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。     

改进的YOLOv4红外图像行人检测算法

在夜视红外行人检测的定位任务中,样本取样机器处于高点俯拍,使得所拍摄到的行人目标体积较小.此外,行人时刻处于活动状态,与摄像头的距离不同,导致检测时同类目标在图中的大小有一定的差异.基于YOLOv4算法,本文提出了一种改进的YOLOv4红外行人检测算法,对YOLOv4的网络结构进行了优化.采用形变卷积为核心组件,构建形变特征提取模块提升对于目标特征提取的有效性;针对形变卷积对特征提取网络模块进行优化.结果表明,改进后的算法在整体鲁棒性、召回率、F1-Score等评价指标方面均优于其它算法.     

一种基于YOLOv5s的红外图像目标检测改进算法北大核心CSCD

受热红外成像方式限制,交通场景下红外图像存在对比度低、目标尺度和姿态的多样性以及目标之间的相互遮挡问题,从而造成检测精度下降,部分目标出现漏检、误检的情况。本文在YOLOv5s的基础上提出一种改进算法:在数据处理方面,使用AHE算法对训练集图像进行部分数据增强;在模型改进方面,通过引入跨域迁移学习策略、插入通道注意力机制SENet、改进损失函数GIoU为α-CIoU对YOLOv5s进行改进。并通过消融实验的方式,在自制数据集上对夜间道路环境下的电动自行车驾驶行为进行检测。实验结果表明,改进后的算法对单人驾驶电动自行车行为检测的平均精度达到了95.9%,比YOLOv5s的检测精度提高了3.1%;对载人驾驶电动自行车行为检测的平均精度达到了88.4%,比YOLOv5s的检测精度提高了9.5%;总类别检测的平均精度达到了92.2%,比YOLOv5s的检测精度提高了6.4%,有效降低了红外目标漏检、误检的概率。     

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。     

基于YOLOv5的太阳能电池片EL图像缺陷检测算法

EL图像可用于精准检测太阳电池及光伏组件的内在缺陷,太阳能电池片EL图像缺陷会受到复杂背景的干扰使其变得难以识别。为此,提出一种改进的YOLOv5深度学习模型,用于提高缺陷检测的可靠性和准确性。该模型采用CutMix数据增强对EL图像的处理,在Backbone中使用改进混合域注意力替换原有网络的内容安全策略(Content Security Policy,CSP)部分,提高模型的特征提取能力。同时,引入特征融合(Feature Fusion Module,FFM)模块有效融合不同维度的特征,达到背景抑制的效果。基于PVEL-AD公开数据集的实验结果表明,相较于原来的YOLOv5s模型,改进后的模型参数量从7.02×10⁶下降到6.79×10⁶,且m AP50准确率从71.11%提升到87.74%。     

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。     

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YOLO的轻量红外图像行人检测方法

红外图像中行人的快速检测一直是计算机视觉领域的热点和难点。针对红外图像行人目标检测算法检测速度和检测精度难以平衡,算法模型体积较大,在中低性能设备中难以部署和实时运行的问题,提出了一种基于YOLO算法的轻量红外图像行人检测方法。在分析了MobileNet-v3等轻量网络在YOLO-v3算法上的性能和特点之后,该方法提出了引入注意力机制的轻量特征提取网络(CSPmini-a)、特征融合模块和解耦检测端分类回归结构三种改进措施,在满足网络模型轻量的情况下保证了一定的检测精度。实验表明,该方法有效的实现了红外图像行人目标检测的准确性和快速性。     

基于改进YOLOv5的路面坑洼检测算法研究

路面坑洼作为路面结构的重要缺陷之一,对于保障自动驾驶车辆的行驶安全或移动机器人运行具有重大意义。在处理路面坑洼检测时,面临着挑战性的计算机视觉任务,要求在不同的工况下对多样化的数据样本进行处理。诸如雾、雨、雪等天气因素会对道路图像的质量和可见性产生负面影响,进而增加了数据预处理和特征提取的难度。传统的目标检测算法通常难以有效适应这些场景变化,导致训练数据集无法充分反映道路坑洼的多样性和复杂性,从而降低了目标检测模型的泛化能力和准确性。在实际应用中,这些方法容易导致漏检和误检的错误,对道路状况识别和评估的效率和质量造成影响。本文提出了一种基于YOLOv5的改进的路面坑洼检测算法,通过引入一个概念简单、功能强大但非常新颖的注意力机制(BiFPN),并替换适合的激活函数与损失函数,提升了模型的检测精度以及查全率,同时降低计算参数,简化检测模型。经实验验证,本文改进的算法与原模型相比准确率(Precision)提升了7.2,召回率(Recall)提高了5.5,平均准确率(mAP)达到了80.8,较原YOLOv5s模型提升了2.1。综上,与常用的一类传统算法相比,本文的改进算法能在几乎不牺牲运行速度的情况下较为明显地提高检测精度,降低漏检率,且不影响检测时的帧率,具有较好的移动端部署价值与对相应研究的参考价值。     

