基于改进 YOLOv4 的工业棒料识别算法

针对工业棒料存在遮挡干扰时难以快速有效识别的问题,提出了一种基于改进 YOLOv4 的棒料识别算法。首先对 YOLOv4 进行轻量化改进,将改进的 Mobilenetv3 作为 YOLOv4 的主干网络,以减少模型参数量,提高算法的检测速度。然后提出在 YOLOv4 原损失函数基础上串联 Repulsion 损失函数,此新增损失函数包含 2 部分: RepGT 损失和 RepBox 损失,RepGT 损失函数计算目标预测框与相邻真实框所产生的损失值,用来减少棒料误检;RepBox 损失函数计算目标预测框与相邻的其他目标预测框所产生的损失值,用来减少棒料漏检。实验结果表明,改进算法的检测速度为 63 帧/ s ,比原 YOLOv4 算法提升了20 帧/ s ;识别准确率达到 97.85% ,比原 YOLOv4 算法提升了 1.62% 。     

改进YOLOv5的无人机影像道路目标检测算法（英文）

针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度融合卷积注意力模块（Convolutional block attention module, CBAM）的YOLOv5道路目标检测算法,即YOLOv5s-FCC。首先,引入小目标感知层对模型进行多尺度改进,增加一个针对小目标的YOLO检测头以提高网络对道路中小目标的特征提取能力。其次,利用CBAM融合空间和通道信息以增强网络中的重要信息,通过将CBAM引入Backbone主干网络不同位置,以获得CBAM最佳融合位置。最后,采用CIo U作为损失函数,以提高边界框预测所需的计算速度和精度。在自建的无人机道路目标数据集上进行训练,结果表明,相较YOLOv5算法,YOLOv5-FCC算法可将mAP50和mAP50-95分别提高2.0%和4.2%。在VisDrone数据集上也验证了YOLOv5-FCC算法的有效性,并建立了基于无人机的道路目标检测系统,实现道路目标的自动检测。     

基于深度学习的道路表面裂缝检测研究

针对目前道路表面裂缝缺陷检测方法普遍存在识别率低、实时性差以及多尺度特征下检测效果不好等问题，提出一种改进的YOLOv5s算法模型。该算法引入Sim AM三维带权注意力机制且不引入额外参数，在模型中融入加权双向特征金字塔进行多尺度特征融合；同时改进预测框损失函数，使得损失函数收敛更快。经过对比实验，改进后模型的裂缝检测均值平均精度提高了2.2%，准确率为90.5%，表明了模型的有效性。     

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题，提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块，进而增强算法对零件的特征提取能力；将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法，进而提高零件检测精度。试验结果表明，相比原始YOLOv5算法，本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务，同时保证了实时性。     

基于改进YOLOv5的输电线路走廊滑坡灾害识别

随着我国大规模输电线路网络的发展建设，部分输电线路不可避免地需要穿越地质复杂、易发生滑坡区域，滑坡灾害会严重威胁输电线路的安全稳定运行，针对上述问题，提出一种改进YOLOv5(YOLOv5-BC)深度学习滑坡灾害识别方法，引入BiFPN结构替换PANet提高多层特征融合能力，引入CIoU替换GIoU损失函数，使最终预测框更接近真实框，提升预测精度。实验结果表明，算法在滑坡数据集上较YOLOv5、Faster-RCNN算法准确率均具有显著优势，可以满足实际应用需求。     

基于目标图像组合算法的改进YOLOv5模型

针对YOLOv5目标检测模型训练时间长、检测精度偏低问题,提出一种目标图像组合算法,考虑必要的图像背景及图像覆盖对目标图像进行分割,设计减少图像失真的重组策略提高单张训练集图像内目标个数,降低模型训练时长。改进先验框生成策略,以绝对差值作为距离函数,对训练集目标边框的长和宽分别进行一维K-means聚类,提高先验框对训练集的适应度。提出多层并列卷积结构,对输入特征经过三层并列卷积后的输出进行融合,增强特征表征能力。以VOC2007和VOC2012训练集和验证集作为训练图像,采用目标图像组合算法,模型训练时间减少30%以上,改进先验框生成策略使先验框对训练集的适应度达到0.735。在VOC2007测试数据集上测试,改进YOLOv5模型平均准确率均值（mAP）由79.1%提升至80.3%。     

