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。     

基于改进YOLOv5s的行人车辆目标检测算法

针对传统的行人车辆目标检测算法因参数量大和计算复杂度高而在现实应用中受限的问题,基于轻量化深度学习网络提出改进的YOLOv5s行人车辆目标检测算法.首先,选用ghost模块替换主干网络中部分卷积模块进行模型剪枝,同时向网络中引入注意力机制,使得网络在减少模型参数量和提升模型性能两方面实现更好的平衡;其次,采用边界框的宽高差值计算代替边界框回归损失函数中宽高比距离的计算,加速网络的收敛;最后,通过构建真实交通场景下的行人车辆目标检测数据集检验模型的准确性和实时性.实验结果表明,在保持原算法较高精度的同时,改进后YOLOv5s算法的参数量下降28%,模型大小降低27%,节省了硬件成本,拓宽了YOLOv5s算法的应用场景.     

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的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块,一般情况下,车辆检测和车辆表观特征提取是在不同的神经网络中进行的,且一张图中的车辆目标越多,对车辆表观特征提取耗费时间的也越多,推理时间也相应变长。针对这一问题,基于经典的Tracking-By-Detection模式,提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块,使YOLO在输出目标位置信息的同时输出目标特征信息,以提高算法的跟踪速度。针对车辆间彼此覆盖的情况,提出一种基于动态IOU阈值的非极大抑制算法,以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配,从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性,实验结果表明,将YOLOv5网络进行改进后运用在目标跟踪算法中,相对于经典的YOLO+DeepSORT跟踪模型,在车辆密集的情景下平均推理时间减少了17%;在改进后的网络上添加动态IOU阈值非极大抑制,跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

YOLOv5算法在山火检测中的应用

随着高新技术的发展,山火的监控、预警方式从过去以人工为主转换成图像、热成像等火焰识别的计算机处理,前者检测成本较高且监视范围小,同时存在环境背景杂乱,灯光、白云等与烟火混淆的因素导致检测误差大,预警延迟等问题。YOLO是基于深度学习的目标检测算法,它对收集到的多元烟火数据集进行以火焰、烟雾为研究对象的目标检测训练,能够得到烟火的自动识别检测模型,同时降低环境中检测混淆因子造成的影响使得分离烟火。对目标检测模型进行优化改进,使最后训练出的检测模型能够对图片或视频有更好的检测效果。     

改进YOLOv4的复杂交通场景目标检测方法

针对复杂交通场景下密集小目标居多、目标尺寸差异大、目标间遮挡严重的问题,提出了一种基于YOLOv4框架的复杂交通场景下的目标检测算法。首先,构造多尺度特征融合提取模块作为主干网络特征提取模块,充分提取不同尺度目标特征信息,同时引入轻量化Ghost模块对主干网络特征进行维度调整;其次,将卷积模块与自注意力机制融合,构造倒残差自注意力模块应用到主干网络深层,深层网络在充分提取局部特征信息基础上获得了全局感知;然后,构造轻量级混合注意力模块,抑制背景噪声,增强密集小目标检测能力;最后,在Udacity数据集上进行实验,检测精度达到了84.41%,相比较YOLOv4, mAP(mean average precision)提高了3.07%,对1 920×1 200分辨率图像的检测FPS(frames per second)可达到49,提高了22.5%,精度提升的前提下实现了较好的实时性,更适用于复杂交通场景下的目标检测任务。     

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。     

基于改进的YOLOv5s安全帽佩戴检测算法

针对个人防护用具安全帽的防护检测识别需求,现有的人工检测方法费时费力,无法做到实时监测.提出了一种基于YOLOv5s深度学习模型的安全帽检测算法,能够有效识别检测安全帽是否正确佩戴.并通过添加CA注意力机制,重新分配每个空间和通道的权重;以BoT3替代原有的C3模型,作为主干网络;并将CIOU损失函数改为SIOU等方法,改进原有的YOLOv5s模型,提高安全帽检测识别的精度,提高检测速度.实验结果表明,安全帽识别检测的平均精度比原始模型提高了2.2%,识别检测速度提升了19 ms,实现了更准确地轻量高效实时的安全帽佩戴检测.     

