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GB—YOLOv5的烟火智能检测研究

火灾的发生极大地威胁到人类的生命、财产安全，如何在初始阶段遏制火情尤为重要。针对复杂环境下火焰和烟雾目标较小、检测精度低、速度慢等问题，提出一种基于GB—YOLOv5的烟火智能检测方法。由于现有数据集限制，首先自建了包含4143张不相似图像的烟火数据集；其次将融合了注意力机制Convolutional Block Attention Module的Ghost Bottleneck模块与YOLOv5结合，在保证准确率的前提下，提高了检测速度；最后采用BIFPN模块替代PAN模块来增强颈部，更好地实现多特征融合，提高火焰和烟雾的检测能力。实验结果表明，改进后检测方法的平均精度均值比YOLOv5s高6.1%,推理速度比YOLOv5s快21%。     

基于注意力机制与加权盒函数的YOLOv5的行人摔倒检测算法

为了防止路上行人摔倒不能及时救治，危及行人安全问题，提出了一种改进YOLOv5的行人摔倒检测算法YOLOv5-CBAM-WBF。首先，通过改进马赛克（Mosaic）算法来丰富数据集并缩短训练时长；其次，融入卷积注意力机制模块（Convolutional block attention module,CBAM），加强对检测目标的关注，以提升算法的特征提取能力；最后，提出了一种新的加权盒函数Weighted boxes fusion(WBF)方法，来对组合模型进行预测，该方法显著提高了组合预测矩形的质量。和原始YOLOv5算法进行比较，YOLOv5-CBAM-WBF算法的精确率、召回率以及平均精度分别提升了3.2%、2%和3.9%，表明该改进算法对于行人摔倒检测效果有了显著提升。     

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YOLOv4的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化．首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck＿body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%．在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%．实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度．     

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。     

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YOLOv3的输送带纵向撕裂多视角检测方法

针对输送带纵向撕裂检测中存在的检测视角单一、速度慢、精度低等问题，文章提出一种基于改进YOLOv3算法的输送带纵向撕裂多视角检测方法。首先对原始YOLOv3网络结构进行优化设计，采用29层网络模型(Darknet-29)作为特征提取网络，将原有的3种不同尺度锚点改用为2种不同尺度(26×26,52×52)锚点；将位于多视角检测点的工业相机所采集的纵向撕裂图像制作成数据集，使用K-means算法对输送带纵向撕裂标签进行维度聚类分析，确定先验框参数；最后将改进的YOLOv3算法在数据集上进行测试与训练，并与其他几种算法进行比较。实验结果表明：该检测方法不仅可以较好地检测出输送带纵向撕裂，还可以分类识别出大裂纹或完全撕裂情形；相较于原始YOLOv3算法，改进后的YOLOv3算法平均检测精度均值提高0.4%,达到98.7%,检测速度提高60.6%,达到53帧/s,模型占用内存减少93 Mb,仅为141 Mb,优于YOLOv2和YOLOv3-Tiny算法。该文提出的输送带纵向撕裂检测方法具有模型占用内存低、检测精度高及速度快等优点，为输送带纵向撕裂提供了一种新的检测方案。     

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YOLOv5的轻量级猪只检测网络设计

为了现代养殖业能够实现无人化、智能化，本文以目标检测网络YOLOv5为基础，设计了一个更轻量级的猪只检测神经网络。新的网络以YOLOv5为基础，舍弃了原主干网络中Focus结合CSP的结构，采用MobileNetV3中的深度可分离卷积的倒残差结构。这种结构的卷积操作计算量更少，进一步降低了运算成本，同时加入通道注意力机制来衡量特征图的不同通道所占的重要性，以此增强目标特征。经过用自制数据集在此网络和YOLOv5及其他改进方法上分别进行实验对比，证实了此网络在精度几乎不下降的前提下检测速度有了较好提升。同时相比于其他常见目标检测网络，该网络的模型效果依然表现良好，验证了本文改进方法的有效性。     

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M-DCGAN的缺陷检测数据集增广方法

针对智能制造中表面缺陷检测数据集不足问题，提出基于M-DCGAN的数据集增广方法。首先，向判别器添加上采样模块，搭建类U-Net结构并提升判别器与生成器的网络深度；设计基于Canny边缘检测的缺陷位置二值化掩膜提取方法；定义图像掩膜依赖的损失函数，建立缺陷目标位置关注引导机制；插入谱归一化层和Dropout层以提高训练稳定性，保持生成图像数据多样性。带钢缺陷数据集实验结果表明，该模型生成图片质量高于DCGAN、WGAN-GP和InfoGAN。采用本文M-DCGAN算法增广训练数据，能够显著提升并超过传统增广算法在YOLOv5、SSD、Faster R-CNN、YOLOv3等八种经典方法中的缺陷检测精度，验证了本文算法的有效性。     

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,本文提出了改进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。最后,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。     

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。     

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。     

改进YOLOv3的行人车辆目标检测算法

针对YOLOv3(you only look once version 3)对中小目标检测效果不理想的问题,提出改进算法DX-YOLO(densely ResneXt with YOLOv3).首先对YOLOv3的特征提取网络Darknet-53进行改进,使用ResneXt残差模块替换原有残差模块,优化了卷积网络结构;受DenseNet的启发,在Darknet-53中引入密集连接,实现了特征重用,提高了提取特征的效率;根据数据集的特点,利用K-means算法对数据集进行维度聚类,获得合适的预选框.在行人车辆数据集Udacity上进行实验,结果表明:DX-YOLO算法与YOLOv3相比,平均准确率(mean average precision,mAP)提升了3.42％;特别地,在中等目标和小目标上的平均精度(average precision,AP)分别提升了2.74％和5.98％.     

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YOLOv5s的辣椒采摘机器人识别定位方法

为了准确研究辣椒采摘机器人受不同作业场景影响的规律，利用获取的采摘目标信息构建基于改进YOLOv5s的辣椒采摘识别定位模型.基于光照强度、光照角度、枝叶遮挡和果实重叠等场景建立图像数据库，引入双向特征金字塔网络改进YOLOv5s的特征融合网络进行深层次特征提取，以增强网络的信息表达能力，提高检测精度.探讨不同场景对该模型检测精度P、检出率R和平均精度均值(mean average precision, MAP)的影响规律.结果表明：改进后YOLOv5s模型对辣椒的检测精度高达95.6%,较YOLOv4、YOLOv3、YOLOv2及Faster R-CNN模型分别提高了6.1%,9.3%,44.4%,8.2%;光照角度处于正面90°时的检测效果最佳，MAP达97.3%;模型在白天强光和傍晚弱光场景下的鲁棒性好，MAP值高于90%;模型在枝叶遮挡场景下比果实重叠时的检测精度高；辣椒距离相机坐标系的空间坐标测量值取0.2 m时的误差仅为1 mm,满足辣椒采摘定位精度需求.