融合GhostNet的YOLOv5垃圾分类方法

垃圾分类是建设生态文明的重要一环,为解决重量级模型难以部署移动端设备的问题,提出基于YOLOv5网络改进的垃圾图像分类方法。采用融合GhostNet的主干网络,用线性运算代替传统卷积运算,降低了模型的参数量,提高了模型推理速度;通过在网络中加入改进版通道注意力模块,强化重要的通道特征,获取更多深层次的特征信息;采用加权边界融合方法,提升检测框的定位精度。经实验证明,该方法在自制数据集中较原模型的精度提高了8.5%,参数量减少了46.7%,平均推理速度提高了1.22 ms,实现了精度和推理速度的综合提升。     

改进YOLOv5的轻量级安全帽佩戴检测算法

针对现有的对安全帽佩戴检测算法的参数多、网络复杂、计算量大、不利于在嵌入式等设备进行部署,且对遮挡目标辨别度差等问题,提出了一种改进的轻量级的安全帽检测算法YOLO-M3,先将YOLOv5s主干网络替换为MobileNetV3来进行特征提取,降低了网络的参数量和计算量.使用DIoU-NMS替换NMS,提高对遮挡目标的辨...     

基于改进YOLOv5n的红枣缺陷识别方法

针对新疆红枣产业在加工出售前需要在大量红枣中剔除有裂口、皱皮和变形等缺陷的红枣这一需求,文章提出一种基于改进YOLOv5n模型的红枣缺陷识别方法。该方法首先在YOLOv5n模型目标检测头部引入SEConv通道注意力机制的卷积操作,用于增强模型的特征表示能力,其次使用C3替换SPPF操作加快识别速度,最后通过调整自适应锚定框,更好地适应红枣尺寸和长宽比。实验结果表明,改进后的模型缺陷识别准确度达到了95.8%,相比原模型提升了3.5个百分点,识别速度达到7.2ms,比原模型提升了20.9%。这意味着改进后的YOLOv5模型在保持高准确度的同时,能够更高效地处理大量红枣图像。     

改进YOLOv5的轻量化口罩检测算法

为了提高现有口罩检测算法检测效率,降低算法参数量以及模型大小,提出了一种改进的轻量化口罩检测算法YOLOv5-MBF。用GELU激活函数替换MobileNetV3深层网络的hard-swish激活函数,优化了模型收敛效果,将改进的MobileNetV3网络替换YOLOv5s主干网络,降低计算量提高模型检测速度。增加BiFPN特征金字塔结构与不同特征层融合,提高了检测精度。在数据处理方面使用Mosaic和Mixup数据增强提高该模型的泛化性和鲁棒性。边框回归损失函数使用Focal-Loss EIoU,优化了模型训练收敛速度且提高了口罩和人脸边框定位精度。最后添加CBAM注意力机制使得模型更关注重要特征抑制不显著特征提高检测性能。实验结果表明,该算法在佩戴口罩目标和无佩戴口罩目标上的平均精度均值达到了89.5%,模型推理速度提升了43%,模型参数了减少了49%,模型大小降低了48%,满足口罩检测任务的实时性和检测精度要求。     

基于YOLOv5改进的轻量化目标检测

针对移动端目标检测算法需要模型参数量与计算量更少、推理速度更快和检测效果更好以及目标检测算法对于小目标误检、漏检及特征提取能力不足等问题, 提出一种基于YOLOv5改进的轻量化目标检测算法. 该算法使用轻量级网络MobileNetV2作为目标检测算法的骨干网络降低模型的参数量与计算量, 通过使用深度可分离卷积结合大卷积核的思想降低网络的计算量与参数量, 并提升了小目标的检测精度. 使用GhostConv来替换部分普通卷积, 进一步降低参数量与计算量. 本文算法在VOC竞赛数据集, COCO竞赛数据集两份数据集上均进行了多次对比实验, 结果表明本文算法相比于其他模型参数量更小、计算量更小、推理速度更快以及检测精度更高.     

YOLOv5目标检测的轻量化研究

现有目标检测算法通常存在体积较大、结构复杂等问题,致使室内机器人作业过程中识别速率与精度较差。针对这一问题,以室内目标检测为基础,提出了一种改进的YOLOv5s轻量化检测方法。该方法主要是在YOLOv5s网络的基础上引入ShuffleNet v2特征提取机制来实现网络的轻量化,同时采用加权双向特征金字塔BiFPN和边框回归损失EIOU获取特征信息更为丰富的特征图,来提升目标检测精度,从而得到一种新的室内目标检测模型。研究结果表明,改进后的模型参数量明显减少,模型复杂度减少了46%,平均精确率均值mAP提升到63.9%,实现了轻量化和检测准确率的平衡,该研究为目标轻量化研究提供了参考。     

