基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

面向采摘机器人的改进YOLOv3-tiny轻量化柑橘识别方法

针对柑橘采摘机器人快速、准确的识别需求,提出了一种基于改进的YOLOv3-tiny（You Only Look Once v3 tiny）的轻量化卷积神经网络模型的柑橘识别方法。为便于在算力有限的采摘机器人上应用,该方法用DIOU（Distance Intersection over Union）损失函数替换了YOLOv3-tiny卷积神经网络模型原有的损失函数,提高模型的识别定位精度;采用MobileNetv3-Small卷积神经网络模型替换了主干特征提取网络,使模型更加轻量化,提高模型的识别速度;在MobileNetv3-Small中加入了新的残差结构,减少主干网络特征信息的损失,进而提高模型的识别精度;在加强特征提取网络中加入了简化的空间金字塔池化SPP（Spatial Pyramid Pooling）网络结构和深度可分离卷积层集,提升模型提取特征信息的能力,再加入一个下采样层,将两个尺度间的特征信息充分融合,同时还加入了hard Swish激活函数,从而进一步提高模型的识别精度。通过与YOLOv3-tiny在柑橘测试集上的识别效果进行对比,改进的YOLOv3-tiny的平均识别精度mAP、F1值分别达到了96.52％、0.92,提高了3.24%、0.03,平均识别单幅图像所耗时间、模型权重大小仅为47 ms、16.9 MB,分别减少了24%、49%。通过与YOLOv3-tiny在针对柑橘测试集中处于不同环境条件下的柑橘的识别效果进行对比,改进的YOLOv3-tiny在光照充足且未遮挡条件下、光照充足且遮挡条件下、光照不足且未遮挡条件下、光照不足且遮挡条件下的柑橘正确识别率分别为98.6%、90.5%、95.8%、86.8%,分别提高了0.7%、6.5%、3.2%、7.7%。显示出改进YOLOv3-tiny轻量化柑橘识别方法具有识别精度高、识别速度快以及轻量化等特点。     

基于Gan-St-YOLOv5的复杂环境下的手势识别

在智能工业生产中的复杂环境下进行手势识别人机交互，手势特征受到局部遮挡、强光照、远距离小目标的影响，导致目标检测识别过程中识别出的手势特征减少，甚至分类错误.在复杂环境下提高手势识别精准度成为人机交互任务中亟需解决的问题.本文提出一种具有创新性的Gan-St-YOLOv5模型，在YOLOv5的基础上生成对抗网络(generative adversarial network, GAN)和Swin Transformer模块，融入SENet通道注意力机制，使用Confluence检测框选取算法，增强模型检测的准确度.为了验证模型的优越性，与YOLOv5模型进行对比，得出Gan-St-YOLOv5在完全可见测试集上mAP＿0.5高达96.1%,在强光照测试集上mAP＿0.5高达92.3%,在部分遮挡测试集上mAP＿0.5高达86.6%,在远距离小目标测试集上准确度高达96.4%,均优于YOLOv5目标检测算法，以较小的效率损失取得了较高精度.     

密集行人检测方法研究

针对现有行人检测算法面对遮挡、尺度不一等问题表现出来漏检率和误检率高的情况,提出一种基于改进YOLOv5的密集行人检测方法Improved-YOLOv5.采用改进BIFPN网络替换原有PANet,增强特征融合网络对于特征信息的利用率和对于小尺度行人的关注度.采用EIoU Loss替换原有CIoU Loss,提高模型的回归精度和收敛速度.提出一种新的后处理算法T-NMS,通过增加一个额外的阈值,提高模型对于密集场景下行人密度的区分能力,并在模型开销增加不大的前提下降低了漏检率.实验结果表明,在Citypersons数据集上,所提密集行人检测方法Improved-YOLOv5相比原YOLOv5算法在不同程度遮挡的子集上检测效果均有明显提升,尤其是高遮挡Heavy子集的MR^-2降低了4.2%,达到53.1%,表明改进方法在密集行人检测中具有较好的性能.     

