改进YOLOv5算法的遥感图像车辆检测

针对遥感图像中背景复杂目标、车辆小导致的成像模糊的目标漏检问题，提出一种基于YOLOv5s的改进模型。改进模型设计一种新的主干网络结构：改进模型的主干特征提取选用RepVGG网络，同时在主干网络中加入注意力机制CoordAttention来提高模型小目标的感知能力。增加多尺度特征融合，提高改进模型对于小目标的检测精度，边框回归的损失函数选择使用DIoU，帮助改进模型实现更加精准定位。实验结果表明，改进后的YOLOv5模型在遥感图像的目标检测，相较于原始模型在小目标车辆中检测精度提升5.3个百分点，与Faster R-CNN相比mAP提升16.88个百分点。改进后的模型与主流的检测算法相比能有较大的检测精度提升，相较于原始的YOLOv5s模型在遥感图像小车辆检测有更好的检测精度。     

改进YOLOv5的X光图像违禁品检测算法

针对X光图像违禁品检测中的复杂背景、正负类别不平衡和漏检等问题，提出一种基于YOLOv5的X光违禁品检测算法。该算法通过在YOLOv5s骨干网络中引入Swin Transformer模块，利用局部自注意力与Shifted Window机制提升模型对X光图像全局特征的提取能力，并且在主干网络后增加空间注意力机制与通道注意力机制，以提升算法对违禁品关键特征的提取能力。引入一种自适应空间特征融合结构，缓解特征金字塔中不同层级特征图之间冲突对模型梯度的干扰。引入Focal Loss函数用于改进YOLOv5s的背景预测损失函数和分类损失函数，提升算法在正负样本与难易样本失衡情况下的检测能力。该算法在公开数据集SIXray100上的平均检测精度达到57.4%，相比YOLOv5s提高了4.5个百分点；在SIXray正样本数据集上的平均检测精度达到90.4%，相比YOLOv5s提高了2.4个百分点。实验结果表明，改进后的算法相比原始YOLOv5s算法检测精度有较大提升，证明了算法的有效性。     

基于改进YOLOv4的汽车钢铁零件表面缺陷检测

针对YOLOv4在自建的汽车钢铁零件表面缺陷数据集中检测精度不足的问题,利用深度学习的优势,提出一种基于改进YOLOv4的汽车钢铁零件表面缺陷检测方法。首先采用加权K-means算法确定初始anchors预选框,增强anchors框和特征图尺寸的匹配精度,提高检测效率;然后在YOLOv4主干网络的残差单元中引入SE模块,增加有用特征的权重,抑制无效特征的权重来提高检测精度;最后在76×76的特征图后连接RFB-s模块,增强对小目标信息的特征提取能力。实验结果表明,针对自建汽车零件表面缺陷数据集有无缺陷单类检测问题,改进算法比原始YOLOv4的mAP50值提高了4.3个百分点,对小目标具有更好的检测效果。这说明改进算法能满足针对特定的汽车钢铁零件表面缺陷检测问题下的检测速度和精度要求,有效解决了实际问题。针对COCO数据集多分类问题,改进后模型的mAP50值比原始YOLOv4提高了0.2个百分点,FPS值达到20,说明改进算法能够迁移到其他数据集,验证了该算法的泛化性。     

改进YOLOv5s的轨道障碍物检测模型轻量化研究

针对传统列车轨道障碍物检测方法实时性差和对小目标检测精度低的不足,提出一种改进YOLOv5s检测网络的轻量化障碍物检测模型。引入更加轻量化的Mixup数据增强方式,替代算法中原有的Mosaic数据增强方式;引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原有YOLOv5s模型中特征提取网络与特征融合网络中的普通卷积层,减小了模型的计算开销;在模型特征提取网络末端加入CA空间注意力机制,让算法在训练过程中减少了重要位置信息的丢失,弥补了改进GhostNet对检测精度的损失;将改进后的模型进行稀疏训练和通道剪枝操作,剪掉对检测精度影响不大的通道,同时保留重要的特征信息,使模型更加轻量化。实验结果表明,改进后的模型在自制的多样化轨道交通数据集上,相较于原始YOLOv5s算法,在模型大小减小9.7 MB,检测速度提高14 FPS的前提下,检测精度提升了1.0个百分点。同时与目前主流的检测算法对比,在检测精度与检测速度上也具有一定的优越性,适用于复杂轨道交通环境下的障碍物目标检测。     