Tiny YOLOV3目标检测改进

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可分离卷积构造反残差块替换传统卷积,降低模型尺寸和参数量,增加高维特征提取;然后,在原网络两尺度预测的基础上增加一尺度,形成三尺度预测;最后,对损失函数中的边界框位置误差项进行优化。实验结果表明,改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%,满足实时性要求,具有一定鲁棒性。本文方法能够更好地提取目标特征,多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。     

基于改进YOLOv5的无人机小目标检测方法研究

针对无人机航拍图像检测存在小目标检测准确率低以及检测模型计算量过大的问题，提出了一种基于改进YOLOv5的无人机小目标检测方法。首先，针对小目标存在漏检的问题，在YOLOv5的特征提取网络中引入了高效通道注意力机制（ECA）模块，提高对小目标的特征提取能力，进而提高小目标检测精度；其次，针对模型计算量大的问题，将模型中的CBL模块进行改进，把其中的普通卷积替换为Ghost卷积，减少模型参数和计算量，以便于在小型嵌入式设备部署；最后为了进一步优化和改进YOLOv5算法，采用加权损失函数，以充分学习图像特征。在DOTA数据集上进行测试，实验结果表明，改进的模型提升了小目标检测效果，其mAp为73.1%，比原算法提高了1.9%，速度达到了92 ms，可以准确地完成无人机航拍小目标检测任务，同时也满足实时性要求。     

基于改进YOLOv5s的工件识别检测算法

针对机器人在抓取目标工件的过程中由于光线强度变化、图像环境复杂和拍摄设备移动等造成的工件识别精度低的问题,文章提出一种改进YOLOv5s的工件识别检测算法。首先,通过数据增强扩充数据集并进行预处理;其次,使用改进的k-means聚类算法重新生成更有效的预设锚框,缩短收敛路径;然后,在特征融合网络中添加CBAM注意力机制,有效抑制背景信息干扰,提高特征提取速度;此外,将特征融合模块中原有的特征金字塔结构替换成加权双向特征金字塔Bi-FPN结构,实现高效的加权特征融合和双向跨尺度连接,提高网络对不同尺度特征的融合效率;最后,通过采用α-IoU作为边界框回归损失函数,提高模型的定位效果。结果表明,改进后的YOLOv5s算法对工件检测的mAP值提升了6.03%,检测速度提升了13.7 fps,验证了改进算法的有效性。     

基于深度学习的人脸检测算法研究

随着计算机视觉之深度学习的兴起与人脸识别技术在智能化产品的广泛应用,基于深度卷积神经网络的人脸检测相关技术成为计算机视觉领域的热门研究。基于RetinaFace结构,提出一种改进的人脸检测模型。该模型采用Resnet34作为特征提取层,利用特征金字塔网络(FPN)进行上下文分辨率信息融合,结合Inception网络适应多尺度的人脸。基于人脸边界框回归损失和分类损失,额外增加人脸五点关键点训练损失。通过IoU大于0.5非极大抑制处理在Wider Face的Easy、Medium、Hard数据集的检测边界框,训练的卷积模型在测试集准确率分别是93.79%、91.92%、55.75%。在人脸密集、遮挡严重、背景复杂的场景下检测的效果并不是很理想,而在人脸稀疏的情况下取得较好的结果。     

基于YOLOv3的装配零件多目标实时检测

为实现装配零件图像的多目标检测任务,提出基于深度学习的目标检测算法,将目标检测模型YOLOv3应用于零件的识别检测。将基于迁移学习思想的预训练权重引入网络模型的训练过程,加速网络训练过程,损失函数快速收敛,加速模型建立过程。将训练模型应用于零件检测,实验结果表明,所提出的多目标检测方法识别10类零件的mAP为99.8%,识别周期小于1s,检测结果准确。研究结果对生产线的自动化分拣、零件的装配定位有参考价值。     

