基于改进 YOLOv5 的港口集装箱损伤检测算法

针对港口复杂环境背景下,不同尺度间多种类集装箱损伤目标检测精度低的问题,提出一种基于改进YOLOv5的港口集装箱损伤检测算法。通过使用一维卷积改进卷积块注意力机制(CBAM)中空间注意力模块的池化操作,后设计残差结构,并验证在不同位置引入改进的CBAM基本块对模型性能的影响,探索尽量减小复杂背景对检测结果影响的最佳方案及融合位置;为有效解决不同集装箱损伤图像尺度特征变换较大的问题,依据双向特征融合网络(Bi-FPN)结构思想,对颈部特征融合网络进行改进,在不过多增加计算量的情况下,更好地增强网络对多尺度目标的特征融合能力;最后将EIOU Loss替换GIOU Loss作为算法的损失函数,在降低算法边界框回归损失的同时提高算法的检测精度。实验结果表明,改进YOLOv5算法的平均检测精度达到了98.32%,较原YOLOv5目标检测算法提高了4.28%,同时保证了检测速度,验证了所提出算法的有效性,对港口企业高精度验箱的工业部署有重要意义。     

基于YOLOv5算法的交通标志识别技术研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种改进YOLOv5算法的交通标志识别方法.首先改进YOLOv5算法的损失函数,使用EIOU损失函数代替YOLOv5算法所使用的GIOU损失函数来优化训练模型,提高算法的精度,实现对目标更快速的识别;然后使用加权Cluster非极大值抑制(NMS)改进YOLO...     

基于注意力机制的交通标志识别

针对实际场景中的交通标志大多小而密集,导致小目标交通标志识别准确度较低的问题,提出一种改进YOLOv5算法。首先将CBAM同时嵌入YOLOv5网络的Backbone和Head部分,以提升网络特征提取能力。其次为解决GIoU Loss可能造成的模型收敛速度较慢问题,改用DIoU Loss作为网络回归损失函数。实验结果表明,改进后的算法对于交通标志图像的识别平均准确率达到96.40%,相较于原算法有了6.83%的提升。最后为验证模型的实时可行性,在TX2嵌入式系统中利用本文改进YOLOv5算法对实景视频中的交通标志进行识别,结果表明本文改进算法能在嵌入式系统中流畅运行。     

基于改进YOLOv5的 SAR 图像飞机目标细粒度识别

针对合成孔径雷达(synthetic aperture radar,SAR)图像飞机目标细粒度识别中的小目标和多尺度检测问题,提出了 一种基于YOLOv5的改进SAR图像飞机目标识别算法。该方法首先对网络进行重构,加入小目标检测层,改善小目标的漏 检问题,提高目标定位精度。其次,在颈部网络中引入极化自注意力机制(polarized self attention,PSA),并使用双边特征金 字塔结构(bir-directional feature pyramid network,BiFPN)进行多层特征带权融合,提高对飞机目标散射信息的关注度和滤除 干扰信息。最后,使用SIoU(SCYLLA intersection over union)作为网络损失函数提高网络收敛速度和检测精度。利用SAR- AIRcraft-1.0数据集进行了算法有效性试验研究,实验结果表明,算法有效提升了飞机目标的检测精度,精确率、召回率、平均 精度均值分别达到92.6%、84.1%、90.1%。     

基于改进YOLOv5模型的智能变电站目标违规行为检测方法研究

针对目前智能变电站安全智能巡视方法巡视效率低和所耗时间长等问题,在视频监测系统的基础上,提出了一种改进的YOLOv5模型用于智能变电站目标违规行为检测。引入Kmeans++算法解决小目标不敏感问题,引入注意力机制CBAM提高小目标特征占比,引入alpha-IoU损失函数增强对小数据集的鲁棒性。为了验证所提模型的适应性和优越性,对其进行试验分析。结果表明,所提方法与常规方法相比,在多种目标行为检测中具有较高的检测性能,检测准确率为93.80%,检测速度为32.6FPS,满足智能变电站对目标违规行为检测要求。可为智能变电站无人值守提供一定的参考。     

