面向偏振成像小目标检测的YOLOv5改进方法

针对目标检测中小目标特征提取能力不足及检测精度不高等问题,提出一种面向偏振成像小目标检测的YOLOv5改进方法,该算法输入端采用偏振度图像,提高目标物体与背景对比度;减少C3模块数量,保留高频信息的同时提取更多的浅层特征信息;在主干网络中加入坐标注意力机制,增大目标物体的特征信息的权重;优化边界框回归损失函数,解决训练时梯度消失等问题。将改进后算法应用在光伏组件表面落叶检测中,检测结果表明,其准确率、召回率和平均精度均值分别提升了0.59%、1.93%、0.36%,该算法针对小目标特征提取能力有所提升且检测精度更高。     

基于YOLOv5-en算法的草莓采摘机器人目标检测技术

为实现草莓采摘机器人在温室中对草莓的快速、精确检测,该文提出一种YOLOv5-en算法。在原有YOLOv5基础上,首先对原始主干进行网络卷积操作并加入CBAM模块;其次,引入Bi FPN模块进行多尺度特征融合;然后,使用直方图均化算法和Mosaic数据增强进行目标检测数据预处理;最后,优化K-means算法对训练数据集聚类分析,同时使用Focalloss损失函数构建YOLOv5-en目标检测网络。通过对比试验得出：与YOLOv5、Faster-RCNNRes Net101和Faster-RCNNVGG16模型相比,YOLOv5-en的m AP分别提升了3.41%、17.85%和14.40%,可达94.36%。通过采摘机器人模拟环境检测验证了该模型的可行性,且达到了应用水平,可为采摘机器人实时小目标检测提供支撑。     

基于 YOLOv3 算法的教室学生检测与人数统计方法

教室环境中人群密度高、重叠部分较大的特点会给人数统计工作带来困难。基于深度学习 YOLOv3 目标检测算法对学生目标进行检测,并加入 Deep-Sort 算法为核心实时追踪方法,对 YOLOv3 算法检测到的学生目标进行一段时间的跟踪,从而克服传统视频人数统计方法中忽略视频上下帧关联信息的缺点,并且能更好地解决视频遮挡问题。目标检测方法中的损失函数用 tan 方损失函数代替原有交叉熵损失函数,跟踪算法中的卡尔曼滤波算法采用 Levenberg-Marquardt 对修正后的轨迹预测予以优化。最后,对该方法进行性能评价与对比实验,包括是否加入上下文信息对比以及与 SVM 目标检测算法作对比。实验结果表明,此方法在测试集中,加入上下文信息后准确率达 93.4%,召回率达 81.4%。对比 SVM,该方法在教室视频人数统计中准确率提升2.1%,召回率提升 8.9%。     

基于改进YOLOv3算法的行人目标检测研究

针对行人目标检测任务中目标检测速度慢及小目标难以检测的问题,提出一种融合CBAM注意力机制的YOLOv3多尺度目标检测模型.该算法首先以YOLOv3为基础网络进行特征提取,然后在YOLOv3的多尺度特征融合层新增一个两倍下采样特征图,用于补充小目标特征信息,最后在YOLOv3的各尺度特征图融合后加入卷积注意力模型(CB...     

基于改进YOLOv5的小样本水下声呐图像目标检测

声纳图像目标检测在水下救援和资源勘探中具有重要意义。传统的声纳目标检测技术存在智能化程度低、鲁棒性差、实时性差、识别精度低等问题。尽管许多基于卷积神经网络的目标检测算法在自然图像中取得了很大的成功。然而,对于水下声纳图像来说,海底混响噪声干扰、前景目标区域像素占比低、成像分辨率差等问题对实现准确的水下目标检测提出了相当大的挑战。为了解决这些问题,文章基于YOLOv5目标检测模型提出了一种新的声纳图像目标检测器。首先,在原有Backbone的基础上基于多头注意力机制引入C3MHSA模块和SE注意机制,提高模型的收敛性和提取目标形状和空间有效特征的能力。此外,在Backbone中加入RFB模块,提高网络在高感受野存在的情况下学习重要信息的能力。实验结果表明,改进后的Yolov5网络的m AP@0.5值为98.9%,较原始YOLOv5模型有了全面大幅提升,明显优于现有方法。     

基于改进YOLOv5的汽车车门装配工艺检测

汽车车门装配工作已实现流水线式的自动装配,但对于门板零件装配是否到位目前并无有效方案。针对此情况提出了一种基于YOLOv5网络优化的汽车门板装配检测网络,该网络实现对螺钉、焊点、扣件三类装配工艺的检测,可检测在相应装配点位上是否已正确安装。为提高对各装配件装配情况的检测精度,在YOLOv5网络中的卷积模块增加注意力机制,增强主干网络对于高频主干网络的特征学习;其次对原网络中的SPPF感受野扩展模块采用空洞卷积组构造不同大小的感受野范围丰富特征信息,并采用最大值池化层将对特征图中的高频特征信息进行增强,抑制背景噪声的干扰。经试验测试,优化后的网络相比于优化前的精确率(Precision)指标提升2.1%达97.4%,召回率(Recall)指标提升8.4%达97.0%,平均精度均值(mAP)指标提升5.9%达98.1%,有一定的实用性。     

通道注意力联合增强卷积U型网络的图像分割

为提升小目标图像分割性能,提出一种通道注意力联合增强卷积的改进U-Net网络。该网络以增强卷积模块丰富目标特征信息提取,结合通道注意力加强网络对目标特征的专注学习,从而更有效捕捉小目标对象的深层次特征。NIH数据集上的实验结果表明,提出网络在保证计算效率的同时,有效提升了Dice系数、召回率和精确率,能够更好地用于小目标图像分割。     

基于LT-YOLOv5s的PCB缺陷检测方法

针对传统PCB缺陷检测算法检测准确度低、实时性差等问题，提出一种改进的YOLOv5s网络PCB缺陷检测方法。针对缺陷特性，去除大目标的检测尺度，保留中小目标检测尺度；在网络模型末端用Transformer替代BottleneckCSP模块，提升了网络模型捕获目标特征的能力；结合坐标注意力模块，提升模型的性能并减少参数。以某PCB数据集为测试对象，结果表明，改进后的算法平均精度均值(mAP)达到99.04%,平均检测速度为19ms/帧，改进后的算法能够更加快速有效的检测出PCB缺陷。     

基于YOLOv3算法的室内临时障碍物检测方法改进

针对室内疏散引导员需要选择一条畅通路径的问题,提出了一种基于改进的YOLOv3算法的室内临时障碍物检测方法,监控疏散通道中的实时状态.首先引入注意力机制同时缩减网络结构对YOLOv3算法中的特征提取网络进行改进,其次采用双向连接金字塔和适应性卷积检测方式对YOLOv3算法中的特征检测网络进行改进.实验结果表明,改进的Y...     

基于改进YOLOv5算法的红外图像行人目标检测

针对红外图像中行人检测算法准确率低、漏检等问题,提出了一种基于改进YOLOv5s的红外行人目标检测方法。首先,利用Transformer编码结构替换C3模块中的Bottleneck结构,以加强检测网络的特征融合能力;其次,利用递归门控卷积gnConv对视觉感受野模块RFB进行改进,并在YOLOv5s头部检测网络前加入改进的RF-gnConv模块,以提高模型对各种复杂场景行人检测的适应力;最后,利用OTCBVS数据集对算法模型进行验证。结果显示：改进后的算法模型平均精度均值达到97.3%,检测速度为63帧/s,验证了改进算法对红外图像中行人检测的有效性。