结合轻量卷积和注意机制的YOLOv5麦穗检测算法

为了实现准确、高效的麦穗计数，提出一种基于改进YOLOv5模型的麦穗检测算法。在YOLOv5的特征增强部分添加卷积块注意力模块，提高模型对特征的表达能力，使其更加关注待检测目标的位置信息。此外，结合GhostNet模块，达到有效降低模型的参数量并提升算法性能的效果。改进后的算法在Global Wheat2020数据集上能达到92.3%的检测精度，相对于原来的YOLOv5s在精度上提高了1.3个百分点，同时检测速度也获得17.6%的提升，在麦穗检测中表现出了更优秀的性能。     

基于YOLOv5s的海上风电设施检测与预警评估

海上风电设施检测在海上风电安全监测领域发挥着重要作用。由于海上环境复杂及海上目标的多样性,现有海上目标检测算法存在网络复杂、检测精度低的问题,难以满足实时性检测和实用性部署要求。针对该问题,该文提出了一种改进YOLOv5s的海上风电设施检测算法。首先,将YOLOv5s的主干网络替换为轻量化GhostNet进行特征提取,降低网络模型的参数量和计算量;其次,在主干网络末端和Neck层分别施加注意力机制(SENet),自适应学习重要通道特征权重,提高检测精度;最后,将Neck层的PANet结构改进为双向金字塔(BiFPN),通过融合不同尺度特征提升检测速度。实验结果表明,该算法在降低网络模型参数量和计算量的同时,在船舶数据集上平均精度达到了96.8%,比原始YOLOv5s网络提升了2.6百分点,检测速度达到了47 FPS。     

改进YOLOv5s的小目标烟雾火焰检测算法

针对复杂环境中,烟雾火焰检测存在精度低,小目标检测困难等问题,提出一种改进的基于YOLOv5s的小目标烟雾火焰检测算法。基于公开数据集自建了9 981张不相似的烟雾火焰图像数据集,解决现有数据集的限制,提高了模型的训练效率与泛化能力;在网络中添加3-D注意力机制SimAM,增加算法的特征提取能力,而且没有增加额外的参数;修改网络中的Neck结构,将三尺度检测改为四尺度检测,并结合了加权双向特征金字塔网络（BiFPN）结构,对特征融合过程进行修改,提高小目标的检测能力与特征融合能力;通过遗传算法来优化网络中的部分超参数,进一步模型的检测能力。实验结果表明,改进后的算法比原始YOLOv5s算法平均检测精度提高了7.2%,同时对小目标检测精度更高,误检漏检等情况减少。     

基于BiFPN改进的深度学习口罩人脸检测方法

准确检测人员是否佩戴口罩对于保证食品生产环境的卫生、预防疾病的传播等具有重要意义。文章改进了YOLOv5算法的网络结构,首先基于双向特征金字塔网络(BiFPN)改进了YOLOv5网络的颈部(Neck)结构,然后使用K-means聚类算法对数据集进行聚类分析,提出YOLOv5＿BM口罩人脸检测算法。在自制人脸口罩数据集上的测试结果表明,YOLOv5＿BM算法的平均精度高达95.3%,相比YOLOv5网络提升了3.8%。在公开数据集上与其他经典的目标检测算法相比,YOLOv5＿BM算法在性能方面也取得了提升,相比SSD算法,YOLOv5＿BM算法的平均精度提高了4.4%;相比YOLOv3算法,YOLOv5＿BM算法的平均精度提高了2.9%。     

改进YOLOv5的苹果花生长状态检测方法

针对现有目标检测算法难以在果园复杂环境下对苹果花朵生长状态进行高精度检测的问题,提出一种改进YOLOv5的苹果花朵生长状态检测方法,对花蕾、半开、全开、凋落四类苹果树开花期花朵生长状态进行检测。该方法对跨阶段局部网络模块进行改进,并调整模块数量,结合协同注意力模块设计主干网络,提高模型检测性能并减少参数。结合新的检测尺度与基于拆分的卷积运算设计特征融合网络,提升网络特征融合能力。选用CIoU作为边框回归的损失函数实现高精度的定位。将改进算法与原始YOLOv5算法在自建数据集上进行对比实验,结果表明,改进算法mAP达到0.922,比YOLOv5提高5.4个百分点,与其他主流算法相比检测精度有较大提升,证明了算法的有效性。     

