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YOLOv5s算法的番茄成熟度识别研究

目的:提高机械化采摘中番茄成熟度识别精确率。方法:以番茄果实为研究对象,先对图像进行预处理,再使用YOLOv5s算法对图像学习训练。结果:YOLOv5s算法整体识别精确率为95%,平均精度为97.6%。与其他检测算法进行对比,YOLOv5s算法检测效果最好。结论:此算法可以用于番茄果实机械化采摘,减少生产成本,降低劳动强度,提高作业效率。     

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。     

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。     

基于改进YOLOv5s的交通标志识别算法

交通标志的自动识别对汽车的安全行驶具有重要意义。针对现有交通标志识别算法存在识别精度低、速度慢的问题,该文提出了一种基于改进YOLOv5s的交通标志识别算法。引入MobileNetv3主干网络,将RFB模块与ECA-Net模块相结合,在不提高网络计算量的情况下,确保更大范围内聚焦有效特征;在特征融合中采用AFF模块,将注意力从同层融合扩展到跨层区域;采用Matrix NMS筛选候选框,以提升模型检测速度。在中国交通标志数据集CCTSDB上的验证结果表明,该算法识别精度为96%,速度为48帧/s,在多种环境下对目标的识别能力得到增强,可以满足交通标志实时识别的需要。     

结合FPN的改进YOLOv3车辆实时检测算法

目前,在对道路车辆进行实时检测过程中还存在检测速度慢和小目标车辆漏检率高等问题。针对该问题,通过分析YOLOv3的网络结构,发现其残差块的结构较为简单,对于小目标车辆特征的提取不够丰富。为此借鉴FPN网络的结构特征,重新构造了特征金字塔模块替换原来的残差模块,并提出了结合FPN的改进YOLOv3模型。改进模型的网络层相较于之前具有更丰富的语义特征(即目标信息),有效的解决了顶层特征在不断卷积池化中可能忽略丢失小目标信息的问题。实验结果表明:改进后的网络结构模型在综合性能上有着一定的提升,其中检测精度较原有YOLO算法提升了5个百分点,此外召回率也从原有的83%提升至89%,召回率提升较为明显,速度方面也能达到实时性检测的要求。     

基于改进YOLOv5的道路病害智能检测

针对现有道路表观病害检测识别精度低、漏判、误检率高的问题,提出了一种改进的道路表观病害检测高精度识别模型(improved pavement detection-YOLOv5, IPD-YOLOv5)。在YOLOv5的主干特征提取网络中添加由不同空洞卷积组成的ASPP模块,引入SE-Net注意力机制以加强算法从裂缝图像中提取不同尺度特征的能力,实现多尺度特征图的有效融合。结果表明：较传统检测算法,所提的IPD-YOLOv5模型在道路裂缝病害检测上的识别精度最高,其中平均精度比未改进的YOLOv5算法提高了7.47%,漏判率降低了10.29%。     

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CutMix和YOLOv3的工件表面小缺陷识别方法（英文）

针对工件表面小缺陷经常由于数量少且视觉特征不明显而导致的被漏检和错判的问题,提出一种基于CutMix和YOLOv3的工件表面小缺陷识别方法CSYOLOv3.使用贝塔分布动态调整的CutMix方法在网络训练时动态扩充训练集中小缺陷的数量;并对YOLOv3网络进行了改进,拆分其浅层大特征图,取部分与预测分支的特征图融合以保留浅层的小缺陷特征;使用加权的改进损失函数对网络进行训练,提高网络对小缺陷的重视程度和识别准确率.该方法在RTX 2060Ti GPU下对512×512像素的缺陷图片进行识别,速度可以达到14.09帧/s,识别mAP为71.80%,比常用目标检测方法高出5%～10%.对于小于64×64像素的小缺陷,方法的mAP达到64.15%,比YOLOv3-GIoU高出14%.所提出的CSYOLOv3方法能够有效地识别工件表面缺陷,对小缺陷的识别效果有明显提升.     

基于改进的YOLOV4的公路交通设施识别

公路交通设施的识别是辅助驾驶和无人驾驶不可或缺的一部分,传统的目标识别算法进行公路交通设施的识别易受到外部环境的影响,特征的表达能力不全面,识别率较低,花费的检测时间长。本文通过改进的YOLOV4对公路交通设施中的交通信号灯,人行道标志,停止标志及限速标志设施进行检测。首先为提高锚框回归速度,减少检测时间,通过改进的K-means++算法对聚类锚框进行尺寸的筛选,相比于K-means算法IOU提高了0.93%。同时为减少模型的参数量提高目标检测的速度,改进主干网络,将MobileNetv1作为YOLOV4模型的backbone,相比于原YOLOV4的采用的CSPDarkent53特征提取网络以及其他轻量级骨干网络,改进的YOLOV4模型检测速度更快。为提高识别率,在PANet特征网络融合阶段增加CBAM注意力机制实现了更好的特征表现力。相比于其他轻量级的网络架构,改进后的Y0LOV4算法在速度和准确率上有着更好的鲁棒性。     