基于改进YOLOv5的PCB板表面缺陷检测北大核心CSCD

针对当前PCB板检测参数量庞大、检测精度低等问题,提出了一种改进YOLOv5的检测模型。以YOLOv5模型为框架,采用EfficientNetV2结构替换原始模型的主干网络,针对小目标缺陷,引入对空间信息更敏感的CA注意力机制,并采用α-IoU损失函数提高模型回归精度。实验结果表明:改进后的YOLOv5网络模型较原始网络均值平均精度提高了2.6%,参数量减少47%,可应用在小型工业检测设备中。     

改进YOLOv3的轮毂焊缝缺陷检测

为了实现轮毂焊缝缺陷的智能化检测,本文对深度学习目标检测算法(You Only Look Once version3,YOLOv3)进行改进,得到YOLOv3-MC算法用于轮毂焊缝缺陷的检测。首先,使用工业相机采集轮毂焊缝图像,然后标注图像制作数据集,并且通过数据增强方法扩充数据集。接着,为了提高算法检测精度,使用Mish激活函数替换YOLOv3主干网络中的激活函数。修改算法的损失函数,使用完备交并比(Complete Intersection over Union,CIoU)的计算方法提升算法检测的定位精度。最后使用训练集训练算法模型,再使用验证集和测试集图像数据进行检测试验,结果表明,YOLOv3-MC的最优模型在验证集上的平均准确率(Mean Average Precision,mAP)达到了98.94%,F1得分值为0.99,平均交并比(Average Intersection over Union,AvgIoU)为80.92%,检测速度为76.59帧/秒,模型大小234MB。该模型在测试集上的检测正确率达到了99.29%。相较于传统机器视觉检测方法,该方法提高了检测精度,满足轮毂生产企业的焊缝实时在线检测需求。     

基于YOLOv5的岸边集装箱桥式起重机钢丝绳损伤检测方法

针对岸边集装箱桥式起重机钢丝绳传统监测方式存在着故障识别率低的问题,提出了一种基于改进YOLOv5的岸边集装箱桥式起重机钢丝绳损伤检测方法。首先,在骨干特征提取网络部分引入注意力机制CBAM,对重要的特征通道进行强化;其次,选用损失函数EIOU对训练模型进行优化;最后替换原YOLOv5算法使用的加权NMS算法,提高边框的位置精度。实验结果表明,改进后的YOLOv5目标检测网络在钢丝绳损伤数据集上对断丝、磨损、畸变3种损伤类型的平均精度均值达90.3%,比原始的YOLOv5算法提高了3%,检测效果更优,实现了对钢丝绳更快速的识别,为今后开发岸边集装箱桥式起重机钢丝绳在线监测系统提供了一定的理论基础。     

改进YOLOv5s的纱管目标检测方法

为解决传统纱管分类方法效率低下、误差较高的问题,提出一种基于改进YOLOv5s算法的纱管目标识别方法。该算法融合了坐标注意力模块(CA)和Transformer模块,提出了新的SPP模块(SPP+)替换传统的SPP模块,使用加权双向特征金字塔网络(BiFPN)思想增强特征融合,并使用WIoU损失函数替代原有的损失函数。为验证改进算法性能,制作了一套纱管数据集,并基于改进YOLOv5s算法进行了纱管检测实验。实验结果表明改进的算法具有更好的识别效果。     

基于深度学习的多尺寸汽车轮辋焊缝检测与定位系统研究

为了实现汽车轮辋生产装备自动化与智能化,提升汽车轮辋的生产效率,降低人工成本,本文提出了一种基于YOLOv5s算法的多尺寸汽车轮辋焊缝检测与定位系统。首先,由图像采集装置拍摄实际生产中的多尺寸轮辋焊缝图像,构建轮辋焊缝数据集,使用K-means算法重新生成数据集锚定框,提升网络的收敛速度和特征提取能力;其次,引入CBAM(Convolutional Block Attention Module)混合域注意力机制,提高模型对于轮辋焊缝关注度,减少背景干扰;然后,采用EIOU(Efficient Intersection Over Union Loss)边框位置回归损失函数,提高轮辋焊缝识别框的准确率;最后,增加了ASFF(Adaptively Spatial Feature Fusion)自适应特征融合网络,使目标检测模型对多个级别的特征进行空间滤波。实验结果表明,改进后的算法准确率和mAP0.5分别达到了98.4%和99.2%,相比于原YOLOv5s算法分别提高了4.5%和3.7%。训练好的模型采用推理加速框架TensorRT进行加速部署在工控机上,搭配视觉检测软件与工业触摸屏形成交互...     

