基于YOLOv4的轻量级火焰检测算法

为改善现有火焰检测算法参数量大、训练时间长等缺点,本研究提出基于YOLOv4改进的轻量级火焰检测算法。算法以YOLOv4为基本框架,采用MobileNet v3作为主干网络,利用深度可分离卷积替代YOLOv4中颈部网络和检测网络的3×3普通卷积,并将激活函数更换为H-swish函数,构建出一种轻量级火焰检测算法。不仅参数大幅度减少,而且能提升火焰检测精确度,降低火焰漏报率。实验证明,在相同的训练条件下,本研究提出的算法参数量个数降为YOLOv4的18%,训练时间减少44%。当检测相同火焰图像时,与MobileNet v3-DW-YOLOv4算法相比,本研究算法的精确度提升1%,检测速度为每秒46帧,能更好地嵌入到终端设备上进行实时检测。     

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.     

基于深度学习的轻量级道路障碍检测算法

道路障碍检测是智慧交通和无人驾驶的重要组成部分。针对道路障碍检算法的参数量过大、占用内存过多、难以在内存和算力有限的设备中使用等问题,本文提出一种轻量级的道路障碍检测算法。在YOLO v4的基础上,使用MobilenetV3作为模型的主干网络,减少模型参数,提高检测速度;改进模型中的PAN结构,将主干网络中更浅层的特征图提取融合,改善小目标检测不佳的问题;在特征融合部分加入ECA注意力机制提升网络整体精度;提出一个新的DBR模块,使网络整体相比之前更加轻便。使用改进后的模型在自制数据集中进行检测,与Mobilenetv3-YOLO v4相比,精度提升5.24%,参数量降低35.5%,F达43.8,满足实时应用的技术要求,表明模型可以嵌入到小型移动设备,达到良好的实时效果。     

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.     

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。     

多尺度并行融合的轻量级卷积神经网络设计

针对传统深度卷积神经网络分类精度不佳,参数量巨大,难以在内存受限的设备上进行部署的问题,本文提出了一种多尺度并行融合的轻量级卷积神经网络架构PL-Net。首先,将上层输出特征图分别送入两种不同尺度的深度可分离卷积层;然后对并行输出特征信息进行交叉融合,并加入残差学习,设计了一种并行轻量型模块PL-Module;同时,为了更好地提取特征信息,利用尺度降维卷积模块SR-Module来替换传统池化层;最后将上述两个模块相互堆叠构建轻量级网络。在CIFAR10、Caltech256和101_food数据集上进行训练与测试,结果表明:与同等规模的传统CNN、MobileNet-V2网络及SqueezeNet网络相比,PL-Net在减少网络参数的同时,提升了网络的分类精度,适合在内存受限的设备上进行部署。     

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.     

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。     

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YOLOv4网络的水表读数识别方法

在远程水表读数自动识别系统中,为减少网络模型参数量,改善受雾化、抖动等干扰的水表复杂场景图像读数识别精度及半字识别问题,提出了一种基于改进YOLOv4网络的水表读数识别方法。首先,利用深度可分离卷积与引入压缩与激发(squeeze-and-excitation, SE)注意力机制的MobileNetv2瓶颈结构,分别替代YOLOv4网络原有的标准卷积和主干网络;其次,利用加权平均非极大值抑制算法改进预测输出头,形成了一种网络模型参数量明显降低但检测精度不下降的改进YOLOv4网络,同时有效改善了对水表读数“半字”识别的漏检和错检问题;最后,基于字符边框定位的水表读数提取方法,实现“半字”准确提取问题。实验结果表明,所提方法与多种网络学习方法相比,模型参数量压缩14.4%以上,读数识别的准确率和召回率对普通场景水表图像分别提升了0.04%和0.05%以上,对受雾化、抖动等干扰的复杂场景水表图像分别提升了0.11%和0.37%以上。     

基于改进的轻量级YOLOv3的交通信号灯检测与识别

交通信号灯的准确检测与识别可以提高驾驶的安全性,减少交通事故的发生.为了提高移动端识别的准确率和速度,提出一种改进的轻量级YOLOv3模型实现交通信号灯的检测与识别.首先,采用轻量级的ShuffleNetv2网络替换YOLOv3的主干网络DarkNet53,实现交通信号灯的快速检测与识别;接着,融合ShuffleNet...     

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的胶囊内窥镜病灶区域检测

针对目前胶囊内窥镜病灶检测模型存在检测疾病单一且效率低等问题,提出了一种基于YOLOv5的胶囊内窥镜病灶区域检测方法。该方法在原始YOLOv5基础上进行了如下改进：首先,在主干网络Backbone部分,添加一个CBAM(convolutional block attention module)模块,增强模型对重要特征的突出能力;其次,在头部网络Head部分,添加一个检测头,增强模型对小目标的检测能力;最后,将原始YOLOv5的泛化交并比(generalized intersection over union, GIoU)损失函数替换成完整交并比(complete intersection over union, CIoU)损失函数,使模型训练时更快地收敛。本文提出的方法在长江大学第一临床医学院提供的胶囊内窥镜影像数据上进行了实验,精确率达到了93.6%,召回率达到了94.3%,mAP@0.5达到了97.2%,而且检测速度达到了每帧0.027 2 s。实验结果表明提出的方法是有效的、灵活的、鲁棒的,能够满足临床医学诊断的实际需求。     

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。     

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。     

一种融合RepVGG和YOLOv5的行人检测方法

现如今,基于YOLOv5的网络模型被广泛应用在行人检测的任务中,在精度和速度上有着良好的效果。但在终端设备上部署使用,往往受到算力的限制。因而,基于RepVGG模型改进的主干网络,并且为了提高在密集人群和复杂环境下的适应性,加入了坐标注意力机制,扩大感受野的同时增强感兴趣区域的权重。经过实验测试,这种轻量化的网络参数量和计算量比较小,而且检测精度和鲁棒性也比较高,能够在一定程度下满足工程应用的要求。