基于改进YOLOv5s的道路场景多任务感知算法

针对单一任务模型不能同时满足自动驾驶多样化感知任务的问题，提出了一种基于改进YOLOv5s的快速端到端道路多任务感知方法。首先，在YOLOv5s网络输出端设计两个语义分割解码器，能够同时完成交通目标检测、车道线和可行驶区域检测任务。其次，引入Rep VGG block改进YOLOv5s算法中的C3结构，借助结构重参数化策略提升模型速度和精度。为了提升网络对于小目标的检测能力，引入位置注意力机制对编码器的特征融合网络进行改进；最后基于大型公开道路场景数据集BDD100K进行实验验证该算法在同类型算法的优越性。实验结果表明，算法车辆平均检测精度为78.3%，车道线交并比为27.2%，可行驶区域平均交并比为92.3%，检测速度为8.03FPS，与同类型算法YOLOP、Hybrid Nets对比，该算法综合性能最佳。     

基于改进YOLOv5的车辆目标检测研究

针对现有目标检测算法在自动驾驶等领域的车辆目标检测中存在检测精度不高,实时性和鲁棒性较差等问题,本文提出一种基于YOLOv5的车辆目标检测方法.本文在YOLOv5s网络模型框架下,引入一次性聚合（OSA）模块优化主干网络结构,提升网络特征提取能力;并采用非局部注意力机制进行特征增强;同时利用加权非极大值抑制方法实现检测框筛选.实验结果表明,在自制车辆检测数据集上,改进网络模型与原YOLOv5s模型相比,平均准确率均值（mAP）提升3%,不同目标类检测的平均准确率（AP）均得到提升,且检测速度满足实时性要求,对于密集车辆和不同光照条件下均能较好实现车辆目标检测.     

基于改进YOLOv5的密集行人检测方法

针对密集行人检测中行人之间高度遮挡重叠所带来的精度低和漏检高的问题，提出一种单阶段密集行人检测方法Dense-YOLOv5。实验基于YOLOv5-L，首先使用改进的RepVGG模块来替代原有3×3卷积加强密集场景下特征信息的提取；然后在原有3个检测头的基础上添加1个检测头降低对小尺度行人的漏检；最后在网络特征融合阶段引入注意力机制，添加1个高效通道注意力(efficient channel attention,ECA)模块提高对有用信息定位的精度。实验结果表明：DenseYOLOv5相比原YOLOv5在CrowdHuman数据集上，在保证实时性的前提下，平均精度(AP)提高了3.6%，对数漏检率平均值(MR^-2)降低了4.0%，证明了Dense-YOLOv方法在密集行人检测中的有效性。     

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的轻量化无人机检测算法

针对现有的无人机检测算法无法同时兼顾检测速度及检测精度的问题，本文提出了一种基于YOLOv5s（You Only Look Once）的轻量化无人机检测算法TDRD-YOLO（Tiny Drone Real-time Detection-YOLO）.该算法首先以YOLOv5s的多尺度融合层和输出检测层分别作为颈部网络和头部网络，引入MobileNetv3轻量化网络对原骨干网络进行重构，并将骨干网络后的通道在原YOLOv5s的基础上进行压缩，减小网络模型大小；其次，将骨干网络中Bneck模块的注意力机制由SE修改为（Convolutional Block Attention Module，CBAM）并在颈部网络引入CBAM，使网络模型更加关注目标特征；最后修改颈部网络的激活函数为h-swish，进一步提高模型精度.实验结果表明：本文提出的TDRD-YOLO算法平均检测精度达到96.8%，与 YOLOv5s相比，参数量减小到原来的1/11，检测速度提升1.5倍，模型大小压缩到原来的1/8.5.实验验证了本文算法可在大幅降低模型大小、提升检测速度的同时保持良好的检测性能.     

改进后的YOLOv5用于跌倒行为检测

随着全球人口老龄化不断加剧，由于跌倒致死的比例也随之增加，及时发现跌倒行为对降低死亡风险至关重要。针对现有跌倒检测算法在实际应用场景中出现漏检、准确率低等问题，本文将改进后的YOLOv5目标检测方法用于跌倒行为检测。具体改进措施：将YOLOv5的边界框损失函数GIoU更换为α-IoU；引入卷积块注意力机制模块（CBAM），使网络可以更专注地学习跌倒特征；在特征融合层引入加权双向特征金字塔网络结构（BiFPN）以充分利用不同尺度的特征，从而提高检测精度。实验结果表明，改进的YOLOv5模型对跌倒行为的检测精度mAP达到了98.8%，比改进前提高了4%，满足对实际应用场景下跌倒检测的要求。     

