基于改进YOLOv5的绝缘子缺陷检测算法

绝缘子缺陷检测是电网巡检过程中重要的一环,为提高绝缘子缺陷检测的精度,该文提出一种基于改进YOLOv5算法的绝缘子缺陷检测算法——YOLOv5t,能够在保证网络运行速度的条件下,提升网络的检测精度.该算法在YOLOv5s的基础上,将三重注意力机制(triplet attention)添加到骨干网络中,给予每个特征通道不同的权重,以提高网络的检测精度;并采用CIoU Loss作为网络回归损失的损失函数,提升网络的收敛速度;同时将Soft-NMS作为网络的预测结果处理方法,降低网络的漏检率.YOLOv5t与几种常用的缺陷检测网络的对比实验结果表明,YOLOv5t的准确率达到97.2%,召回率达到98%,平均精度均值达到99.1%,较YOLOv5s算法分别提升了0.9%、5.1%和2.1%,并且检测速度没有受到影响.     

基于改进YOLOv5算法的钢铁表面缺陷检测

根据以往钢铁表面缺陷检测技术的检测效能较低、准确性低的情况,提出一种改进YOLOv5s的钢材表面缺陷检测算法。主要改进为：加入坐标注意力机制(Coordinate Attention,CA)的空洞空间卷积池化金字塔 (Atrous Spatial Pyramid Pooling,ASPP),扩大模型感受野和多尺度感知能力的同时能更好的获取特征位置信息;加入改进的选择性内核注意力机制(Selective Kernel Attention,SK),使模型能更好的利用特征图中的频率信息,提升模型的表达能力;将损失函数替换为SIoU,提升模型性能的同时加快模型的收敛。实验数据表明,改进的YOLOv5s网络模型在NEU-DET数据集上的mAP值为78.13%,相比原网络模型提高了2.85%。改进的模型具有良好的检测型性能的同时检测速度为103.9 FPS,能够满足实际应用场景中钢材表面缺陷实时检测的需求。     

基于改进YOLOv5的O型密封圈缺陷检测方法

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。     

基于改进YOLOv5的铝型材表面缺陷检测方法

针对铝型材表面缺陷不同类别尺寸差别较大,导致检测效果较差的情况,本文提出一种基于改进YOLOv5的铝型材表面缺陷检测算法。首先,在网络中嵌入CA(coordinate attention)注意力机制模块,使网络更好地抑制图像中无效样本的干扰,更多聚焦于有用信息;其次,在原有检测层上增加一个小目标检测层,获取和传递更为丰富且更具判别性的小目标特征,以解决对小目标缺陷检测精度低的问题,提高整体检测精度;最后,引入SIoU损失函数,用边界框回归之间的向量角度来重新定义损失函数,在有效减少总自由度损失的同时提高推理精度。将改进算法应用到天池铝型材数据集中进行验证,实验结果表明：该模型能有效识别铝型材表面不同种类的缺陷,较原YOLOv5算法mAP提高11.4个百分点,检测速度达到66.4 frame/s,能够满足目前铝型材工厂生产现场缺陷检测要求。     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.     

改进YOLOv5的钢材表面缺陷检测算法

针对传统钢材表面缺陷检测方法存在检测效率低、检测精度差等问题,提出一种基于改进YOLOv5的钢材表面缺陷检测算法。首先使用GhostBottleneck结构替换原YOLOv5网络中的C3模块和部分卷积结构,实现网络模型轻量化;其次在Backbone部分引入SE注意力机制,对重要的特征通道进行强化;最后针对数据集特点在网络中增加一个检测层,强化特征提取能力,并在Neck部分增加特征融合结构,使用DW卷积替换部分标准卷积以减少运算量。实验表明,改进的YOLOv5sGSD算法,模型体积减少了10.4%,在测试集上的mAP值为76.8%,相比原YOLOv5s网络提高了3.3%,检测精度和速度也明显高于一些主流算法。相比传统的钢材表面缺陷检测方法,提出的算法能够更加准确、快速地检测出钢材表面缺陷的种类和位置,并且具有较小的模型体积,方便于在移动端的部署。     