基于YOLOv5算法的钢轨扣件分类检测研究

钢轨扣件是保障轨道车辆安全运行的基础,目前依靠人工检查钢轨扣件状态效率低且具有缺陷性。基于YOLOv5算法对钢轨弹条断裂、缺失、移位以及螺栓缺失四种状态扣件进行分类检测研究,文章选取706张含故障扣件的图片进行标注形成钢轨故障扣件数据集,讨论了YOLOv5s、YOLOv5m两种模型对数据集分别训练50、100次后的识别效果,结果显示：采用YOLOv5m模型训练100次的YOLOv5算法对各类别故障扣件的测试精度、召回率、mAP@.5、mAP@.5:.95分别为0.988、0.967、0.987、0.822。该方法对钢轨扣件分类检测具有很好的应用价值。     

基于 YOLOv5s 的轻量化森林火灾检测算法研究

针对过去无人机搭载嵌入式设备巡检森林火灾精确率低、适应性差和软硬件限制高等问题,提 出一种基于 YOLOv5s 的轻量化森林火灾目标检测算法。通过将 YOLOv5s 的骨干网络替换为轻量化网络 Shufflenetv2,并以通道重组的思想,让骨干网络对图片信息的提取效率变得更快,在保持网络精度的同时保证 检测速度;接着在 Backbone 与 Neck 的连接处加入为轻量化网络设计的 CA 位置注意力模块,可将图片不同的 位置信息聚合到通道中,使被检对象关注度得以提高;最后在预测部分使用 CIOU 损失函数,能够更好的优化 矩形框的长宽比和更快加速模型收敛。算法部署在嵌入式系统 Jetson Xavier NX 上的结果显示,改进后的网络 模型大小与对比实验方法相比,最多减少了 98%,准确率(Precision)达到 92.6%,精确率(AP)达到 95.3%,帧率 (FPS)提升到 132 帧每秒,能满足在白天、黑夜或视野良好等情况下对森林火灾的实时性预防与检测,并具有 良好的准确率和鲁棒性。     

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。     

改进YOLOv5的无人机影像车辆检测方法

针对传统遥感影像车辆目标检测算法易受干扰、鲁棒性较差且在实际应用当中会产生一定的漏检与误检现象等问题,提出了一种基于改进YOLOv5s的轻量级无人机遥感影像车辆目标检测算法。以YOLOv5s为基线模型,根据车辆目标长宽比相对固定的特点,对锚框尺寸进行修正,提高了锚框与车辆目标的契合度;针对无人机影像中车辆密集情况,进行了加权框融合改进,对检测框合并,解决了预测框计数不准确的问题;由于车辆目标具有多变性,通过增加注意力机制网络,提升了模型识别车辆的速度和准确性。研究表明,改进的YOLOv5s模型可以实现实时准确的无人机影像车辆检测。     

改进YOLOv7-tiny的轻量级红外车辆目标检测算法

为了解决红外场景下车辆检测算法参数量与计算量大、识别精度低、小目标检测难度大的问题，提出了一种改进YOLOv7-tiny的轻量级红外车辆目标检测算法：KD-YOLO-DW。通过融合深度可分离卷积提出了ELAN-DW模块，极大地降低了网络参数量与计算量。通过在特征融合层引入GhostNet V2模块，提高了不同尺度特征的融合能力。采用动态非单调FM的WIoU损失函数，解决了红外数据集难易样本不平衡的问题，提高了轻量级算法对红外弱小目标的检测能力。联合残差思想提出跨尺度融合策略，提高了轻量级算法对不同尺度目标的检测效果，降低了小目标的漏检率。通过知识蒸馏对轻量化模型再次浓缩，进一步提高了模型对检测红外目标的准确性。实验结果表明，KD-YOLO-DW模型在参数量与计算量方面分别较YOLOv7-tiny模型下降了24.6%和16.7%，模型大小仅为9.2 MB,mAP分别提高了3.27和3.15个百分点，拥有更小的模型体积与更好的检测效果。     

基于改进YOLOv5s的车脸检测算法

针对车检站中车辆检测的实际需求,提出一种改进YOLOv5s的轻量级车脸检测算法。使用ShuffleNetV2网络作为Backbone,在保证模型检测精度的同时实现模型的轻量化与实时性;将通道-空间注意力(SA-Net)与跨通道注意力(Triplet)相结合,提出一种跨通道-空间注意力模块(SA-Triplet attention, STA),提高模型的检测精度;提出一种基于STA注意力模块的跨层特征融合模块(SA-Triplet attention feature fusion, STA-FF),进一步提高模型的检测精度。在自建车脸检测数据集Car-Data上进行实验,所提模型的平均检测精度达到了94.3%,检测速度达到了105.60 FPS,模型参数量为12.36 M。     

基于改进YOLOv5的牛个体图像识别方法

针对现有非接触式牛个体图像识别模型体积大、参数多、资源占用较大等问题,提出了一种基于改进YOLOv5模型的轻量级牛个体图像识别模型(Light YOLO Net, LY-Net)。将YOLOv5模型的主干网络替换为轻量级网络Ghost Net,并采用CARAFE(轻量级通用上采样算子),减少网络参数,实现网络轻量化;采用Focal-EIoU Loss作为损失函数,加速收敛并提高了速度。采用甘肃省张掖市某养殖场的30头牛,共6 775幅牛个体图像作为样本数据,进行模型的训练、验证、测试。实验结果表明：LY-Net模型对牛个体的识别精确率约为99.6%,召回率约为99.5%。该模型能够在对牛个体图像高效且准确识别的同时,实现模型的小型化、轻量化。     

