基于改进YOLOv5s的田间移动障碍物检测

为实现无人农机在行驶过程中对田间移动型障碍物的实时检测,提出一种基于YOLOv5s的目标检测模型,用于检测田间行人和其他协同作业的农机设备。该目标检测模型以YOLOv5s模型为基础框架,进行了以下三点改进：第一,为了减少模型的参数量和计算复杂度,提高推理速度,将YOLOv5s网络模型中的卷积模块和C3模块替换为Ghost卷积和C3Ghost模块;第二,为了弥补模型参数量减少所造成的精度下降的损失,提升对目标的检测能力,在主干网络输出的特征层中引入CBAM注意力机制;第三,采用BiFPN特征金字塔结构,实现多尺度特征加权融合。实验结果表明,YOLOv5s模型的参数量为7.02×106,计算复杂度为15.8GB,平均检测精度为94%,生成权重文件大小为13.7MB,单幅图像的检测速度为71.43 f/s;改进后的模型参数量为4.04×106,下降了42.45%,计算复杂度缩减为8.5 GB,平均检测精度达到了93.2%,仅仅下降了0.8%,权重文件大小为8.1 MB,单幅图像的检测速度为77.52 f/s。以上数据证明,改进后的模型能够满足对田间移动型障碍物的实时检测,且更加易于部署到移动...     

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。     

针对遥感图像目标检测的改进YOLOv5s算法

针对遥感图像中背景复杂、小目标分布密集以及易受环境因素影响导致检测性能不佳的问题,提出一种改进的YOLOv5s目标检测算法。首先,通过设计一种混淆鉴别注意力机制（Confusion-Distinguishable Attention,CDA）来避免目标与背景之间的混淆,提高对目标信息的关注度,能够有效提升目标检测的准确性和健壮性。其次,在原结构的颈部添加小目标检测层,解决小目标分布紧密、漏检的现象,从而提高算法的多尺度目标检测性能。最后,在DOTA数据集中进行实验和验证。实验结果表明,所提算法能够明显提高遥感图像目标检测的平均准确率。     

基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。     

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。     

改进YOLOv5s算法的地铁场景行人目标检测

地铁场景行人目标存在大小不一、不同程度遮挡以及环境过暗导致目标模糊等问题,很大程度影响了行人目标检测的准确性。针对上述问题,本研究提出了一种改进YOLOv5s目标检测算法以增强地铁场景行人目标检测的效果。构建地铁场景行人数据集,标注对应标签,进行数据预处理操作。本研究在特征提取模块中加入深度残差收缩网络,将残差网络、注意力机制和软阈值化函数相结合以增强有用特征信道,削弱冗余特征信道;利用改进空洞空间金字塔池化模块,在不丢失图像信息的前提下获得多尺度、多感受野的融合特征,有效捕获图像全局上下文信息;设计了一种改进非极大值抑制算法,对目标预测框进行后处理,保留检测目标最优预测框。实验结果表明：提出的改进YOLOv5s算法能有效提高地铁场景行人目标检测的精度,尤其对小行人目标和密集行人目标的检测,效果提升更为显著。     

基于改进YOLOv5s的铁轨表面裂纹检测算法

铁轨轨枕表面出现的裂纹可能对轨道交通造成安全隐患。针对铁轨裂纹检测的方法存在通用性差、精度低、召回率低的问题,提出一种基于改进YOLOv5s的铁轨裂纹检测算法YOLOv5s-CBE。首先将CA注意力模块分别加入主干C3模块以及C3与SPPF之间,从通道和空间两个维度捕获通道关系和位置信息,提高YOLOv5s主干网络特征提取能力。其次,在YOLOv5s的Neck部分,使用BiFPN融合不同尺度信息,获取拥有丰富语义信息的输出特征图;同时,加权双向特征融合金字塔结构通过引入权重调整不同尺度输入特征图对输出的贡献,优化特征融合效果,减少了卷积过程中特征信息的丢失,提高了检测精度。最后,将原YOLOv5s中损失函数CIoU改为EIoU。EIoU不仅考虑了中心点距离和纵横比,而且还考虑了预测框与真实框宽度和高度的真实差异,提高了锚框的预测精度。相较于原始网络YOLOv5s,YOLOv5s-CBE铁轨裂纹检测网络在自制铁轨裂纹数据集上,模型大小相较于基础网络YOLOv5s降低了1.0 MB,精度mAP提高了3.7%,召回率由73.5%提升到76.2%,不同尺寸裂纹的漏检现象减少,具有一定的优越性和...     

