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YOLOv4算法在车辆检测中的应用

为解决车辆识别中由于拍摄角度和距离的不同,导致成像后的车辆尺寸较小和车辆存在不同程度的遮挡,从而产生车辆的错检和漏检等问题,在单阶段目标检测网络YOLOv4(You Only Look Once version 4)算法的基础上,提出了基于注意力机制的递归YOLOv4目标检测算法,即RC-YOLOv4(Recursive and CBAM You Only Look Once version 4)算法。为提高算法对成像后小尺寸车辆的检测能力,在YOLOv4算法加入CBAM(Convolutional Block Attention Module)模块,该模块结合了通道和空间注意力机制,能帮助网络模型更加关注检测图像中的重点信息和小目标信息。针对车辆部分遮挡的检测问题,采用递归特征金字塔(RFP:Recursive Feature Pyramid)结构加强模型对深层特征信息提取能力,RFP结构类似于选择性增强或抑制神经元激活的人类视觉感知,将主干网络提取到的特征递归融合,然后反馈给主干网络,多次特征融合增强网络对上下文语义信息的提取整合能力。提高了对遮挡车辆的检测精度。实验结果表明,在自...     

基于CBAM-YOLOv5s模型的温室作物病害检测研究

以温室马铃薯为研究对象,设计一种融合卷积块注意力机制(CBAM)的YOLOv5s植物病害检测模型,通过引入CBAM机制来提升YOLOv5s模型对马铃薯叶片中病害区域的显著度,使病害目标在检测模型中的特征表达能力得到增强,达到提高病害目标检测精度的目的。试验结果表明：改进的CBAM-YOLOv5s模型mAP达到了98.1%,比原始YOLOv5模型mAP提升2.3%,比SSD和FasterRcnn模型mAP分别提高8.7%和19%,为马铃薯叶片病害检测提供了一种可靠的检测方法,实现对温室作物叶片病害的精准识别和定位。     

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。     

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。     

基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法

在乳腺癌筛查的计算机辅助诊断过程中，乳腺肿块的精确分割至关重要.然而，乳腺肿块在X光成像中与背景灰度接近、形状不规则，使得精确分割面临很大挑战.为进一步提升分割性能，提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先，提出可分离卷积U-Net模型作为对抗网络中的生成器，以减少参数量和计算量；然后，在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息；最后，综合考虑类别不平衡、语义一致性等因素的影响，提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明，新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率，以及81.27%和82.01%的集合相似度，获得优于现有方法的分割性能.     

嵌入自适应注意力机制YOLOv3的类圆杆物计数方法研究

为解决类圆杆物生产分装过程中传统计数方法计数准确率低和检测速度慢等问题,采用一种融合GIoU优化算法与注意力机制YOLOv3的类圆杆物检测计数方法(adaptive attentional mechanism YOLOv3,AAM-YOLOv3)。首先使用数据增强技术对标定数据进行扩增,减少模型过拟合现象;然后,以K-means算法聚类训练数据,自适应确定锚框尺寸,并采用GIoU算法优化回归损失函数;最后,引入混合注意力模块(CBAM)强化检测网络提取目标位置有效特征,忽略不重要特征信息,以克服传统YOLOv3算法中因特征提取不充分而导致目标漏检的问题。结果表明,所提出的AAM-YOLOv3模型检测mAP值为97.5%,计数准确率为98.9%,较改进前分别提高5.8%和4.4%,检测速度达到40 fps。所提算法以及检测计数方法可快速高效地实现类圆杆物的准确计数,能满足生产分装过程检测要求。     

基于改进YOLOv5模型的船舶焊缝缺陷检测方法

当前船舶焊缝缺陷检测主要是通过人工目视的手段检查焊缝的射线探伤图像进行的，存在耗时长、工作量大、效率低的问题，为此提出了一种基于改进YOLOv5模型的船舶焊缝缺陷检测方法.首先对1 152张船舶焊缝射线图像进行标注，建立船舶焊缝射线图像数据集；然后根据船舶焊缝缺陷几何尺寸小、特征不明显的特点，对YOLOv5模型进行改进.通过对图像进行正弦灰度变换，提高缺陷处的对比度.加入卷积注意力模块(CBAM),增大感兴趣区域的权重.增加检测尺度，提高对微小目标的检测精度.计算对比检测结果表明，使用改进的YOLOv5模型对船舶焊缝缺陷进行识别，使精确度从95.3%提高到98.4%,召回率从77.5%提高到77.9%,交并比为0.5时的平均精确度从81.5%提高到84.2%,证明该方法可以有效地改进船舶焊缝缺陷检测的效果.     

基于改进YOLOv4算法的动车库接地杆状态检测

工人登顶动车检修库作业前,需确认接地杆接地状态.采用人工视频复核的方式,存在易疲劳、效率低等问题,且有严重的安全隐患,本文提出一种基于改进YOLOv4算法的动车库接地杆状态检测方法.该算法采用改进K-means算法对图片数据集进行聚类分析,筛选出适合图片目标的锚框;之后采用改进的YOLOv4算法对数据集进行特征提取与训练,即通过在网络中添加CBAM注意力模块和改进SPP结构,以增强算法的准确性与检测速度;最后根据训练网络进行测试,改进算法后mAP值比原YOLOv4算法提高了2.51%达到99.09%,检测速度大约提高了5 f/s.算法应用于现场边缘计算模块中,取得了良好的应用效果.     

YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型

基于原有YOLOv3模型占用存储空间较大,所需初始化数据集样本和参数较多的问题,本文提出了一种基于YOLOv3的深度学习目标检测压缩模型YOLOv3-ADS.该模型使用拼接、叠加等方法对较少的有代表性的初始数据集进行数据增强,引入了DIoU损失函数,提升了目标检测的准确度.最后,通过稀疏训练和剪枝率阈值设置实现了YOLOv3-ADS模型的压缩处理,减少了模型实现过程中的冗余节点、参数数量和所需存储空间.实验结果表明,提出的YOLOv3-ADS压缩模型与已有的YOLOv3模型相比,平均精度值(mAP值)提升了约30%,由0.6418提升至0.8368,需设置参数量下降了96.6%,由原来的63.0MB降至2.2MB,在保证了较高目标检测准确率的同时,YOLOv3-ADS模型所需存储空间下降了96.5%,由252MB降至仅需8.81MB.     

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。     

一种轻量型果园环境果实检测方法

果园环境下柑橘的快速准确检测是自主采摘机器人作业的关键.针对现有的模型过于冗余、检测速度与精度不平衡等问题,提出一种轻量型果园环境果实检测方法.在YOLOv4算法的基础上引入焦点损失函数(Focal Loss)来提高模型在二分类检测任务中的负样本挖掘能力,并针对模型参数冗余等问题提出一种优化的模型剪枝方法.试验结果表明：提出的方法在果园环境中柑橘果实数据集检测得到的平均精度均值(mean average precision,M_AP)达到94.22%,相较于YOLOv4模型提高了1.18%,模型参数减小了95.22%,模型尺寸为原来的4.84%,检测速度为原来的4.03倍.     

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.     

基于深度学习的水面目标检测模型压缩方法

针对目标检测模型过大且计算复杂而导致其无法应用于无图形处理器嵌入式终端的问题,通过改进YOLO算法,提出一种基于深度学习的水面目标检测模型压缩方法.采用带有深度可分离卷积和轻量级注意力模型的改进网络替代特征提取网络DarkNet,通过多尺度特征融合进行模型压缩,引入k-means++算法与Mish激活函数,保证模型压缩后的准确度.试验结果表明,YOLOv3-MobileNetV3网络模型较YOLOv3网络模型的参数量减少61.35%,模型大小减少144 MB,模型平均精度均值较YOLOv3-MobileNetV1网络模型提升5.55%,满足嵌入式设备水面目标检测实时性和准确性的要求.     

基于分层多模板匹配的乳腺肿块自动检测

为提高乳腺癌检测的精准度和效率,提出了一种基于多模板匹配的乳腺X线摄片肿块自动检测方法.该方法设计了一种基于灰度直方图先验信息的阈值分割法来提取乳房区域;构造了不同尺度的模板对肿块进行分层匹配;对匹配结果提取了灰度、形态学及层间特征以便尽可能地去掉假阳性区域.与DDSM数据库中的已确诊的306幅乳腺X线射片进行了比较,实验结果表明:该算法在检测各种不同类型和尺寸的肿块时,具有高敏感度和低假阳性率.     

基于多光谱通道注意力和双向特征融合的乳腺肿块检测

乳腺钼靶X线摄影是诊断乳腺疾病的有效手段,计算机辅助诊断系统在乳腺肿块检测中起着重要作用,针对检测过程中易出现漏检、误检导致精度不理想的情况,提出了一种改进的RetinaNet乳腺肿块检测算法.首先,在RetinaNet的基础上对特征提取部分进行改进,在每个残差块中引入多光谱通道注意力机制,使网络能更加关注到目标区域;然后,在特征融合部分,以两种不同方式添加一条自底向上的路径,并通过横向连接最终实现深浅层特征的双向融合,加快浅层信息流通,使得到的特征信息更加丰富.实验表明：改进后的算法在乳腺钼靶图像的肿块检测中具有良好的检测效果,既减少了漏检率,平均精度也提升了3.2%,并且相比其他出色的检测算法,也具有一定的优势.     

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.     

基于小波的数字乳腺图像上肿块的处理

利用对原始乳腺图像进行小波变换后得到的子图来检测肿块,肿块在数字乳腺图像频域上的表现明显异于周围区域,使用适当的小波变换能够把这种特征在变换域中比较直观地显示出来,为了检测出肿块位置,利用Ｂｉｏｒｔｈｏｇｏｎａｌ（ｂｉｏｒＮｒ．Ｎｄ）小波函数族对３９幅原始乳腺图像进行小波变换,分解为包含不同频带的子图,分析子图的结果表明：这种基于小波变换的方法可用于检测数字乳腺图像上的肿块。