基于改进YOLOv7的机载红外弱小目标检测算法

随着现代化战争的技术升级,机载红外探测领域对更快更远更准地发现目标的需求日益强烈。为满足机载环境下对红外弱小目标高精度高帧率的检测,本文提出了一种基于YOLOv7改进的目标检测算法,以YOLOv7目标检测算法为基础,进行了修改网络结构和加深卷积层数来使特征提取更多的小目标信息特征；并对骨干网络获取的特征层引入注意力机制来提高神经网络对小目标的感知能力以及提高小目标所在区域的权重占比；使用EIOU损失函数替换原本的CIOU损失函数,提高了收敛速度和定位精度。实验结果表明,相较于原算法YOLOv7,在极小损失帧率的情况下,改进后的算法mAP可以达到9849,相较原始算法提升了124,有助于提升对机载红外弱小目标的检测准确率。     

基于改进YOLOv5的潜艇目标检测算法

为了解决传统潜艇目标检测缺乏对复杂背景和噪声的鲁棒性、对光照变化和视角变化敏感、难以处理大规模数据集等问题,提出了一种基于改进YOLOv5潜艇目标检测器。通过C3_Transformer结构,有效提升了特征的全局上下文建模能力和长距离依赖性捕捉能力;通过simOTA解决anchorbased算法中正负样本不平衡问题,增强模型对小目标和困难样本的学习能力;利用decoupledhead的思想解决分类和位置预测任务的互斥性问题,提高检测精度和鲁棒性。实验结果表明:相较于原始YOLOv5,改进后的模型Precision、Recall、mAP05、mAP 05∶095分别提高了28、109、38、147,这表明改进后的模型在潜艇目标检测的准确性、召回率以及在不同置信度阈值下的平均准确率等方面取得了明显的进步,同时在实际检测任务中改进后的模型有效解决了“漏检”、“误检”的问题。     

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。     

基于双阶段轻量YOLO的红外行人伪影检测算法北大核心CSCD

由于镜面回波效应,红外图像采集过程中行人不可避免出现反射倒影(本文简称“伪影”)区域,此时对后续行人检测会造成一定程度影响,对上述情况,本文提出一种基于轻量YOLO(You Only Look Once)的双阶段网络检测框架,先检测“行人-伪影”联合区域再精准定位伪影位置。首先,针对YOLOv5s轻量检测算法进行改进,使用LSM(Light Sample Module)双分支结构替换原下采样部分,并嵌入注意力机制来提高模型的特征整合能力,实现红外图像的背景过滤和联合区域提取。其次,对联合区域进行无失真矩形填充保持原始特征,设计轻量级行人伪影定位网络LS YOLO(Light Structur YOLO)检测联合区域获得最终的伪影位置坐标。实验结果表明,本文算法能够满足实时检测要求,在数据集中,相比其他算法获得更好的检测效果,行人伪影的检测正确率达到9545%。     

基于SLPP-SHOG的红外图像车辆检测方法

针对红外图像的车辆检测,结合梯度方向直方图(HOG)特征与监督保局投影(SLPP),提出单帧图像车辆检测算法。首先,为增强特征描述能力、提高检测性能,在不增加特征维数的情况下,利用图像分割将区域的轮廓信息、灰度信息融入HOG特征中;其次,针对传统HOG特征维度过高,影响车辆检测效率以及准确率的问题,采用SLPP对提取的SHOG特征进行降维;最后,利用极限学习机(ELM)对样本图像的低维特征进行训练得到ELM分类器,实现车辆检测。本文以实拍红外图像作为实验数据,实验结果显示:针对红外图像的车辆检测,本文算法的检测性能较好,与原始HOG特征相比,本文所提SLPP-SHOG特征的特征维数由1764降至30,检测准确率升高16.03%,F1-measure提高了8.79%,检测时间由5.7 ms降至2.6 ms。