基于卷积神经网络的烟火智能识别算法研究

相较于传统烟火、烟雾传感器检测方法,基于卷积神经网络算法的烟火检测具有更高的检测精度和效率,并能提供火灾现场全局/局部详细信息。本文提出基于改进YOLOv3算法的烟火识别,应用高斯参数设计损失函数从而建立YOLOv3边界框模型,可预测边界框定位不确定性,减少负样本;为充分利用图像局部特征信息对网络结构进行改进,以实际烟火现场图片为研究对象,完成烟火识别过程计算。利用不同拍摄角度、光照条件自制火焰和烟雾数据集进行测试,结果表明,与传统YOLOv3对比,本文提出的改进YOLOv3算法平均精度提高了4.2%。研究方法将有助于提升智能烟火预警、人员救助和险情跟踪作业水平,最终提升事故灾害的应急能力。     

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的鱼群小目标检测优化算法

随着深度学习技术的发展，水下图像检测近年来受到广泛的关注，为了克服在复杂水下环境下传统小鱼群的误检、漏检和识别准确率低等问题，提出一种改进YOLOv5的目标检测方法(INV-YOLOv5)。该方法包括将YOLOv5m中的Focus模块替换为卷积模块，提高网络精度；在主干网络(Backbone)中添加多头自注意力机制，增大网络特征提取视野；最后，在网络中引入了内卷算子和加权的特征融合，降低网络的参数量，提高检测精度。在实验阶段，使用Labeled Fishes in the Wild数据集和WildFish数据集验证，该方法的平均精度(mAP)分别为81.7%和83.6%,与YOLOv5m网络相比分别提升了6%和14.5%,不仅拥有较高的识别率并且更加轻量化，而且模型大小与YOLOv5m网络相比减少了6 M(Mega)左右，验证了所提出的改进方法具有较好的效果。     

基于CXANet-YOLO的火焰检测方法

快速准确的火焰检测对于降低火灾危害具有重要意义，为了加强模型的火焰特征提取能力以及解决特征图尺寸不平衡的问题，利用XSepConv (Extremely Separated Convolution)、大卷积核、Mish激活函数等构建CXANet-block(ConvolutionExtremelyAttentionNetwork)作为YOLOv5的骨干网络，引入CBAM (ConvolutionBlockAttention Module)注意力机制，提出一种基于CXANet-YOLO的火焰检测方法，通过增加通道注意力和空间注意力来提高检测性能.在自建火焰数据集上进行训练，提升模型的鲁棒性和泛化能力.实验结果表明，CXANet-YOLO模型比基准模型YOLOv5在火焰检测上具有更高的检测精度和检测速度，准确率提高了8.2%，检测速度每秒提升25帧.     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。     

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。     

一种多尺度YOLOv3的道路场景目标检测算法

针对在自然交通场景中道路不同种类目标的边界框大小差异巨大,现有实时算法YOLOv3无法很好地平衡大、小目标的检测精度等问题,重新设计了YOLOv3目标检测算法的特征融合模块,进行多尺度特征拼接,对检测模块进行改进设计,新增2个面向小目标的特征输出模块,得到一种新的具有5个检测尺度的道路目标多尺度检测方法YOLOv3_5d.结果表明:改进后的YOLOv3_5 d算法在通用自动驾驶数据集BDD100 K上的检测平均精度为0.5809,相较于原始YOLOv3的检测平均精度提高了0.0820,检测速度为45.4帧·s-1,满足实时性要求.     

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。     

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。     

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。     

基于改进YOLOv4的行人检测算法

针对YOLOv4算法在行人检测中精度低,实时性差的问题,提出一种基于YOLOv4的改进算法。首先将MobileNetv2作为主干网络,在减少参数量的同时保证其特征提取能力,同时在MobileNetv2中加入Bottom-up连接,减少浅层信息的丢失;然后在特征融合网络嵌入卷积模块的注意力机制模块(convolutional block attention module, CBAM)注意力机制,增强特征的表现力;最后在分类与回归网络中加入Inception结构,进一步提高检测速度和增加网络复杂度。结果表明：在VOC数据集上,改进算法比原算法检测效果更佳,实时性更好,其精度提高了2.87%,处理速度提升了29.52 FPS;同时在真实场景下构建的数据集上,改进后的算法比YOLOv4精度提高了2.13%,具有较好的鲁棒性。     

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.     

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.     

