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YOLOv5本身所使用的加权NMS算法,提高生成检测框的准确率.实验结果表明,改进后的YOLOv5算法在由长沙理工大学制作的CCTSDB交通标志数据集上训练的模型的mAP值达到了84.35％,比原始的YOLOv5算法提高了6.23％.所以改进YOLOv5算法在交通标志识别中有更高的精度,能够更好的应用到实践当中.     

基于改进YOLOX-S的安全帽反光衣检测算法

在工业生产和交通工程中,安全帽和反光衣都是员工重要的生命安全保障。针对传统安全帽反光衣识别方法只能检测单一颜色反光衣、检测效率低的问题,提出一种基于改进YOLOX-S网络模型的安全帽反光衣检测方法。使用简化BiFPN模块替换原加强特征提取网络,提高网络对不同尺度的特征提取能力;使用Mosaic方法进行训练,提高网络在复杂场景下的检测能力;使用GIoU损失函数,进一步提高模型的识别准确率。在扩充后的安全帽反光衣数据集上实验表明,本文所提算法在保持较高推理速度的情况下,mAP达83.74%,与原YOLOX-S相比,对戴安全帽、穿反光衣和行人的检测AP值有1%~3%不等的提高,对反光衣颜色无依赖性,有效实现了快速准确的安全帽反光衣检测。     

改进MobileViT与YOLOv4的轻量化车辆检测网络

基于深度学习的目标检测算法在智能交通的应用中，对于车辆检测存在模型参数量大、计算速度慢和简单网络精准度较低的问题。本文提出了一种高效的轻量化车辆检测模型，该检测模型采用YOLOv4网络作为参考模型进行改进。首先，本文采用CSPMobileViT网络来替换原始主干网络，然后将PANet替换成BiFPN,并且将BiFPN中的3×3标准卷积替换成深度可分离卷积，最后，在BiFPN之前和YOLO-Head之前添加ECA模块。在损失函数部分，将边框回归损失CIoU改进为Focal EIoU来解决难易样本不平衡的问题。实验结果表明改进网络的mAP值为96.77%,检测速度达到每张图片0.023 4 s,模型大小只有32.76 MB,参数量为8 587 541,与原始算法相比mAP提升了1.54%,而模型大小和参数量仅约为原始模型1/8,并且FPS提升了7.5,改进算法具有更好检测效果。     

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。     

融合前景注意力的轻量级交通标志检测网络

针对目标检测算法模型在交通标志检测上容易出现错检和漏检等问题,提出一种融合前景注意力的轻量级交通标志检测网络YOLOT。首先引入SiLU激活函数,提升模型检测的准确率;其次设计了一种基于鬼影模块的轻量级骨干网络,有效提取目标物特征;接着引入前景注意力感知模块,抑制背景噪声;然后改进路径聚合网络,加入残差结构,充分学习底层特征信息;最后使用VariFocalLoss和GIoU,分别计算目标的分类损失和目标间的相似度,使目标的分类和定位更加准确。在多个数据集上进行了大量实验,结果表明,本文方法的精度优于目前最先进方法,在CCTSDB数据集上进行消融实验,最终精度达到98.50%,与基线模型相比,准确率提升1.32%,同时模型仅4.7 MB,实时检测帧率达到44 FPS。     

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YOLOX的钢材表面缺陷检测算法

针对工业生产中钢材表面背景复杂导致缺陷检测精度低的问题，本文提出一种基于改进YOLOX的钢材表面缺陷检测算法。首先，引入了Swin Transformer模块来捕获缺陷钢材表面区域全局上下文信息并提取更多差异化特征；其次，采用加权双向特征金字塔网络（BiFPN），能够方便、快速的进行跨尺度特征融合；最后，对原始目标定位损失函数进行改进，建立了一种融合边界框中心位置的CIoU损失函数从而实现目标框高精度定位。实验表明，算法在NEU-DET数据集上的mAP为80.7%，检测精度相较于原始YOLOX-S网络提高了6.2%，同时也明显高于一些其他主流算法，具有较高的准确率和实用性。     