基于改进YOLOv5s的Deep PCB缺陷检测算法研究

现有PCB缺陷检测方法的精确率较低而且模型复杂度也较高.针对这个问题,提出了基于改进YOLOv5s的Deep PCB缺陷检测算法.该算法在颈部网络（Neck）的C3层后添加了卷积注意力模块（Convolutional Block Attention Module,CBAM）,对小目标的检测建立特征映射关系,对特征图进行注意力重构,赋予了小目标更高的特征权重,提高网络对印刷电路板（Printed Circuit Board,PCB）图像中小目标的特征提取能力.为了从根本上解决目标特征冗余的问题,实现网络的轻量化,并且确保网络检测的精确度,提出使用Ghost Conv模块替换Conv模块,同时将C3模块改为Ghost Bottleneck模块.使用有效交并比损失（EIOU Loss）函数代替完全交并比损失（CIOU Loss）函数,减小了预测框宽高与置信度的真实差值,减少了网络的回归损失.使用上海交通大学图像处理与模式识别研究所公开的Deep PCB数据集开展实验,结果表明本文算法相较于YOLOv5s,在IOU=0.5时,mAP提升了6.8%,速度提升了4.7 Fps,模型大小减少了2.9...     

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的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

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。     

基于改进YOLOv5s轻量化带钢表面缺陷检测方法

针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对 于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。     

基于YOLOv8s改进的小目标检测算法

针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题,提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络,优化检测层架构,增强浅层信息和深层信息的融合,提高了小目标的感知和捕获能力;在特征提取网络中使用部分卷积(Partial Convolution, PConv)和高效多尺度注意力(Efficient Multi-scale Attention, EMA)机制构建全新的F＿C₂f＿EMA,在降低网络参数量和计算量的同时,通过通道重塑和维度分组最大化保留小目标的特征信息;为了更好地匹配小目标的尺度,优化调整SPPCSPC池化核的尺寸,同时引入无参注意力机制(Simple-parameter-free Attention Module, SimAM),加强复杂背景下小目标特征提取;在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息;引入了全局注意力机制(Global Attention Mechanism, ...     

改进YOLOv5s的交通标志检测算法

随着无人驾驶技术的发展,交通标志检测对于维护交通秩序、降低交通事故频率意义重大。针对交通标志因尺寸小、密度高或背景复杂导致检测精度降低的问题,提出一种改进的YOLOv5s算法。首先,将ConvNeXt＿Block嵌入YOLOv5s的Backbone和Head部分,增强YOLOv5s特征提取网络的特征提取能力,提升模型检测精度;其次,引入轻量级通用上采样算子CARAFE,在不带来过多参数量和计算量的前提下,更好地利用特征图的信息,同样带来精度提升。使用该模型处理TT100K数据集,达到79.9%的检测精度,在YOLOv5s算法的基础上提高了1.8%,帧处理速率达到74 FPS,仍然符合实时性的要求。实验结果充分验证,改进模型在真实的交通标志检测场景中兼具实时性与准确性。     

基于改进YOLOv5的海上弹着点水柱信号检测算法

海上弹着点水柱信号是评判射击效果的重要依据,因此在进行训练、演习等任务时快速、准确地获取水柱信号检测情况具有重要意义。结合海上水柱信号多尺寸、多形态的特点,对YOLOv5算法进行改进,提出了CAs-YOLOv5s算法。在输入端加入mixup数据增强策略,以线性插值的方式构建新的训练样本和标签,不需占用过多的存储空间就可以丰富样本信息;引入了坐标注意力机制,将位置信息嵌入通道注意力中,增强模型的特征提取能力;同时,将原YOLOv5s算法中空间金字塔池化模块中的池化方式由Maxpool替换为Softpool,保留更多的细粒度特征信息,放大更大强度的特征激活。在目标数据集上的实验结果表明,改进后的CAs-YOLOv5s算法平均准确率提高了4.54%,达到94.75%,速度达到23.51帧/s,在满足实时性要求的情况下可以更好地完成海上弹着点水柱信号的检测任务。     

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YOLOv5s的轻量化红外图像行人目标检测研究

基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法：首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试：对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。