基于YOLOv5的表面缺陷检测优化算法

快速、准确地检测材料表面缺陷已成为各领域研究的重要目标,为增加检测效率,实现设备轻量化,提出了一种基于YOLOv5的目标检测优化算法,添加DyHead检测头,融合多个注意力机制,增强模型的检测精度;更换aLRPLoss损失函数,减少超参数调节工作,优化训练过程;基于FasterNet提出C3-Faster,代替网络中的C3模块,以PConv的思想提升模型检测性能,减少模型体积;最后添加轻量级上采样算子CARAFE,扩大模型感受野,提升对不同大小目标的检测效果。实验结果表明,改进后的YOLOv5模型相比于原版模型,在钢材表面缺陷数据集上总体平均精度提高了4.174%,参数量减少了11.25%,计算复杂度减少了13.75%,权重体积减少了10.72%,检测性能高于SSD、RetinaNet、FCOS、YOLOv3、YOLOv4等主流目标检测算法,在工业检测中具有较高的应用价值。     

改进YOLOv5网络模型的车位检测方法

针对目前车位检测方法效率低的问题,提出一种轻量级车位检测方法OG-YOLOv5。首先,基于YOLOv5网络添加车位分隔线方位回归分支,实现车位方位的准确预测,可直接根据网络预测结果推断完整车位信息;其次,通过检测尺度裁剪、Ghost模块重构网络实现模型轻量化;再者,通过在网络主干中引入ECA注意力机制、优化损失函数提高目标预测精度。通过对比实验,结果表明所提OG-YOLOv5网络的mAP达到了98.8%,模型参数量和计算量仅为原模型的32.0%和28.3%,在GPU和CPU上的检测时间分别减少了16.2%和28.1%,车位检测准确率和召回率分别达到了97.75%和96.87%。     

基于改进YOLOv5的钢轨表面缺陷检测

针对钢轨表面缺陷检测效率较低及抗干扰能力较差的问题,提出一种基于改进YOLOv5的钢轨表面缺陷检测算法.首先,采用图像增强操作对采集到的钢轨表面图像进行预处理,减轻高光、异物等噪声对检测效果的影响.其次,将多头自注意力层嵌入YOLOv5骨干网络末端,并为缺陷特征引入全局依赖关系,提升模型对密集缺陷的检测效果.最后,构建跨层加权级联结构,将浅层信息融入到深层网络中,使网络对缺陷边界的回归更为精准.实验结果表明：本文的钢轨表面缺陷检测算法对裂纹、剥落、磨损3类表面缺陷检测的平均精度均值达到98.2%,每秒帧数（Frames Per Second, FPS）达到77帧/s,能够在不同的环境条件中实现对缺陷的精准检测,比其他某些同类算法拥有更高的鲁棒性、准确性和实时性.     

基于YOLOv5的无人机航拍改进目标检测算法Dy-YOLO

由于无人机航拍具有场景复杂多样,目标尺度变化剧烈,高速低空运动模糊等诸多特性,给目标检测带来了很大的挑战。针对无人机航拍目标检测效果不佳的问题,提出了Dy-YOLO模型,在YOLOv5的基础上引入Dynamic Head注意力,从尺度感知、空间位置、多任务3个角度探索具有注意力机制的预测头潜力;设计了C3-DCN结构和Dynamic Head注意力相互配合增强特征提取能力;此外,还使用SimOTA标签分配方式来弥补小样本的损失,并使用CARAFE(content-aware resssembly of features)上采样算子,有效增强了不同卷积特征图的融合效果。在VisDrone2019测试集上,Dy-YOLO检测的平均均值精度达到了38.2%,较基线方法YOLOv5提高了7.1%,同时与主流的检测方法相比也取得更高的检测精度。结果表明,Dy-YOLO算法对于无人机航拍检测任务具有较好的性能。     

基于改进YOLOv5的电动摩托车驾驶人头盔检测方法

随着经济的快速发展及低碳环保出行方式的普及,电动摩托车投入量逐年上升,但由此带来的安全隐患也随之上升.针对传统的人工检查骑手是否规范佩戴安全帽耗时、耗力且存在漏检等问题,提出一种基于改进YOLOv5的头盔检测算法.首先,针对摩托车头盔大小尺寸不一的问题,使用K-means++算法重新设计初始锚框,增加了网络收敛速度;其次引入坐标注意力机制(Coordinate Attention),增强网络学习特征的表达能力;最后,引入α-IoU损失函数提高目标检测精度.实验表明,改进的YOLOv5模型的mAP达到98.83%,比YOLOv5的平均精度提升了5.29%,符合在道路复杂环境下对电动摩托车驾驶人头盔检测的要求.     