基于改进SSD算法的交通标识检测方法研究

针对目前SSD算法对小目标检测精确度低,泛化能力弱,且存在误检、漏检等问题,提出一种基于SSD网络的交通标识检测方法。为增加对目标的检测精度,使用ResNet-50网络作为SSD算法的骨干网络,在额外添加层中加入BN层,提高训练速度;使用sub-pixel来代替上采样,提高识别目标分辨率,并加入MFPN模型融合低层与高层特征信息,避免出现漏检问题。实验结果表明与现有的SSD算法相比,改进的SSD算法在公开数据集CCTSDB和GTSDB数据集上mAP值分别提高4.2%和3.1%,FPS保持在87.2 f/s,检测精度显著提升。满足对交通标识实时检测的要求,在无人驾驶领域具有广泛的应用前景。     

基于改进SSD的交通标志检测算法

为了解决真实交通场景下交通标志因目标较小而导致检测精度低的问题,提出了一种改进SSD的交通标志检测算法。首先使用更深层次的ResNest网络替换原始SSD算法的主干网络VGG16来增强弱目标特征的强表征能力,然后在SSD的额外添加层使用RFB模块来增加小目标的感受野。其次使用Bi-FPN加权双向特征金字塔网络有效结合深层与浅层的特征信息,改善小目标的检测性能。最后使用K-means++聚类算法调整默认窗口的大小,有效避免因原始默认窗口太大但交通标志较小而无法匹配的问题,以改善检测效率。实验结果表明,本文提出的模型在中国交通标志数据集(CCTSDB)上获得了95.33%的mAP,与原始SSD模型相比,本文所构建的模型能更好的适应自然背景下的交通标志检测。     

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9M,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。     

基于改进YOLOv5的阀冷系统主循环泵电机故障检测方法

主循环泵作为柔直换流站阀冷系统的核心设备,对于维护阀冷系统安全稳定运行具有重要作用。为了对主循环泵电机的红外图像进行精准定位与状态识别,提出了一种基于改进YOLOv5的主循环泵电机故障检测方法。首先,使用全新的卷积网络ConvNeXt作为YOLOv5的主干网络,提高网络的检测精度;同时,将定位损失函数替换为有效交并比损失函数(EIOU Loss),提高网络在训练过程中的收敛精度;然后,对改进YOLOv5网络使用数据增强、标签平滑、指数移动平均、迁移学习等策略进行训练,提高网络训练效率;最后,设置实验对所提改进方法进行验证,结果表明该方法能有效提高模型的检测精度,模型最终的均值平均精度(mAP)值达到95.82%,可使电机的故障平均检测精度提高至94.34%。     

基于改进YOLOv3的酒瓶盖瑕疵检测算法

在智能酿酒工艺中,对酒瓶外包装进行瑕疵检测是质检环节重要的一环。本文基于改进YOLOv3目标检测算法,将其应用到酒瓶盖瑕疵检测的环节中,最终结果符合工厂生产线对瑕疵检测精度和速度的要求。该方法在YOLOv3主干Backbone网络的残差模块中引入SENet Module,应用注意力机制加强对特征的提取,在Neck特征金字塔网络中引入自适应特征融合网络（ASFF）,融合不同尺度的特征信息,提高模型的预测能力,同时引入Focus Loss损失函数解决正负样本不均衡问题,加速损失函数的收敛速度。改进后的YOLOv3-ASFL在自制酒瓶盖瑕疵数据集上mAP达到92.33%,单张图像检测时间仅为0.085s,比原始YOLOv3在相同数据集上的mAP提升了6.59%。改进后的YOLOv3模型性能更好,符合酒瓶包装生产线对瑕疵检测的需求。     