基于YOLOv2模型的道路目标检测改进算法

针对传统道路目标检测算法推荐窗口冗余、鲁棒性差、复杂度较高的问题,提出基于YOLOv2模型的道路目标检测改进算法。相较于传统的HOG+SVM目标检测算法,YOLO模型优势在于提升了检测速度及准确度,更适用于实时目标检测。比较YOLO V3 与 YOLO V2算法,前者在构造神经网络模型时复杂度较高,故最终选择YOLO V2算法。针对原算法中选取Anchor Boxes时所采用的K-MEANS算法造成的目标物体框冗余问题,以及原算法对于不规则物体以及遮挡物体检测效果较差等问题,提出基于YOLO V2模型的一种改进方法,将K-MEANS算法改进为一种DA-DBSCAN算法,通过动态调整参数的方式大大减少了锚点框冗余问题。实验表明,改进后的模型准确率达到96.76%,召回率达到96.73%,检测帧数达到37帧/s,能够满足实时性要求。     

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3＿large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。     

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YOLO-CIRCLE算法的圆形钢卷检测

YOLOV3是计算机视觉领域一种优秀的模型,在目标检测领域有着极为广泛的应用,但在圆形目标检测上有较大的检测冗余。工业生产环境中圆形目标极为常见,为高效准确地确定圆形钢卷目标位置及轮廓,本文针对针对圆形目标检测提出YOLO-CIRCLE模型,使用圆形先验框机制进行回归,并针对圆形目标的IOU计算提出CIRCLE-IOU和更适合圆形目标的损失计算函数CIRCLE-LOSS。并采集2000张工业生产环境中的钢卷图片进行训练。实验结果表明：YOLO-CIRCLE模型能够有效检测出圆形钢卷目标,平均精度为99.92%,平均有效面积超过95%,虽然检测速度低于原YOLOV3模型,但平均有效面积提升了20%,平均有效精度提升了0.08%,降低了空间复杂度;相比霍夫圆检测算法,速度提升56%,并且减少了参数调整的过程。本论文提供的方法可以减少大量圆形目标的识别冗余,并具有较高的鲁棒性,有助于工业产品质量检测自动化系统的建立。     

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。     

基于改进E-EfficientNet的古陶瓷纹饰分类模型

为进一步提高古陶瓷纹饰分类精度，提出一种基于改进EfficientNet的古陶瓷纹饰分类模型。该模型通过引入高效率注意力机制(ECA)模块改进原主干网络EfficientNet-B0,有效捕获通道间的交互信息，利用跳跃连接在特征提取的最后一层加入ECA模块，获得古陶瓷纹饰注意力特征图，并利用迁移学习和Adam优化算法在古陶瓷纹饰数据集上进行实验验证。结果表明，改进后的E-EfficientNet模型在古陶瓷纹饰数据集上的识别准确率达到了99.26%,较改进前提高了2.48%;与同类轻量化模型ShuffleNet-V2和MobileNet-V3对比，识别准确率分别提高了2.10%和2.91%;与其他经典模型VGG、ResNet对比，不仅参数量大幅度减少，识别准确率均明显提高，可有效用于古陶瓷纹饰分类。     

融合图像显著性的YOLOv3船舶目标检测算法研究

针对复杂水面环境下的船舶目标检测问题,运用融合图像显著性的YOLOv3船舶目标检测改进算法以提高检测能力。该算法基于Darknet-53网络模型,根据水上船舶特点,融合非极大值抑制算法Soft-NMS和显著性检测算法FT思想,进一步优化最终检测以达到更准确的效果。用Soft-NMS算法替换原有NMS算法,使得算法对小目标和重叠目标检测效果明显提升。融入FT算法对船舶图像局部细节作进一步细化,使得包围盒回归更加准确。在建立的数据集上进行训练与测试,实验结果表明,改进方法比原始方法准确率提高4%,达97%,检测速度提高10帧/s,达30帧/s,表明改进算法有效提高了船舶目标检测精度,且加快了检测速度。     

基于改进Faster R-CNN的自然环境下麦穗检测方法

小麦麦穗的自动检测在产量预估、种子筛选等方面具有一定的科研应用价值。为进一步提高自然环境下麦穗识别与计数的准确性,本文提出了基于改进型Faster R-CNN深度神经网络麦穗检测方法。针对传统Faster R-CNN算法应用于麦穗检测时存在漏检的问题,并结合自然环境下麦穗重叠和遮挡的特点,本研究采用加权框融合(Weighted Boxes Fusion,WBF)算法代替原有的非极大值抑制(NMS)算法,通过区域建议网络产生的所有预测框的置信度来构造融合框。试验证明,改进后的Faster R-CNN在全球麦穗检测数据集上的平均精度均值mAP_(0.5:0.75)、mAP_(0.5)分别达到了74.21%和92.15%,相较于传统Faster RCNN提升了5.75%和3.74%,提升效果明显,减少了麦穗漏检的情况,能够在自然环境下对麦穗进行计数和产量预估。