基于改进YOLOv5m的电动车骑行者头盔与车牌检测方法

电动车上路必须佩戴安全头盔已成为交管部门的强制性规定.为了能自动检测出电动车骑行者的头盔佩戴情况,提出一种基于改进的YOLOv5m模型的头盔与车牌检测方法,在检测出骑行者未佩戴头盔的同时还能检测出电动车车牌.模型使用自建电动车骑行者头盔与车牌检测数据集进行训练,用DIOU损失函数代替GIOU损失函数,DIOU_NMS代替加权NMS,增强模型对密集骑行场景的识别能力.在Backone部位与预测中小目标的Neck部位加入ECA注意力机制,使得模型对中小目标的识别率有所提高;用K-means算法对锚框尺寸重新进行聚类.最后,改进Mosaic数据增强方式.实验结果表明:改进的 YOLOv5m 电动车骑行者头盔与车牌检测模型的 mAP 为 92.7％,较原 YOLOv5m 模型提高 2.15个百分点,较 YOLOv4-tiny、Faster RCNN 模型分别提高 5.7个百分点与 6.9个百分点.改进后的 YOLOv5m 模型能有效提高对头盔与车牌的识别率.     

基于改进YOLOv5s的复杂道路交通目标检测算法

针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明：改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP＿0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP＿0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP＿0.5提高了2.2%。     

YOLOv3在安全帽佩戴检测中的应用研究

针对施工现场环境复杂,基于YOLOv3的安全帽佩戴检测算法存在精度低、鲁棒性差等问题,提出一种改进YOLOv3的安全帽佩戴检测算法。使用K-means算法聚类出先验框,改进了网络输出尺度;并在输出端引入了跳跃连接构成残差模块;同时改进分类损失函数以平衡正负样本、难易样本对模型的影响。为验证该方法的有效性,在NVIDIA GTX1660Ti平台上进行了验证,实验结果表明,改进后的YOLOv3安全帽佩戴检测算法平均准确率提高了4.84%,提升了对被遮挡的目标以及小目标的检测能力,具有较强的鲁棒性。     

基于改进的YOLOv5s算法的水下小目标检测

针对目前水下小目标检测任务中检测精度低、目标重叠等问题,提出了一种改进YOLOv5s网络的水下小目标检测算法。首先在YOLOv5s的骨干网络中研究嵌入不同数量与位置的卷积块注意力模块来增强网络对特征图重要目标信息的关注;然后在网络颈部增添金字塔池化层,加强局部特征与全局特征的融合,使得特征图表达的信息更加丰富;最后将传统的非极大值抑制算法用中心距离非极大值抑制来代替,改善漏检误检的情况。实验结果表明,该算法在通用水下目标数据集RUIE以及小目标数据集VEDAI上平均精度分别可以达到85.25%和75.12%,显著提升了水下小目标检测的精度,降低了误检率。     

基于改进YOLOv5s的雾天场景车辆检测方法

为了解决现有的目标检测方法在雾天场景下存在识别准确率低、易漏检的问题,提出一种改进YOLOv5s的雾天车辆检测方法。首先,以VisDrone数据集为基础,通过大气散射模型生成轻雾数据集(LightFogVisDrone)和浓雾数据集(ThickFogVisDrone),并收集真实雾天场景图片组成混合浓度数据集(MixFogData);其次,对原始YOLOv5s的Mosaic数据增强方式进行改进,由原始的4张图片改为9张图片进行随机剪切,减少灰色背景面积,加快模型收敛,提高训练效率,在预测端之前添加CBAM注意力机制,以此来增强模型的图像特征提取能力,改善遮挡目标与小目标的漏检问题;最后,优化NMS非极大抑制值先验框,改善车辆目标的漏检问题。实验结果表明：与原始YOLOv5s相比,改进YOLOv5s在轻雾、浓雾和混合雾气状态下的平均精确率分别提高了16.14、16.16和15.05百分点。改进YOLOv5s对于雾天环境下车辆目标的检测具有有效性和实用性。     

基于EfficientNet-YOLOv5s的绝缘子缺陷检测

针对目前复杂背景下绝缘子缺陷小目标检测准确率低的问题,提出一种深度学习框架下的EfficientNet-YOLOv5s神经网络检测算法,首先通过无人机航拍输电线路中含有各类绝缘子的图像,并通过图像增强技术丰富图像数据集,然后用EfficientNet网络替换YOLOv5s主干网络,用改进的网络对标注的绝缘子数据集进行训练和测试,最后对模型的损失函数和非极大值抑制算法加以改进,进一步解决绝缘子目标重叠导致的漏检问题。实验结果表明,改进的网络平均精度达到98.5%,满足输电线路中绝缘子缺陷检测要求。     