基于级联卷积神经网络的番茄果实目标检测

为了使采摘机器人在收获番茄时更加精准地识别目标果实,采用改进后的Cascade RCNN网络对温室内的番茄果实进行目标检测.将Cascade RCNN网络中的非极大值抑制算法替换为Soft-NMS(soft non-maximum suppression)算法,采用适合番茄形状的锚框,增强网络对重叠果实的识别能力,与原Cascade RCNN网络相比,目标识别的准确率提高了近2％,在识别番茄果实的同时,该网络对番茄的成熟度进行了简单分类.为进一步验证网络性能,将改进网络与经典的Faster RCNN网络和YOLOv3网络进行对比.实验结果表明,改进网络能够准确地识别出番茄果实,并对成熟番茄与未成熟番茄做出区分.该方法可为温室内番茄果实的采摘提供技术支持.     

基于重叠边缘的夜间重叠番茄识别

为更准确地识别出夜间重叠番茄,提出一种基于重叠边缘检测的夜间重叠番茄识别算法.该算法采用基于OTSU法进行图像分割,利用Canny算子进行边缘检测,并从中识别出重叠边缘,进一步基于重叠边缘应用一种距离就近法判断重叠番茄前后位置关系,最后基于圆拟合对重叠番茄中前未被遮挡番茄进行识别.试验结果表明:无枝叶遮挡时,前后位置关系判断正确率为96%,前未被遮挡番茄识别正确率为91.7%;当有枝叶遮挡时,前后位置关系判断正确率为90%;当被遮挡率低于50%时,前未被遮挡番茄识别正确率为83.3%;该算法可实现夜间双果重叠番茄前后位置关系判断及前未被遮挡番茄识别.     

基于改进YOLOv5的遥感图像飞机目标检测

针对遥感图像中飞机检测尺寸大小不一、背景复杂导致的难以识别问题,提出一种基于YOLOv5网络模型的改进方法。首先,在YOLOv5网络模型中融入Swin-Transformer模块,使网络全局建模并使全维度信息交互,以提升网络的特征提取能力;其次,对损失函数进行优化,引入SIOU损失函数以考虑真实框和预测框之间的向量角度问题。对比实验表明,优化前后网络模型检测精度均为95.3%。在检测精度相同的情况下,改进后的网络模型召回率为91.2%,比改进前提升0.6个百分点;改进后平均检测精度mAP_0.5为95.7%,比改进前提升0.2个百分点。结果表明,改进后的YOLOv5网络模型能在一定程度上提升遥感图像中飞机目标检测性能。     

基于优化YOLOv5s的老人跌倒检测算法

针对跌倒对老年人安全性问题造成的影响，以及现有目标检测模型在人物跌倒时易漏检、鲁棒性和泛化能力差等问题，对YOLOv5s算法进行优化，提出一种老人跌倒检测算法。使用改进的RepVGG模块代替YOLOv5s算法中的3×3卷积模块，优化损失函数，选择K-means++算法对所用数据集进行聚类优化。结果表明，所提算法的鲁棒性好、泛化能力强，平均准确率比YOLOv3,YOLOv4,YOLOv5s, CBAM-YOLOv5s模型分别提高了9%,8%,3%和1.2%。所提出的算法能够满足现实中不同场景对老人跌倒行为的检测需求，可以应用于移动设备或者监控设备中，在老年人安全保障领域发挥重要作用。     

基于改进YOLOv4的轻量化目标检测方法

针对检测模型参数量大,难以在嵌入式设备上部署等问题,设计了一种改进的YOLOv4目标检测算法.该算法使用轻量化的MobileNetV1替换CSPDarketnet53主干特征提取网络,并将后续网络中的3×3卷积替换为深度可分离卷积,极大地减少了模型的参数量;在检测头加入NAM注意力模块,增强网络对细节信息的提取能力;采用SDIoU Loss作为边框回归损失,在加快收敛速度的同时提高了检测精度.实验表明：与YOLOv4-CSPDarknet53相比,改进算法在PASCAL VOC07+12数据集上训练出来的模型大小为47.19 M,约为原来的五分之一,FPS提升了40(f/s),mAP提升了2.4%.与YOLOv4-Tiny、YOLOv5s、YOLOv7等目标检测算法相比,具有兼顾检测速度与精度的特点.     

