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的无人机障碍物检测算法

无人机被广泛的应用救援、物流、巡检等场景,在飞行过程中及时检测障碍物是安全完成任务的前提保障。为了满足无人机飞行中对障碍物检测的要求,以YOLOv5算法为基础提出一种改进算法。使用卷积模块代替Focus 模块并在原有网络结构中增加一个检测头,以提高检测性能;在特征提取网络中融合CA(Coordinate Attention)注意力机制以加强模型特征提取能力,降低背景干扰。实验结果表明,改进的算法相比原YOLOv5模型精确率提升了13.8%,召回率提升了12%,mAP@0.5 提升了15.4%,mAP@0.5:0.95提升了10.2%,证明了改进算法的优越性。     

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.     

基于改进YOLOv5的路面裂缝检测算法

针对使用YOLOv5模型检测路面裂缝未能充分考虑裂缝尺度差异大、目标小的特性以及与背景不易区分等因素导致检测精度低的问题,提出了一种基于改进YOLOv5的路面裂缝检测算法.首先,引入Swin Transformer模块到YOLOv5模型中,提升网络全局特征提取能力.其次,在主干网后增加膨胀卷积模块,旨在特征融合前提取主干网全局特征信息.最后,通过加入注意力机制模块来增强模型对检测目标的关注力并削弱背景干扰因素的影响.实验结果表明,改进YOLOv5模型在路面裂缝数据集中检测精度有较大提升,相比原模型平均精度均值提升了3.4个百分点,其中龟裂精度提升最明显,且检测裂缝的平均精度均值高于其他典型的一阶段目标检测算法,证明了改进YOLOv5模型的有效性.     

基于改进YOLOv5的高空螺母识别算法

为了提升高空螺母的识别准确率,减少螺栓螺母的误检、漏检率,提出了一种基于改进YOLOv5的高空螺母识别模型。首先,在骨干网络端添加了高效多尺度注意力机制(efficient multi-scale attention, EMA),以此融合更多的信息。其次,将颈部网络的PANet更换为BiFPN(bidirectional feature pyramid network),以加强网络的特征提取能力。最后,将原损失函数CIoU(complete intersection-over-union)更换为SIoU(structured intersection over union),以加快模型的收敛速度并提高模型的分类准确率。结果表明,相比于YOLOv5原模型,改进后的模型拥有更好的性能,其中准确率提升了0.92%,召回率提升了0.16%,平均精度1(mAP＿0.5)提升了0.53%,平均精度2(mAP＿0.5:0.95)提升了2.26%。再用改进前后的模型进行实际识别对比实验,结果表明,改进后的模型识别效果更好,漏检、误检率下降,实际的识别率更高。改进后的模型能够很好地满足高空螺母的识别和图像数据采集,也为后续的螺母维护提供了数据基础。     

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。     

基于改进YOLOv5s的火焰烟雾检测方法

针对传统火焰烟雾检测不及时、小目标烟火检测困难和检测精度低等问题,提出了一种改进YOLOv5s的火焰烟雾检测方法。首先,在YOLOv5s模型的Backbone层中引入了SE注意力机制,自适应地调整每个通道的特征权重,增强有用特征并抑制无用特征,从而提升网络对火焰烟雾特征的提取能力。其次,在YOLOv5s模型的Neck层中引入了BiFPN模块作为特征融合模块,通过BiFPN模块引入双向连接,结合自底向上和自顶向下的特征融合方式,能够充分利用不同层级的特征信息,提高特征的丰富性。最后,将改进YOLOv5s模型应用于实际火焰烟雾数据集上。实验结果表明：改进YOLOv5s模型的准确率、召回率和mAP值分别提升了1.8%、2.6%和1.5%,能够满足火焰烟雾检测的精度要求。     

基于YOLO-PCB的印刷电路板裸板缺陷检测

针对当前印刷电路板(printed circuit board,PCB)裸板缺陷检测算法对小目标检测准确率较低、误检率过高等问题,提出一种改进的YOLO-PCB缺陷检测算法.该算法在YOLOv5s算法的基础上引入注意力机制,增强特征图的通道特征;同时引入加权双向特征金字塔网络改进特征融合层,使网络实现更高层次的特征融合;而且增加小目标检测层,提高网络对印刷电路板上小目标缺陷的检测能力.实验结果表明,相较于原YOLOv5算法,改进后的检测算法具有更强的特征提取融合能力和更高的检测精度,YOLO-PCB算法的mAP0.5提升了 4.08％,mAP0.5:0.95提升了 56.69％,精确度提升了 1.81％,召回率提升了 6.76％.     

改进YOLOv5的公路隧道衬砌裂缝检测

高效、准确的衬砌裂缝检测可以为评估隧道结构安全提供依据。针对传统裂缝检测方法复杂和泛化能力弱的缺点,提出了一种基于深度学习的隧道衬砌裂缝检测网络YOLOv5-CT(YOLOv5 CBAM Transformer)。考虑到裂缝细长的形态,网络引入了Transformer模块来改善裂缝检测效果。Transformer模块较强的长距离依赖捕捉能力使得所提出的检测模型能够充分学习到裂缝区域的上下文信息。此外,该网络在特征融合部分还集成了卷积注意力机制CBAM(convolutional block attention module)。在自采集数据集上的实验结果表明：YOLOv5-CT的AP50和AP(average precision)分别可以达到85.2%和51.3%,相比于基线模型YOLOv5提高了8.9%和12.1%,在精度上优于YOLOX、YOLOv3-MobileNet等其他单阶段目标检测网络。在640×640像素条件下推理速度达到161.3 f/s(frames per second),可以实现隧道衬砌裂缝实时检测。     

基于注意力机制的SK-YOLOv5海洋目标检测分类算法

基于遥感影像的海洋目标图像具有多尺度、形状变化大、颜色暗淡、目标边界不清、图像模糊等特点,需要在现有的目标检测算法上进行改进,以满足遥感影像海洋目标检测及分类需要。针对这些问题,在You Only Look Once version 5 (YOLOv5)的网络架构中引入Selective Kernel Networks (SKNet)注意力模块,提出一种新的SK-YOLOv5网络,增强网络对多尺度复杂海洋目标的特征提取和自适应能力。经对比实验测试,在相同的海洋目标数据集上,改进后的网络比原网络整体检测及分类准确率提升了约9%。     

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。