安全帽与反光衣的轻量化检测：改进YOLOv5s的算法

安全帽与反光衣检测对生产与交通环境的安全管理具有重要意义。针对目前安全帽和反光衣检测算法参数量大、计算量大和模型体积较大等问题，提出了一种基于YOLOv5s轻量化改进的检测算法。引入GhostNet网络结构中的Ghost模块代替原有的部分卷积与C3模块，大大降低了模型的复杂度。在主干网中增加CA注意力机制，抑制无效信息，增强对特征丰富区域的提取。用C3CBAM代替neck层的C3模块，既减少参数量，又提高了检测精度。实验结果表明，改进模型的mAP（平均精度）为93.6%，参数量为4.28×106，计算量为9.2 GFLOPs，模型大小为8.58 MB。与YOLOv5模型相比较参数量减少了39%，计算量减少了41.7%，模型大小降低37.3%。该检测算法既保证了检测的识别准确率，又实现了检测算法的轻量化。     

基于PP-PicoDet技术的智能垃圾分类

目前在垃圾分类目标检测上大多采用YOLOv5系列算法,该算法在相同参数量的情况下,检测精度和检测速度都相对不太高,难以满足实际应用需求。论文对基于PP-PicoDet技术的垃圾分类目标检测应用进行了研究,并将其与几种常见的垃圾分类目标检测算法进行实验对比分析;结果表明,PP-PicoDet算法能够在使用更少的参数量的情况下,实现较高的检测精度和速度,能够满足移动端部署需求。     

基于YOLOv5的交通标志检测算法

为顺应无人驾驶技术的快速发展,提高交通标志自动检测的准确度与即时性,针对现阶段检测算法模型复杂度高、容易对小目标的检测造成漏检且权重过大、不利于实际应用快速部署等问题,提出一种改进的基于YOLOV5的交通标志检测算法。算法采用YOLOv5+ECA注意力机制模块来检测交通标志。实验结果表明该方法对小目标检测有一定的提升,在准确率和平均精度上分别提高了2.4%和0.4%,对于从复杂背景下准确快速识别出交通标志、进一不保障交通安全有重大意义。     

运动场景下改进YOLOv5小目标检测算法

针对运动场景下由于设备移动、相机散焦,导致采集到的图像模糊,图像质量低,以及目标体积小,使目标检测困难的问题,提出了一种改进YOLOv5x目标实时检测模型。采用可变形卷积网络替换部分原始YOLOv5x中传统的卷积层,增强模型在运动场景中细粒度特征提取和小目标检测能力;增加SE注意力机制,解决在卷积过程中,因丢失图像全局上下文信息,造成特征损失的问题,提高了模型在图像模糊情况下小目标的检测精度;引入一种新的边界框回归损失函数SIoU Loss,解决了预测框在回归时随意匹配的问题,提高了模型鲁棒性和泛化能力,加快网络的收敛速度。实验结果表明,相比于YOLOv5x模型,将改进后的算法应用在水下移动机器人生物检测中,模型准确率P、召回率R、各类平均精度mAP分别提升了5.90个百分点、5.85个百分点、4.38个百分点,有效增强了小目标检测模型的检测性能。     

基于改进YOLOv5s的车辆目标检测算法

公路监控探头已基本完成对路网的全覆盖,为提高公路的运营能力和服务水平,实现对车辆运行情况的实时监测,需要使用先进的智能化手段推进监控视频系统的改造升级。本文提出一种改进的YOLOv5s算法对车辆目标进行检测,使用轻量级Mobile Netv3网络对YOLOv5s的骨干网络进行替换,降低模型的复杂程度,提高实时检测速度。选用开源的UA-DETRAC数据集进行实验,在进行200次迭代后,改进模型的召回率达到98.8%,精度达到97.9%,检测速度提高了18%。     

改进YOLOv5的织物疵点检测算法

针对目前应用到织物疵点检测的网络模型中存在的两阶段算法检测速度慢、一阶段算法检测精度低的问题,提出了一种改进YOLOv5的织物疵点检测算法。针对织物疵点大小不一的问题,对K-mean算法的聚类距离标准进行修改,重新计算先验框大小;对网络Neck层标准卷积（standard convolution,SC）进行改进,将深度分离卷积（depth separation convolution,DSC）与标准卷积结合,减少网络层参数量,同时保持网络的特征提取能力;在特征融合阶段引入坐标注意力机制（coordinate attention,CA）,使网络能够捕捉各通道之间联系的同时保留目标的精确定位信息,加强网络的特征提取和定位能力;使用加权双向特征金字塔网络（bidirectional feature pyramid network,BiFPN）中的方法,对特征金字塔模块进行修改,实现简单快速的多尺度特征融合。在数据集上进行训练,结果表明,改进的YOLOv5模型的mAP值可达到97.4%,相比于原网络精度提高了2.8个百分点,满足了织物疵点检测的要求。     

基于改进YOLOv4的轻量化目标检测算法

针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数（FPS）低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络（Bi-FPN）结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值（mAP）达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。