融合注意力机制的改进型YOLOv5绝缘子缺陷故障检测方法

在电力系统巡检过程中,人工巡检方式难度较高,且存在安全隐患,搭载智能算法的无人机平台代替人工进行绝缘子检测的方法前景较好。针对绝缘子缺陷目标检测过程中存在的速度较慢、准确度较低等不足,提出了融合注意力机制的改进型YOLOv5绝缘子缺陷故障检测方法,该方法在YOLOv5s网络中融入SE注意力模块和CBAM注意力模块,并且将SE注意力模块与网络结构当中的C3模块结合,强化了网络的特征提取能力。通过相关的图像处理方法完成了自建绝缘子数据集的构建,采用了k-means++聚类算法构建自建数据集的先验框,并引入了Mosaic-9数据增强策略,有效解决了训练数据不足难以保证训练效果的问题。实验验证表明,改进后的检测方法,在不影响检测时间的前提下,绝缘子检测的准确度提升9.7%,对电力系统巡检方法具有一定参考意义。     

基于改进的YOLOv5安全帽佩戴检测算法

针对安全帽佩戴检测中存在的误检和漏检的问题，提出一种基于YOLOv5模型改进的安全帽佩戴检测算法。改进模型引入多尺度加权特征融合网络，即在YOLOv5的网络结构中增加一个浅层检测尺度，并引入特征权重进行加权融合，构成新的四尺检测结构，有效地提升图像浅层特征的提取及融合能力；在YOLOv5的Neck网络的BottleneckCSP结构中加入SENet模块，使模型更多地关注目标信息忽略背景信息；针对大分辨率的图像，添加图像切割层，避免多倍下采样造成的小目标特征信息大量丢失。对YOLOv5模型进行改进之后，通过自制的安全帽数据集进行训练检测，mAP和召回率分别达到97.06%、92.54%,与YOLOv5相比较分别提升了4.74%和4.31%。实验结果表明：改进的YOLOv5算法可有效提升安全帽佩戴的检测性能，能够准确识别施工人员的安全帽佩戴情况，从而大大降低施工现场的安全风险。     

基于改进YOLOv5和视频图像的车型识别

为了提高车型识别的精度和检测速度,提出了改进YOLOv5的车型识别算法。首先利用高速公路收费的监控视频数据扩充BIT-Vehicle车型数据集,同时针对数据集中各车型图片数量不均衡现象利用图像翻转、添加高斯噪声、色彩变化等图像处理技术对各车型数量进行均衡化,构建BIT-Vehicle-Extend数据集;其次,添加RFB(receptive field block)模块用于增加网络感受野,有助于模型捕捉全局特征;第三,将无参数的SimAM注意力机制添加Bottleneck中,在不增加参数的情况下,提高网络的特征提取能力。实验结果表明,相比于原始网络模型,本文所提出的YOLOv5优化算法,mAP0.5和mAP0.5:0.95达到98.7%和96.3%,分别提高了0.7%和1.5%。在检测速度方面,达到90 frames/s,与原网络相比检测速度基本不变。因此,本文所提出的YOLOv5优化算法,能够高精度的实时检测车型信息,满足车型识别检测需要。     

融合RepVGG的YOLOv5交通标志识别算法

准确检测交通标志已成为自动驾驶不可或缺的任务之一。基于现实场景中小而密集的交通标志,传统方式检测交通标志存在精度较低这一缺陷。针对此问题,提出一种融合RepVGG模块的改进YOLOv5的交通标志识别算法。首先将原算法的部分CBS模块替换为RepVGG模块,加强特征提取能力。并在Neck层融合CBAM注意力机制,强化检测模型的抗干扰能力。最后,在网络训练过程中,使用EIOU损失函数来弥补GIOU损失函数的不足,提高算法的检测精度与迭代速度。实验结果表明,改进后的YOLOv5算法,迭代速度更快,在CCTSDB交通标志数据集上的P、R、mAP值分别达到91.55%、85.04%、91.71%,相比YOLOv5算法能够更好的应用到实践当中。     

面向交通场景的轻量级行人检测算法

针对交通场景下行人检测模型网络复杂、参数量大以及难以在低性能设备上部署的问题,基于YOLOv5s网络模型提出了一种改进的轻量级行人检测算法。首先,使用Ghost模块重构YOLOv5s网络进行特征提取,降低模型的参数量和计算量,提高推理速度。其次,引入坐标注意力机制提高模型对目标特征的提取能力,提升其对小目标行人的检测效果。最后,采用SIoU损失函数加快模型的收敛速度,提高模型的识别准确率。实验结果表明,改进后的算法能保证较高的检测精度,与原始YOLOv5s算法相比参数量减少47.1%,计算量减少48.7%,提高了交通场景下行人检测的速度且易于部署。