基于改进Yolo v5的花色布匹瑕疵检测方法

花色布匹的瑕疵检测是纺织工业中必不可少的环节,实现快速、准确的花色布匹瑕疵检测对于提高生产效率具有重要意义;针对花色布匹瑕疵检测中大部分瑕疵目标较小、种类分布不均、部分瑕疵长宽比较为极端以及瑕疵与背景易混淆的检测难点,提出了一种基于YOLOv5网络改进的算法模型DD-YOLOv5;在骨干网络中采用上下文变换器网络（CoTNet,Contextual Transformer Networks）,增强视觉表示能力;在颈部网络中引入卷积注意力模块 (CBAM,Convolutional Block Attention Module),使网络学会关注重点信息;在检测环节增加了一个高分辨率的检测头,加强对小目标的检测;并且使用α-IoU代替原网络中G-IoU方法;经实验证明,改进后的算法在花色布匹瑕疵数据集平均精度均值上 (mAP,mean Average Precision)达到了较原生算法相比提升了8.1%,检测速度也达到了73.6Hz。     

基于改进YOLOv5算法和边缘设备的电动车违规载人检测

严禁电动车违规载人是新交通法规中的重要内容，针对目前缺乏有效的检测电动车违规载人算法的现状，设计了一种基于改进的YOLOv5目标检测算法与边缘设备相结合的电动车违规载人检测系统。首先构建电动车行驶数据集；其次以YOLOv5网络模型为基础，引入轻量化网络Mobilenetv3、ECA-Net注意力机制、Slim-Neck结构和SPPFCSPC空间金字塔池化结构，提升针对电动车违规载人的检测精度，并且与原算法做消融实验；最后将改进后的算法部署在边缘设备Jetson Nano上进行实时推理。通过分析实验数据，改进后算法的参数量下降为原YOLOv5n的18%，在Jetson Nano上其推理速度提升了62%，最快推理速度可以达到17 FPS。改进后的算法在Jetson Nano上可以在提升检测精度的同时大幅提高推理速度，满足在不同场景下进行边缘部署的需求。     

基于改进YOLOv5的工业钢材瑕疵检测算法

针对工业钢材瑕疵检测过程中存在的对多类别瑕疵检测精度低、效率低的问题,提出一种基于改进YOLOv5的瑕疵检测算法。首先在主干网络添加协同注意力机制,嵌入目标位置信息从而提升特征提取能力;然后改变边框回归的损失函数为CIoU Loss,提升对检验框定位的准确度;最后利用Ghost模块轻量化特点提出C3Ghost结构替换路径聚合层中的C3结构,减少模型参数量。测试结果表明,改进后的算法mAP值提升了2.6%,模型参数量减少了13.3%。验证了改进算法对工业钢材的多类别瑕疵检测的有效性。     

基于改进YOLOv5s的烟支外观缺陷检测方法

烟支外观缺陷自动检测是卷烟厂产品质量检测中的重要步骤,它对提升卷烟质量有很大的作用。针对烟支自动化生产过程中生产速度快、要求检测精度和分类精确率高等现状,提出了一种基于改进YOLOv5s的烟支外观缺陷检测方法。首先,使用LabelImg工具对原数据进行标记,并进行合适的数据增强;其次,在YOLOv5s网络的主干模块引入了通道注意力机制,增强模型的表达能力;然后,优化激活函数,采用Swish,提升网络分类效果;最后,优化损失函数,采用DIoU,以更好地对小目标进行检测。实验结果表明,改进的YOLOv5s方法在烟支外观数据集上的精确率达到了90.9%,召回率达到了86.8%,平均检测精度达到了94.0%。与原始的YOLOv5s网络对比,精确率上升了4.1%,召回率上升了4.5%,平均检测精度上升了3.3%。而在平均检测速度上面,改进的YOLOv5s和原始的YOLOv5s网络相比只增加了0.1 ms/支,也能满足目前烟支生产流水线的检测速度需要。因此,改进后的YOLOv5s算法提升了传统烟支自动化生产过程中的检测精度和速度,能投入到烟支外观缺陷检测应用中。     

改进YOLOv3-SPP的SAR图像舰船目标检测

合成孔径雷达图像中舰船目标的尺度差异大、小目标居多,这给检测造成一定的困难。针对此问题,提出了一种基于改进YOLOv3-SPP的SAR图像舰船目标检测算法。改进原模型FPN,利用主干网络的第二次下采样输出的特征来建立尺度为104×104的预测,并将各个尺度进行紧密连接;用K-median++聚类算法重新对锚框聚类来得到适合舰船特征的先验框。使用YOLOv3-SPP模型和改进的YOLOv3-SPP模型以及其他典型目标检测算法在AIR-SARship-1.0与SSDD数据集上进行对比实验。实验结果表明,相比于原始算法,改进后的算法能更有效地检测SAR图像舰船目标,检测精度分别提升了3.2%、4.4%。在数据集3个不同输入尺度下,检测精度都有所提升。相比于其他检测算法,改进后的算法在保证实时性的情况下具有更高的检测精度。     