基于YOLOv5的雾霾天气下交通标志识别

针对雾霾天气下道路交通标志识别难度大、精确度较低的问题,提出一种基于YOLOv5的雾霾天气交通标志识别模型。首先在YOLOv5原始模型上融入卷积注意力机制,在空间维度和通道维度上进行特征增强,抑制雾霾天气对模型的干扰;然后将BiFPN作为neck层中的特征融合结构,更加充分地融合多尺度特征,减少目标信息丢失;并选用CIoU作为YOLOv5的损失函数提高定位能力;使用K-means聚类算法在TT100K和CODA数据集重新获取锚框值,加快模型收敛速度。实验结果表明,改进后模型识别精度达到92.5%,比YOLOv5提升5.6%,在雾霾天气下仍能准确识别交通标志,速度达27 FPS,能够进行实时检测。     

基于改进YOLOv5与CRNN的电表示数识别

为了提高电表示数检测和识别的准确率，基于轻量高效的YOLOv5s网络提出了改进的目标检测网络。首先，在特征提取阶段添加CBAM注意力机制对图像的重要特征进行自主学习，并设计了一种特征融合网络D-BiFPN加强了对深层特征的提取；其次，引入CIOU损失函数，使目标框的回归更加稳定。对CRNN文本识别算法的主干网络进行改进，模型保持轻量化的特点，在移动端部署上有良好的前景。最后，在电表数据集上测试得出：相比于YOLOv5算法，所提出的算法精度均值提升了5.13%;相比于CRNN算法，所提出的文本识别算法准确率提升了7.4%。实验结果表明，改进后的文本检测算法对电表示数的检测精度较高，文本识别算法准确率和速度较高，满足电表示数检测识别的实际应用需求。     

基于改进YOLOv5的输电线路鸟巢缺陷检测方法

鸟巢侵占是输电线路经常发生的一个故障情况。鸟类在铁塔上筑巢将会影响铁塔的绝缘性能，造成跳闸事故的发生。传统的输电线路鸟巢识别方法效率低且安全性不足。为此，本文提出了一种改进YOLOv5模型的输电线路鸟巢检测算法。通过在主干网络中加入CBAM注意力模块，以较小的计算代价提升主干网络的特征提取能力。在颈部网络中引入自适应特征融合模块替换原始结构，加强多尺度特征融合效果。使用更加稳定和平滑的Mish激活函数作为激活函数，以提升分类精度和泛化能力。实验结果表明，相较于原始YOLOv5s模型，改进方法在召回率以及平均精度均值方面分别提升4.4%和2.3%。对于遮挡目标以及远近距离目标均表现出良好的性能，验证了改进方法的有效性。     

基于YOLOv5s的轻量化可回收饮料瓶颜色识别

针对不同颜色的可回收饮料瓶回收价值不同,进而需要解决颜色识别分选问题,提出一种基于YOLOv5s的轻量化模型并配合DELTA并联机器人分选设备进行智能识别分选。模型减少了原Backbone中C3数量,并使用1×1的卷积核代替了C3和Conv模块部分3×3的卷积核,采用GhostConv替代传统Conv, CIOU损失增加了检测框尺度、长和宽的损失,提高了矩形框回归效果,选择CIOU Loss作为bounding box的损失函数,通过对其他传统模型对比实验,验证了模型的有效性。结果表明,参数量和计算量相较原模型分别减少了33.80%和36.84%,对回收饮料瓶颜色的识别时间达到了0.008 s,识别图片速度125张/s,识别精度达到了97%。较传统模型,改进YOLOv5s模型识别准确率更高,识别速度更快。     

基于YOLOv5的电力巡检图像缺陷识别研究

针对输电线路巡检中可能出现的裂化、老化、腐蚀、破损等诸多缺陷的情况,为保证输电线路运行的安全和稳定,文中开展了基于YOLOv5的电力巡检图像缺陷识别研究。在YOLOv5算法的基础上,结合电力巡检图像特点,采用CIOU_Loss作为Bounding box的损失函数,使其具有更快、更好的收敛效果;选用DIOU_NMS用于NMS处理,提高对遮挡重叠目标的识别精度;同时,在对数据集进行分类处理后,采用"分别训练、统一推断"的方法,冻结部分网络层权重来训练网络模型。实验结果显示,基于YOLOv5算法模型可以有效地识别电力巡检图像缺陷情况。     

基于改进YOLOv5算法的交警手势识别

为了解决交警手势在光照不均匀、背景复杂的环境下识别精准度低以及实时性差等问题,以YOLOv5网络模型为基础,针对标准卷积层感受野范围有限的问题,将部分卷积层替换为自校准卷积,增大感受野范围;引入置换注意力模块,提高算法的特征提取能力;针对交警所处环境复杂多变的问题,将焦点损失函数替换为广义焦点损失函数,提高算法在复杂环境下目标框的表示能力。实验结果表明,改进后的算法在满足实时性的基础上对于交警手势的检测平均精度高达98.54%,相比于未改进的算法平均精度提高了3.39%,且损失函数的损失值更小。     