基于改进YOLOv5的道路目标检测

为提高自动驾驶中的道路目标检测精度,设计了一种基于YOLOv5的道路目标检测模型。该模型在YOLOv5s的网络模型基础上,将原始的初始锚框聚类算法改为K-means++算法来减小随机带来的聚类误差;并在Backbone中SPP模块之前引入SENet注意力机制,以增强道路目标重要特征并抑制一般特征,达到提高检测网络对道路目标的检测能力。在VOC2012改进数据集上训练、测试,基于改进的YOLOv5s的模型比原始YOLOv5s模型平均准确精度提高了2.4%。实验结果表明,改进的YOLOv5s模型能较好地满足道路目标检测的精度要求。     

基于改进YOLOv5的变电站表计缺陷检测算法

准确检测变电站中的设备缺陷并及时进行处理是保证电力系统安全运行的重要措施.针对表计缺陷图像背景复杂、目标尺寸不一、外形差别大等问题,提出基于改进YOLOv5(you only look once的第5个版本)的变电站表计缺陷检测算法.为了提高泛化能力、解决训练过程中样本不平衡问题,利用旋转和改变图像亮度的方法进行数据增广.通过引入坐标注意力机制,在聚焦缺陷特征的同时,能突出缺陷特征的差异.为了使边界框回归更快速准确,将EDIOU loss(effective distance intersection over union loss)代替CIOU loos(complete intersection over union loss).实验结果表明：6种算法中,该文算法的准确度、召回率和mAP(mean average preciscion)均最高,分别达85.1%, 86.6%, 87.3%.因此,该文算法具有优越性.     

改进的YOLOv5-ResNet相似目标检测方法

针对在相似目标检测问题中,以YOLOv5为代表的一步法漏检错检率高、以Faster R-CNN为代表的两步法检测速度慢的问题,提出了一种改进的YOLOv5-ResNet相似目标检测网络模型。该模型以YOLOv5框架为基础,借鉴了两步法的优点。在边框生成方面,改进了特征融合结构,强化了模型的特征提取能力,降低了总体漏检、误检率。在类别预测方面,引入了SE模块(squeeze and excitation module),在通道方向上施加注意力机制,降低网络检测时的计算量,并保持了较高的准确率。在斯坦福宠物狗数据集和自制音符卡片数据集上的实验结果表明,本文提出的相似目标快速检测模型不仅在识别精度方面略高于Faster R-CNN,而在速度方面仅次于YOLOv5,检测帧率约为YOLOv5的72%,能够满足相似目标检测的实时需要。     

基于改进YOLOv5算法的车辆目标检测

为了解决车辆目标检测中准确率低的问题,提出了一种基于改进YOLOv5算法的车辆目标检测.改进后的YOLOv5算法主要是在原来的基础上通过K-means聚类的方法对数据集中的目标边框进行重新聚类、并将CIoU损失函数和DIoU＿nms应用于YOLOv5算法来提高目标识别效果.改进后的YOLOv5算法,目标检测mAP达到了85.8%,比改进前的YOLOv5算法提升了1.3%.     