改进的YOLOv4头盔佩戴目标检测研究

针对骑手在骑行时是否佩戴头盔对交通安全的影响问题,提出了一种改进的YOLOv4算法,能够更准确地识别和检测骑手是否佩戴头盔,从而为骑手提供安全保障。首先,选择轻量级网络MobileNetv1作为主干特征网络,并将YOLOv4网络中尺寸为3×3、步长为1的标准卷积层均替换为深度可分离卷积,减少模型计算量的同时提升检测速度;其次,引入ECA注意力机制,关注重点特征并抑制非必要特征,增加特征网络表现力;最后,引入改进的损失函数Focal-EIOU,改善常见的样本不均衡问题。实验结果表明：改进的YOLOv4算法生成的模型权重大小为48.43 M,是YOLOv4算法权重大小的19.3%,检测速度由33.40帧/秒提升至50.40帧/秒,mAP值为95.56%,在满足精确性的前提下更有利于轻量化部署。     

一种基于改进YOLOv5s的车道线检测方法

为提高车道线检测的实时性与准确性,在机器学习的框架下,提出了一种基于改进的YOLOv5s模型检测方法。该方法在图像预处理后增加了一个二值化通道与原图像一起更新数据集;为了高效提取车道线特征,加入anchor-free改进其锚框问题;为节省GPU内存、增强机器对目标的识别能力,采用mixup与mosaic结合的方式增强数据;为加快收敛速度和提高识别准确率,将损失函数改进为EIOU。实验结果表明,所提检测算法能够实现较为准确的车道线检测,实时性和准确性比YOLOv3的高很多,mAP增加了约30%,与YOLOv5s相比,其mAP约增加了11%,且改进方法具有良好的鲁棒性。     

多特征融合的驾驶员疲劳状态检测方法

针对现有疲劳状态检测方法无法适用于疫情防控下的驾驶员，利用改进后的YOLOv5目标检测算法，对驾驶员的面部区域进行检测，建立多特征融合的疲劳状态检测方法.针对公交驾驶特性，建立包含佩戴口罩和未佩戴口罩情况的图像标签数据.通过增加YOLOv5模型的特征采样次数，提高眼、嘴、面部区域的检测精度.利用BiFPN网络结构保留多尺度的特征信息，使得预测网络对不同大小的目标更敏感，提升整体模型的检测能力.结合人脸关键点算法提出参数补偿机制，提高眨眼、打哈欠帧数的准确率.将多种疲劳参数融合归一化处理，开展疲劳等级划分.公开数据集NTHU和自制数据集的验证结果表明，该方法对佩戴口罩和未佩戴口罩情况均可以进行眨眼、打哈欠识别，可以准确地判断驾驶员的疲劳状态.     

基于改进YOLOv4-tiny算法的车距预警方法

针对现有网络难以实时精确识别道路检测目标及车距的问题,提出了一种基于改进YOLOv4-tiny算法的车距预警方法。首先,总结了YOLOv4-tiny算法的特征提取结构,分析了原网络结构的不足之处。其次,在原网络中增加了空间金字塔池化层SPPF进一步提取目标特征,增强深层次语义信息表达能力,并将特征金字塔网络(FPN）结构添加下采样通道和CSPnet层,充分融合多尺度图像特征,避免浅层信息丢失。最后,使用Mosaic数据增强方法丰富数据集训练样本,并将改进YOLOv4-tiny算法与单目测距原理相结合,依据车距大小设置3种级别的信息提示进行车距预警实验。结果表明：本文算法在PASCAL VOC数据集上的检测速度为43帧/s,平均精度达到81.25%,较YOLOv4-tiny算法提高了3.59%。可见,改进YOLOv4-tiny算法在满足检测实时性要求的同时,具备良好的目标检测精度,对提升车距预警方法的使用效果具有指导意义。     

基于嵌入式平台的安全帽实时检测方法

基于深度学习实现施工现场人员是否佩戴安全帽的检测方法因卷积神经网络层数多、结构复杂、计算量庞大,难以在嵌入式平台上实现实时检测。针对该问题,提出一种基于改进YOLOv4-Tiny的轻量化网络算法。该算法首先通过改进特征提取网络进一步融合多尺度特征信息以提高对小目标区域的识别能力;其次通过引入EIOU损失函数提高定位精确度以及模型收敛速度;最后采用聚类算法K-means++提取先验框中心点,选取更为合适的先验框,用于提高检测的精度及速度。实验结果表明,采用改进后的算法在嵌入式平台上进行安全帽佩戴检测,均值平均精度达到92.47%,较YOLOv4-Tiny提高了12.91%,实现了每秒20.16帧的实时检测速度,达到了实时检测的要求。     

基于改进YOLOv4-Tiny的矿井电机车多目标实时检测

为解决煤矿巷道环境恶劣以及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至四尺度预测,并且在网络模型的颈部引入空间金字塔池化（SPP）模块,以丰富特征融合信息,增大网络模型的感受野;其次,以煤矿巷道中的行人、电机车、信号灯以及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类,通过对比分析验证了K-means++算法具有更好的聚类效果;最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步直观了不同改进措施对网络模型检测性能的影响,并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明：YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均检测精度（mAP）为95.35%,对小目标“碎石”的平均检测精度（AP）为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38和41.66个百分点;改进后算法的平均检测速度达58.7帧/秒（FPS）,模型内存仅为26.3Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。     