基于改进YOLOv3的多尺度目标检测算法

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络（DenseNet）充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU（Generalized Intersection over Union）作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。     

E-Y-slim：轻量级小目标快速检测方法

针对目前机场鸟类目标检测模型存在实时检测效率低和在嵌入式设备中难以部署的问题,提出了一种基于改进YOLOv4的轻量级小目标快速检测方法 E-Y-slim。首先,将轻量化的EfficientNet-B0作为模型的特征提取网络,降低网络参数量和计算复杂度,提高检测速度;然后,裁剪特征融合网络中部分卷积层,并将检测层中标准卷积改为深度可分离卷积,进一步提升检测速度;最后,加入空间金字塔池化（SPP）结构以及交并比（IoU）预测分支,在保持算法检测效率情况下,提升算法检测精度。所提方法在PASCAL VOC鸟类数据集上平均精度（AP）为75.2%,检测速度达到50帧/秒,相较于YOLOv4的AP下降了7个百分点,但检测速度提升了42.9%。在实际机场鸟类数据集上AP为75.0%,检测速度达到49帧/秒,在AP相当的情况下,与YOLOv4相比模型参数量减少91.1%,检测速度提升了63.3%。实验结果表明,E-Y-slim能够满足在嵌入式设备上对机场鸟类活动目标快速检测的需求。     

基于改进YOLOv5网络模型的夜间车辆检测研究

为解决夜间场景下视频监控目标检测在实际应用时准确率不高这一问题,提出改进的YOLOv5算法。首先,建立了真实夜间场景目标的数据集,该数据集有2000张图像,分为了机动车、非机动车和车牌三个类别,以8∶2的比例均匀随机分为训练集和测试集,将夜间目标的图像放入改进的YOLOv5模型中训练,最终达到在夜间检测目标的目的;改进的YOLOv5利用了K-means++聚类算法生成自适应锚框,提高对夜间目标样本的聚类效率。其次,将改进的CBAM注意力机制与特征提取网络进行融合以获取夜间目标的重要特征。最后,将Bottleneck替换成GSBottleneck模块,利用GSConv轻量化的优势减少网络模型的计算量与参数量。结果表明,通过原YOLOv5网络模型算法训练后得到的mAP值为86.69%,改进后的YOLOv5网络模型算法训练后得到的mAP值为91.98%,三种被检测类别：机动车、非机动车和车牌的检测准确精度与原版算法相比分别提升了2.00、6.66、7.19个百分点,改进的YOLOv5网络模型可以为夜间场景下车辆特征的检测提供较好的技术支持。     

改进YOLOv3-SPP水下目标检测研究

针对水下目标检测任务中图像模糊、背景复杂以及目标小而导致误检和漏检问题,提出一种改进YOLOv3-SPP的水下目标检测算法。利用UWGAN网络对水下原始图像进行恢复,采用Mixup方法增强数据,减少错误标签记忆;以YOLOv3-SPP网络结构为基础,增加网络预测尺度,提高小目标检测性能;引入CIoU边框回归损失,提高定位精度;利用K-Means++聚类算法,筛选最佳Anchor box。将改进YOLOv3-SPP算法在处理后的URPC数据集上进行实验,平均检测精度由79.58%提升到88.71%,速度为28.9 FPS。结果表明,改进算法综合检测能力优于其他算法。     

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。     

基于注意力模型和轻量化YOLOv4的林业害虫检测方法

针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,提出一种基于注意力模型和轻量化YOLOv4的林业害虫检测方法。首先构建数据集,使用几何变换、随机色彩抖动和Mosaic数据增强技术对数据集进行预处理;其次将YOLOv4的主干网络替换为轻量化网络MobileNetV3,并在改进后的路径聚合网络（PANet）中添加卷积块注意力模块（CBAM）,搭建改进的轻量化YOLOv4网络模型;然后引入Focal Loss优化YOLOv4网络模型的损失函数;最后将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。实验结果表明,该网络的各项改进点对模型的性能提升都有效;相较于原YOLOv4模型,新模型的检测速度更快,平均精度均值（mAP）更高,并且能有效解决漏检和误检问题。新模型优于目前的主流网络模型,能满足林业害虫实时检测的精度和速度要求。