢失问题;使用Swin Transformer机制降低小目标坦克漏检误检的问题。在坦克数据集上进行实验,结果表明：与YOLOv5原始模型相比,改进模型的召回率、平均精度分别提高了9.1%、5.1%。改进后的YOLOv5模型可以很好地对大视野复杂环境下坦克目标进行精确识别,改善了坦克目标检测中小目标漏检的问题。     

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YOLOv5s的改进实时红外小目标检测

针对红外图像分辨率低、背景复杂、目标细节特征缺失等问题,提出了一种基于YOLOv5s的改进实时红外小目标检测模型Infrared-YOLOv5s。在特征提取阶段,采用SPD-Conv进行下采样,将特征图切分为特征子图并按通道拼接,避免了多尺度特征提取过程中下采样导致的特征丢失情况,设计了一种基于空洞卷积的改进空间金字塔池化模块,通过对具有不同感受野的特征进行融合来提高特征提取能力;在特征融合阶段,引入由深到浅的注意力模块,将深层特征语义特征嵌入到浅层空间特征中,增强浅层特征的表达能力;在预测阶段,裁减了网络中针对大目标检测的特征提取层、融合层及预测层,降低模型大小的同时提高了实时性。首先通过消融实验验证了提出各模块的有效性,实验结果表明,改进模型在SIRST数据集上平均精度均值达到了95.4%,较原始YOLOv5s提高了2.3%,且模型大小降低了72.9%,仅为4.5 M,在Nvidia Xavier上推理速度达到28 f/s,利于实际的部署和应用。在Infrared-PV数据集上的迁移实验进一步验证了改进算法的有效性。提出的改进模型在提高红外图像小目标检测性能的同时,能够满足实时性要...     

基于改进YOLOv5的交通指示牌检测

随着深度学习的不断发展,汽车自动驾驶已成为一种趋势,自动驾驶的安全问题是最重要的。其中,能准确识别复杂环境下密集的交通指示牌是保障安全驾驶的一个重要环节,针对目前检测模型对交通指示牌召回率不够高的问题,在YOLOv5的基础上提出了YOLOv5-ACB。经过300次的迭代训练,实验结果表明YOLOv5-ACB模型的mAP为62.9%、mAP50为83.6%、召回率为76.6%,相比原始的YOLOv5模型的mAP为62.45%、mAP50为82.6%、召回率为74.6%,均有较好的提升,说明所提出的改进模型降低了交通指示牌的错检和漏检率。