基于红外图像检测和改进YOLOv4的高压套管故障识别方法

红外检测是高压外绝缘设备状态在线检测的主要方法之一，为了提高高压套管发热故障红外图像检测的准确率，解决因故障样本较少引起的漏检问题，文中提出了一种基于改进型YOLOv4的故障识别方法，可实现对套管发热区域的高效定位与识别，具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括：首先，将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中，以加强网络对特征信息的提取；其次，分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失，以提高损失函数的回归精度以及对数据集中困难样本的识别准确率，从而有效减少漏检发生的概率。实验与测试结果表明，所提方法与改进前相比平均精度提高了5.61%，对数据集中更难被识别的故障样本的精确度提升了8.57%。     

融合坐标注意力和BiFPN的YOLOv5s交通标志检测方法

针对不同光照条件下的小目标交通标志检测存在的不易检测、错检等问题,提出了一种融合坐标注意力机制和双向加权特征金字塔(BiFPN)的YOLOv5s交通标志检测方法。首先,在特征提取网络中融入坐标注意力机制,提升网络对重要特征的关注程度,增加模型在不同光照条件下的检测能力;其次,在特征融合网络中使用BiFPN,提升模型的特征融合能力,改善对小目标交通标志的检测能力;最后,考虑到真实框与预测框之间的方向匹配问题,将CIoU损失函数改为SIoU损失函数,进一步提升模型的检测性能。在GTSDB数据集上进行验证,与原始模型相比,平均精度均值(mAP)提升了3.9%,推理时间为2.5 ms,能够达到实时检测的标准。     

改进YOLOX的弱光线道路交通标志检测

针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况，提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块，将CNN和Transformer结合，提高了网络对物体局部和全局特征的学习能力；通过添加自适应特征融合金字塔ASFF，对有效特征层进行加权融合，加快了网络训练收敛速度；并采用Focal Loss替换二元交叉熵损失函数，用以解决因样本少导致分类不准确的问题。实验结果表明，相较于YOLOX算法，改进YOLOX算法mAP值提升了2.89%，参数量减少了6.23 M，可视化实验进一步验证了所提算法可以提高检测精度，有效避免因弱光线导致的漏检、错检现象。     

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。     

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的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

面向密集型钢筋计数的GCA-MobilenetV2-YOLOv4算法

为提高建筑工地的钢筋计数效率，围绕施工单位硬件设备算力不足，钢筋图像物体密集遮挡严重的情况，提出一种改进的轻量化YOLOv4算法。提出GCA-MobilenetV2轻量级网络替换CSPDarknet53,作为YOLOv4算法的主干特征网络。针对钢筋图像密集，物体间遮挡严重的情况，提出融合通道注意力机制的attention-CSP-PANet结构。针对深层网络SPP结构参数量大，模型训练时梯度消失的问题，提出DepthLite-SPP结构，增强深层网络的感受野，提高算法的检测速度。针对一阶段回归的算法正负样本失衡问题，设计CIOU-Focal损失函数。实验证明，在自建钢筋数据集中检测精度为98.78%,对比原算法精度提升了3.36%,检测速度FPS提升了7.6,参数量仅为原算法的1/3。     

复杂环境背景下绝缘子缺陷图像检测方法研究

针对处于复杂的环境背景下的电力绝缘子以及绝缘子缺陷的检测存在检测精度低、检测速度不高的实际问题,提出了一种改进YOLOv4(you only look once v4)算法的电力绝缘子图像以及存在缺陷的绝缘子检测的方法。通过制作电力绝缘子以及绝缘子存在缺陷的数据集,使用K-均值聚类(K-means)算法对电力绝缘子图像样本进行聚类,获得不同大小的先验框参数;然后通过改进平衡交叉熵(balanced cross entropy, BCE)引入一个权重系数,来增加损失函数的贡献程度;最后,通过增加空间金字塔池化结构(spatial pyramid pooling, SPP)前后的卷积层来加深网络的深度。实验结果表明,改进模型的单张检测时间为3.27 s,对于绝缘子缺陷平均检测精度比原始的YOLOv4算法提升了24.36%。同时通过改进后的YOLOv4算法在测试集上的平均精度均值(mean average precision, mAP)的值为84.05%,比原始的YOLOv4算法提升了17.83%,充分说明了能够很好的定位和识别电力绝缘子图像存在的缺陷。