基于视觉加强注意力模型的植物病虫害检测

【目的】植物病虫害准确检测是病虫害精准化防治的关键，笔者构建准确高效的植物病虫害监测模型，为病虫害的早期诊断与预警提供重要依据。【方法】针对现有植物病虫害检测模型泛化能力弱、小目标漏检率高等问题，提出一种基于视觉加强注意力改进的植物病虫害检测模型——YOLOv 5-VE(vision enhancement)。为方便检测实验样本中的小目标采用Mosaic 9数据增强方法；设计出基于视觉注意力的特征加强模块CBAM(convolutional block attention module);为确定不同目标重叠在一起和被遮挡的定位损失引入边界框定位损失函数DIoU。【结果】YOLOv 5-VE模型在实验数据集上的识别精度和检测平均准确率达到65.87%和73.49%,比原模型提高了1.07%和8.25%,在型号为1 080 Ti的GPU上检测速度可达35帧/s。【结论】该方法可以在背景复杂的野外场景快速有效地检测和识别种类多样的病害和虫害，可以提高检测的鲁棒性能，提升模型对病虫害目标的特征提取能力，降低野外复杂场景对检测带来的干扰，表现出良好的应用潜力，可广泛运用于大规模的植物病虫害检测。     

基于改进YOLOv5s的指针式水表读数检测

针对光照不均匀和水表表盘雾化的指针式水表在读数检测时出现漏检、误检等问题,本文提出一种基于改进YOLOv5s的指针式水表读数检测方法。首先,采用Mosaic,Mixup等数据增强方法,提高模型的泛化能力;其次,引入BiFPN模块(Bilateral Feature Pyramid Network)实现更高层次的特征融合,使得水表图像的深层特征图和浅层特征图充分融合,提高网络的表达能力;然后,嵌入CBAM注意力机制模块（Convolutional Block Attention Module）,在通道和空间双重维度上强化指针式水表子表盘示数特征;最后将CIoU-Loss函数(Complete Intersection over Union Loss)替换为SIoU_Loss,提升边界框的回归精度。改进算法的mAP@0.5达到97.8%,比YOLOv5s原始网络提升了3.2%。实验结果表明：该算法能有效提高指针式水表的读数检测精度。     

基于PINet+RESA网络的车道线检测算法

实例点网络(point instance network, PINet)在物体遮挡、光照变化和阴影干扰等场景中检测准确性高,但实时性表现不佳.在保证PINet模型精度的前提下,为提升网络的推理速度,提出一种结合循环特征移位聚合器(recurrent feature-shift aggregator, RESA)算法的车道线检测模型.通过算力分析,只采用1个瓶颈网络(bottle-neck)作为预测网络(predicting network),目的是为了去除冗余的多尺度操作,以加快模型的推理速度.为了弥补模块剪枝造成的精度下降,引入了RESA模块以捕获图像中跨行、列的空间信息,增强骨干网络提取到的车道线特征.将改进后的模型在Tusimple、CULane、Custom数据集上进行测试.结果表明：改进后的网络模型在物体遮挡、光照变化、阴影干扰等多种复杂场景下表现突出,对车道分割准确率、实时处理速度有大幅改善,检测识别效果优于传统PINet网络算法,除F1指标提升较小外,推理速度在3个数据集下分别提升20.3%、52.9%及13.9%.     

基于改进YOLOv5s的轻量化交通灯检测算法

针对目前交通灯检测算法网络模型参数量过大、实时性差的问题,提出了一种基于改进YOLOv5s的轻量化交通灯检测算法.首先,用轻量化网络MobileNetv3替换原主干网络并引入注意力机制,在对检测精度影响不大的前提下降低模型参数量;然后,使用深度可分离卷积替换颈部网络中的传统标准卷积,进一步降低模型参数量;接着,针对交通灯尺度小的特点,删除检测大目标的检测层;最后,改进边框回归损失函数,提升边框检测精度.同时,为了能实时部署在嵌入式平台,该算法对网络进行通道剪枝实现模型压缩和加速.实验结果表明,该算法在嵌入式平台NVIDIA Jetson Xavier NX上能达到48.1帧/s的检测速度,相比原始YOLOv5s牺牲了1.5%的mAP,但是该模型体积压缩了54.3%,检测速度提高为原来的2.6倍,可以满足在交通道路中实时对交通灯检测的需要.     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.