基于改进YOLOv5在电力巡检中的目标检测算法研究北大核心CSCD

针对输电线路巡检的复杂场景下被遮挡以及目标较小导致的误检问题,文中提出了一种基于YOLOv5的改进算法模型。首先通过数据增强和数据扩充数据集进行预处理;其次给引入SE模块,加强对不同尺度下目标的特征融合;然后引入CBAM模块,进行进一步特征提取,使提取的特征信息更加突出。最后,对损失函数进行优化,改进小数据导致的样本不均衡现象。经实验证明,改进后的算法有效地提高了被遮挡的目标和小目标的识别率,mAP较原算法精度提高了5%,Recall提高了14.6%。与其他改进模型相比,精度、召回率都有提高,验证了该模型在各种场合下具有较强的鲁棒性和泛化能力。     

基于改进YOLOv5s的煤矸石目标检测算法

针对工业场景下煤矸石分拣任务检测精度低、分拣速度慢的问题,提出一种基于改进YOLOv5s的煤矸石目标检测算法。在主干网络的卷积层中加入轻量化注意力机制CBAM,以提升目标在复杂的煤渣环境中的特征表达的能力;其次,改进特征融合层为BIFPN,BIFPN结构进行了双向跨尺度连接和加权融合,以加强煤矸石浅层的特征信息和高层煤矸石位置信息,解决煤矸石颜色、纹理相近难以分类的问题;最后,在原算法DIoU的基础上增加对边界框高宽比考虑,以提升检验框检测的准确率。在工业生产环境中采集的10 000张煤矸石图像作为数据集对所提方法进行实验,实验表明,与改进前的YOLOv5s模型相比,在检测速度基本保持不变的前提下,改进算法平均精度mAP_0.5达到了93.3%,平均检测精度提高了5.1%,实现了对煤矸石进行目标检测的要求。     

基于OpenCV和 YOLOv5的车道线检测与识别

为更加快速、准确识别汽车行驶区域并区分车道,实现无人驾驶,提出一种结合视觉OpenCV 算法和改进 YOLOv5算 法的目标检测跟踪模型进行车道线检测的方法。在图像预处理阶段,首先读取视频图像,把每一帧RGB图像转为灰度图,通 过Canny 算子对图像的边缘轮廓进行提取,然后绘制车道线的掩码区域,并与边缘检测结合,采用ROI 技术提取感兴趣区域, 最后进行概率霍夫变换和最小二乘拟合,将得到的直线绘制到原图像中,最终对每一帧处理后的图像进行输出。目标识别模 块采用卷积神经网络(convolutional neural network,CNN)深度学习方法及 YOLOv5算法进行目标识别处理。实验结果表 明,所提检测算法能够实现准确的车道线检测,实时性和准确性比传统算法高很多,且该方法具有良好的鲁棒性。     

基于YOLOv5的草莓轻量化网络检测模型

随着现代农业技术的发展,草莓生产和采摘的自动化是一个必然的趋势,而草莓目标检测是实现采摘自动化的关键环节。基于YOLOv5目标检测算法,采用ShuffleNet轻量级网络结构替代原模型的特征提取网络,并在骨干网络提取的特征图后加入SE通道方向的注意力机制,结合EIoU和Alpha-IoU损失函数,设计了一个α-EIoU损失函数,给定参数α的值为3,统一指数化IoU损失函数,据此获得更准确的边界框回归和目标检测。改进的模型在草莓小目标数据集上平均检测精度均值达到了97.6%,其中成熟草莓的准确率为99.4%,与YOLOv3、YOLOv4和YOLOv5相比,平均精度均值(mAP)分别提高了5.4%、2.9%和1.1%,该模型识别图像传输帧率为125 fps,比原YOLOv5模型提升了38 fps,该实验模型更适应于移动端部署,为草莓采摘识别的自动化提供了一些理论基础。     