基于YOLOv5s的轻量化朱鹮检测算法研究

针对当前朱鹮检测算法模型参数较多、计算量大的问题,本文设计研究了一种基于YOLOv5s的高性能轻量化网络模型。首先,结合EfficientNet网络中的MBConvBlock对原主干网络进行重构,大幅降低网络参数;同时在浅层网络中采用Stem模块,提升浅层网络的特征提取能力;然后改进卷积注意力模块(CBAM),即将其中的通道注意力替换为高效通道注意力模块(ECA),避免了降维操作,有效提取了邻近通道间的信息,且大幅降低了通道注意力的参数数量,并将其嵌入特征融合网络路径聚合网络(PANet)中,达到了引入微小参数数量而有效提升网络性能的目的,并将其命名为高效卷积注意力模块(ECBAM)。最后,在自建朱鹮数据集和公共数据集PASCAL VOC、COCO上进行实验,实验结果表明,与YOLOv5s算法相比,本文算法模型参数数量降低了52.37%,计算次数降低了54.55%,在自建朱鹮数据集上P_mAP@0.5:0.95仅降低了约2个百分点,达到0.666,在公共数据集PASCAL VOC上P_mAP@0.5达到0.792,在公共数据集COCO上P     

基于MSAM-YOLOv5的内河航道船舶识别方法

针对内河航道上无人船识别目标时受背景复杂性和分布多样性影响而存在漏检的问题,提出一种基于YOLOv5(you only look once)的算法．首先,提出一种注意力模块MSAM(多尺度注意力模块),可对带有大量空间信息的浅层特征图和带有丰富语义信息的深层特征图进行注意力融合,使得融合后的特征图具有更强的特征;然后,研究MSAM模块的不同位置的影响;最后,优化锚框参数,使得锚框形状更加符合内河船舶的形状．在船舶数据集上进行实验,结果表明：本算法的召回率提高了1.12%,三个mAP(平均精度均值)指标分别提高了0.87%,5.00%和2.07%,FPS(帧率)指标提高了3,漏检率降低,整体检测准确性和检测速度均得到提升．     

基于改进YOLOv7的输电铁塔塔基检测算法

输电塔作为整个电力传输系统最重要的组成部分之一,需要及时对输电塔进行检测保证塔基的稳固以保障后期的使用。针对无人机采集到的输电塔图像存在背景复杂、背景与目标塔基对比度低、小目标及塔基不完整等问题,提出了基于改进YOLOv7的输电塔塔基检测算法。首先,通过无人机采集不同地形地貌的输电塔图像,构建高质量数据集。然后,在原始YOLOv7的Backbone层中加入卷积注意力模块CBAM注意力机制,以提高输电塔塔基特征的提取能力。最后,引入WIoU v3代替原坐标损失函数CIoU,以提高目标检测任务的准确性和稳定性。在该数据集上,使用改进后的YOLOv7算法与目前主流的目标检测算法进行对比实验,实验结果中所提算法的mAP值高达99.93%,比原始YOLOv7提高2.19%,FPS值为37.125,满足实时检测需求,算法的整体性能较好。实验验证了所提算法在塔基检测上的可行性和有效性,为后续塔基区周围水土情况的研究奠定了基础。     

基于改进YOLOv5的平贝母检测模型

现有平贝母表土剥离机智能化程度不高,在收获平贝母时存在造成平贝母损伤的问题,故需要研制一款智能化的平贝母表土剥离机,而实现智能表土剥离的第一步就是实现智能识别,因此,提出一种基于改进YOLOv5的平贝母检测模型YOLOv5-Swin-L。通过引入Swin transformer,在骨干网络中替换C3,减少序列长度和降低计算复杂度,从而简化模型的参数量;同时用ACON激活函数将原来网络结构中的激活函数替换,可提高模型的精确度,增加模型的鲁棒性。实验结果表明,改进后的YOLOv5-Swin-L对平贝母识别的准确率最高可达96.39%,召回率最高可达95.76%,优于YOLOv5系列的其他网络模型。     

一种基于YOLOv5的小样本目标检测模型

深度学习技术在目标检测领域取得了显著的成果,但是相关模型在样本量不足的条件下难以发挥作用,借助小样本学习技术可以解决这一问题。本文提出一种新的小样本目标检测模型。首先,设计了一种特征学习器,由Swin Transformer模块和PANET模块组成,从查询集中提取包含全局信息的多尺度元特征,以检测新的类对象。其次,设计了一种权重调整模块,将支持集转换为一个具有类属性的权重系数,为检测新的类对象调整元特征分布。最后在ImageNet-LOC、PASCAL VOC和COCO三种数据集上进行实验分析,结果表明本文提出的模型在平均精度、平均召回率指标上相对于现有的先进模型都有了显著的提高。