基于改进YOLOv4算法的铁路扣件检测

扣件的健康状态是保障轨道车辆正常运行的关键。当前人工检测轨道扣件效率较低,具有缺陷性。针对这一问题,提出了基于改进YOLOv4算法的轨道扣件与检测。在YOLOv4网络中,利用CSPDarknet53第二个残差块嵌入conv卷积结构与YOLO头部结构,增加输出端,并进行网络中的上采样与下采样。与YOLOv4原算法模型相比,提升了准确率与检出率。将使用改进YOLOv4的方法,实现对有砟轨道与无砟轨道上扣件的状态检测。试验结果表明：基于改进YOLOv4算法检出率和准确率比原YOLOv4算法分别提升4.65%和4.88%,并且YOLOv4模型体积与其他模型相比更小,适用于轨道扣件检测。     

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。     

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YOLOv4肺结节检测算法

针对目标检测YOLOv4算法在肺结节检测中存在的小目标漏检和肺结节位置失真等问题,设计了一种改进的YOLOv4肺结节检测算法.在原始YOLOv4网络的基础上,将特征融合网络的上采样过程替换为双线性插值法,并采用张量堆叠的方法使顶层的语义信息与底层的位置信息形成更高通道的特征张量.实验结果表明,与原始的YOLOv4算法相比,改进的YOLOv4算法在公开数据集LUAN16上的平均精确度与预测速度分别提高了4.54%和28.1%,可视化结节位置表达更精准.     

基于YOLOv3及迁移学习的河道船舶目标检测算法

为加强对河道监控视频图像中散体物料采运船舶的监测和跟踪，从而辅助实现智能、高效的河道采砂监管和散体物料调度，基于You Only Look Once version 3（YOLOv3）算法及迁移学习提出一种河道散体物料船舶目标检测算法。首先使用COCO数据集训练初始的YOLOv3算法，得到模型的预训练权重；然后对从广西重要河道周围监控设备采集的采砂运砂船舶影像数据进行图像处理，得到高质量船舶数据集；最后以此数据集为驱动，利用迁移学习得到的预训练权重来训练针对河道采砂船等重点目标的YOLOv3检测模型。该模型采用Darknet-53作为主干网络，并融合了多尺度的特征图，从而实现对小、中、大等各类目标的检测。实验结果表明：该算法在测试集上的平均精度和检测速度分别达到98.00%和17.78 fps，对提高河道采砂监管效能和实现散体物料智能调度具有现实意义。     

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.     

基于改进YOLOv3网络的卡尔曼社交距离检测与追踪

为了预防新冠肺炎的传播,在佩戴口罩的同时,保持一定的社交安全距离是必要的。为解决现有的目标检测算法在社交距离检测中无法同时满足检测的实时性、准确性以及在复杂场景中存在遮挡、小尺度目标等问题,提出基于YOLOv3的改进算法DPPY(Dilated Pyramid-Pooling with YOLOv3)。首先使用空洞卷积参与到YOLOv3的核心图像处理结构中,然后引入密集型连接网络进一步融合不同层之间的连接,并且在这基础上还模仿了空间金字塔结构处理输入数据的尺寸问题,最后将这些处理结果一起与待追踪物体与彼此间的前后位置进行更好的关联并选用卡尔曼滤波器这个工具来更好地处理。若行人彼此间靠的过于紧密,则标红发出警报,以便更好地提醒相关人员注意。结果表明：与传统的YOLOv3算法相比,DPPY算法检测速度更快,检测精度更高。检测速度达到了34帧/s,平均准确率(Average Precision, AP)提高了9.1 %,并且在大、中、小目标检测中平均准确率均值(mean Average Precision, mAP)分别提高了7.8 %、8.2 %、8.9 %。     

基于改进YOLOv7的道路裂缝和坑洞检测算法

道路裂缝和坑洞的检测是道路安全检查中的重要部分。针对道路实时检测中存在的漏检、错检等问题,本文提出一种基于改进YOLOv7的道路裂缝和坑洞检测算法。先将裂缝分为纵向、横向和网状裂缝,再使用可变形卷积(Deformable Convolutional Networks, DCN)替换原YOLOv7中特征提取网络里的卷积,使得形状差异较大且不规则的裂缝形状特征得到完整提取,提升裂缝的准确度;针对获取的图像中坑洞目标较小不易发现问题,通过先将边界框建模为高斯分布,再使用基于Wasserstein距离(Normalized Wasserstein Distance, NWD)的新的度量标准的小目标检测评估方法,提高坑洞的检测精度。实验结果表明,改进后的算法较原YOLOv7算法检测精度提高了4.1%,同时检测速度提高了17%,表现出更出色的检测效果。     

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%。