基于融合多维非对称策略的螺纹缺陷检测方法

目前机械零件螺纹的缺陷检测主要依赖人工目视检测,存在速度慢、误差大等问题,为此,基于融合多维非对称策略提出一种计算机视觉螺纹缺陷检测方法。首先,在YOLOv7目标检测算法的网络结构部分新增一层160×160的特征提取层,增加模型的目标检测尺度;设计LAM+DBAM注意力模块,引入标准差权重影响因子,从而构建新的权值计算公式,将发挥重要程度不同的特征提取层进行非对称融合,提升网络对小目标的特征提取能力。其次,采用TIoU损失函数,将预测框和标签框进行区分,非对称地处理输入的2个边界框,提升前景信息在网络特征提取过程中发挥的作用。最后,对模型的BN层进行稀疏化训练,通过缩放因子γ判断卷积核的重要程度,对非重要卷积核进行剪枝,消除模型的冗余参数,提升检测速度。试验结果表明,提出的基于融合多维非对称策略的螺纹缺陷检测方法的精度均值达到93.72%,检测速度达到53 f/s。     

基于卷积神经网络的热轧钢条表面实时缺陷检测

热轧钢条的表面质量对成品至关重要,因此必须要严格控制热轧钢条的表面出现的缺陷。 针对当前 YOLOv4 算法检测 精度不高、对小范围信息表现较差等问题,提出一种改进 YOLOv4 自动检测方法。 首先,将 YOLOv4 中特征提取网络 CSPDarknet53 换为轻量级深层神经网络 MobileNetv3 来提高检测速度,并且加强对检测目标特征提取以及减少梯度消失问题。 其次,采用 K-Means 聚类生成适合本实验的先验框,有效提高学习效率,加快收敛速度。 最后,对置信度损失进行重新定义,提 出一种能够适应多尺度的损失函数,来解决因正负样本不平衡而导致检测效果差的问题。 实验结果表明,该方法较原 YOLOv4 模型在热轧钢条的表面缺陷检测上的均值平均精度值提高约 7. 94% ,速度提升约 4. 52 f / s,在保证检测速度的基础上有效提高 了精确度。     

金属表面缺陷检测的改进YOLOv3算法研究

针对现有的金属表面缺陷检测方法存在着检测效率低、适用范围受限、处理步骤繁琐等缺陷,提出了基于改进型YOLOv3算法的实时缺陷检测方法。该方法将采集到的图片分为N×N个格子,每个格子用来检测缺陷的中心点是否在格子中,利用特征金字塔与残差层融合特征的方式对图片中的缺陷进行定位,得到多个缺陷的边界框,使用非极大抑制的方法筛选出得分最高的边界框。为了提高检测效果,在输入端对图像进行直方图均衡化,并基于缺陷权重优化了算法中的损失函数以提高缺陷分类的准确性。最后,利用改进型YOLOv3算法对钢板表面的压痕与划痕进行了实验检测,结果显示该方法可以快速、准确检测出钢材表面的压痕与划痕,精度分别为92%和90%。     

基于RW-YOLOv3的输送带表面损伤实时检测

针对输送带表面纹理复杂且缺乏边缘设备实时准确识别损伤的现状,提出一种基于RW-YOLOv3的输送带表面损伤实时检测算法。首先,采用结构重参数化RepVGG网络替换YOLOv3算法原主干网络DarkNet53,实现输送带表面损伤快速精准检测;然后将交并比(Intersection over Union, IoU)损失、分类置信度损失和SIFI相似度加权求和构建预测框与目标框,并进行匹配生成代价矩阵,再通过计算最小代价矩阵,找到最优Wasserstein传输距离实现最优标签分配,从而减少正负样本不平衡造成的误差;最后,基于多尺度检测和结果融合,完成输送带表面损伤实时准确检测。实验结果表明,提出的算法较YOLOv3算法,检测精度均值提升了8.36%,检测速度提高了51.36 FPS,与其他算法相比,所提算法精度高、速度快,满足高带速下输送带表面损伤实时检测需求。