基于改进YOLOv8s的鼓形滚子表面缺陷检测算法

为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级间的跨尺度连接和同尺度下的跨层连接,有助于小目标特征信息在卷积网络的传递.在头部增加小目标检测层,提高模型对小缺陷的检测能力.在损失函数方面,利用动态非单调聚焦的Wise-IOU的边界框损失函数替换CIOU,在加快网络收敛的同时,提高网络检测的精度.在自制的鼓形滚子缺陷数据集上进行测试,结果表明,改进的YOLOv8s在倒角数据集、侧面数据集、端面数据集的mAP@0.5分别达到0.911、0.983、0.935,相比于YOLOv8s,m AP@0.5分别提高了6.4%、3.3%、4%,精确度和召回率也有一定的提升,平均每张图片的检测时间为23 ms.与原模型相比,改进的YOLOv8s对小目标缺陷有更好的定位能力和检测精度,检测速度能够满足工业大批量检测的要求.     

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。     

基于YOLOv5s和Android部署的电气设备识别

针对变电站多种电气设备实时检测的需求,提出了一种基于改进YOLOv5s的电气设备识别方法,并设计基于Android部署的电气设备识别APP,以便对电气设备进行识别与学习。以电力变压器、绝缘子串等6种常见变电站电气设备为例构建图像数据集。数据集进行图像预处理后对YOLOv5s算法进行改进。通过引入C2f模块提高小目标检测精度,采用Soft-NMS提高检测框筛选能力,减少漏检和误检的情况,使用改进后的算法对数据集进行模型训练。将训练好的识别网络模型通过TensorFlow Lite框架进行模型部署,设计电气设备识别APP。经验证,改进后的变电站电气设备识别网络模型mAP稳定在91.6%,与原模型相比提高了3.3百分点。部署后的APP具有设备识别和设备介绍等界面,使用移动端进行识别时每张图片识别时间都小于1 s,具有较快的识别速度和较高的识别精度,可以高效地实现变电站电气设备的实时检测与设备学习。     

基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

基于YOLOv5的行人口罩佩戴实时检测

针对新冠疫情期间人工检查行人口罩佩戴情况效率低下的问题,提出了基于YOLOv5网络来实现对行人口罩佩戴情况的实时检测算法。收集了2000张佩戴口罩及未佩戴口罩行人图片作为数据集,先基于COCO数据集的权重数据进行预训练,提高训练的速度和检测;再将数据集导入YOLOv5模型中进行迭代训练及测试,将所获得的最优权重文件对测试集进行验证,并把训练结果可视化展示。实验结果表明,该算法在行人密集的情况下实时检测速度也能达到62.5FPS的高准确率,满足了行人口罩佩戴实时检测的要求。     

基于改进YOLOv5s的水果目标检测研究

为了准确识别果树上不同的水果目标,解决对果实识别精度不理想等问题,提出一种基于YOLOv5s的改进算法。首先,在回归框预测损失上,将EIoU损失函数应用到YOLOv5s上,使目标框与锚框的宽度和高度之差达到最小;其次,在主干网络上添加ECA-Net注意力机制,以更好地提取不同果实目标的特征。实验结果表明,YOLOv5s+ECA+EIoU loss的综合性能优势明显,与现有的几种网络算法对比,改进后的算法各项数据均优于其他算法,进而验证了改进的有效性,可以为机器人采摘时的目标检测研究提供必要的技术支持。     

基于改进YOLOv7的安全帽佩戴检测算法

为提高工作场所安全帽佩戴的检测精度,提出一种基于YOLOv7网络架构的改进算法。首先,在特征提取网络中引入卷积块注意力机制(CBAM)取代YOLOv7中主干网络部分原有的卷积模块(CBS),增强网络的特征提取能力,加强网络对目标和背景的分辨能力;其次,为解决由于网络层数的加深导致小目标特征减弱甚至消失的问题,增加一个小目标层,通过将浅层网络特征与深层网络特征融合,进一步保留小目标特征。实验结果表明,原YOLOv7对安全帽佩戴检测的均值平均精度为86.1%,改进后到达93.4%,实现了检测精度的提高。     

基于多尺度融合与注意力机制的小目标车辆检测

针对传统目标检测算法（SSD）检测小目标精度低的问题,提出基于注意力机制与多尺度信息融合方法并将其运用于车辆检测任务.结合浅层特征图与深层特征图的优势,小目标检测分支和大中型目标检测分支的特征图采用5支路和2支路融合.在基础网络层之间加入注意力机制模块,模型会关注包含更多信息量的通道.实验结果表明,在自建车辆数据集上的均值平均精度（m AP）达到90.2%,比传统SSD算法提高了10.0%,其中小目标检测精度提高了17.9%;在PASCAL VOC 2012数据集上的类别平均精度mAP为83.1%,比主流的YOLOv5算法提高了6.4%.此外,提出算法在GTX1 660 Ti PC端的检测速度可以达到25帧/s,能够满足实时性的需求.