基于改进YOLOv5-s的火龙果多任务识别与定位

在复杂的农业环境下,水果采摘机器人系统感知端的识别与定位性能是提高水果采摘成功率的重要指标。本文以复杂外形的火龙果作为研究对象,针对采摘机器人的视觉系统提出了一种适用于火龙果图像自主检测的实时多任务卷积神经网络——SegYOLOv5。该网络基于YOLOv5 s卷积神经网络的主体架构进行适应性改进,通过提取3层加强特征作为改进级联RFBNet语义分割网络层的输入,实现图像检测和语义分割的多任务目标识别检测,有效提升了模型的整体性能。改进的SegYOLOv5网络结构能够适应对边界敏感的图像语义分割农业场景,测试集的平均精度均值和平均交并比分别为9310%和8364%,与YOLOv5 s+原始RFBNet和YOLOv5 s+BaseNet模型相比,高出了前者123%和274%,高于后者238%和145%。SegYOLOv5平均检测速度达到7194 fps,相比EfficientDet D0提高4079 fps,平均精度均值高出58%。通过端到端输出SegYOLOv5检测结果并结合图像几何矩算子,能够实时准确定位火龙果质心作为理想采摘点。改进的算法具有较高的鲁棒性和通用性,为基于视觉感知的水果采摘机器人奠定了有效的实践基础。     

基于改进YOLOX-S的交通标志识别

交通标志是车辆在规范行驶过程中的一个重要指导,交通标志识别是无人驾驶汽车环境感知中必不可少的重要内容。本文基于YOLOX-S算法进行改进,通过在主干网络末端添加CBAM注意力机制模块,强化特征提取网络所得到的特征;使用Focal Loss函数,更好地消除正负样本不均衡问题,挖掘难例样本;使用GIOU损失函数,解决了原损失函数存在的优化不一致和尺度敏感的问题,进一步提高模型的识别准确率。本文基于TT100K数据集对提出算法进行了实验,对比了几种主流算法与本文算法的识别精度,实验结果表明在具有较高FPS的前提下,本文算法对大部分目标类别的检测精度都有所提升。相较于YOLOX-S模型,所提模型的coco精度评价指标mAP＿50提升1.9%,mAP＿50:95提升2.1%,FPS为35.6。证明了所做改进的有效性。     

基于YOLOv5改进算法的印花图案疵点检测

针对圆网印花图案疵点检测问题,本文采用了一种基于YOLOv5改进算法模型来检测印花图案的疵点。本实验根据实际的情况对YOLOv5模型网络结构进行了更改,首先,对YOLOv5网络的骨干部分进行优化改进,引入了注意力机制模块,对输入图片的通道注意力和空间注意分别提取特征。其次,针对印花疵点目标较小的情况对网络的检测层结构进行了修改。实验结果显示,改进的YOLOv5检测算法精确率提升了14.4%,检测速度提升了7.6fps,达到了43.1fps满足实时检测要求。     

改进YOLOv5 算法下的无人驾驶道路行人识别研究

基于无人驾驶领域的飞速发展,为提高道路行人目标检测的速度和精度,提出一种基于YOLOv5 网络改进的YW- YOLO的道路行人目标检测方法,在YOLOv5 模型的neck结构中改入RepGFPN, 充分交换高级语义信息和低级空间信息, 添加自适应融合机制,引入SimAM 注意力模块机制,提高算法的特征提取能力,在损失函数方面,使用Optimal Transport Asignment 优化损失函数。实验结果表明,所提算法与原算法相比,在道路行人类别数据集上识别精确率由38.1%提升到 52.6%,检测速度由29.4 fps 提高到30.8 fps, 具有更好的检测效果。     

基于改进YOLOv5的变压器漏油检测

为了能够及时检测变压器的漏油问题,保障电力系统的正常运转,提出了一种基于改进YOLOv5的变压器漏油检测方法。通过在特征金字塔网络(FPN)结构基础上加入4倍采样层,使特征信息跨层融合,提高模型的检测准确率;引入具有动态非单调聚焦机制的Wise-IoU边界框损失函数来加快网络的训练与推理,通过权衡低质量样本和高质量样本的学习进一步提高模型的整体性能;最后,受Transformer模型的启发,使用EfficientViT模型作为主干网络,大幅减少了模型的参数量,虽然牺牲了小部分检测性能,但仍保持了优于原模型的性能。使用自建的户外变压器漏油数据集进行训练与测试,结果表明,与原模型相比,改进后的网络准确率提高了8.6%,召回率提高了8.5%,mAP@0.5提高了7.8%,参数量下降了42.3%,有利于工程部署。