基于改进YOLOv5s的两种输电杆塔缺陷检测研究

国内的电力事业发展迅速,输电杆塔的缺陷检测与修复是保证电网安全运行的关键技术手段。当前主要是人为识别输电杆塔的缺陷,工作负担巨大。故以YOLOv5s网络为基础,提出一种改进YOLOv5s目标检测算法,提升检测效率。在基础模型上引入Focal-EIoU损失函数,提升模型收敛速度与精度;在卷积层引入Hardswish激活函数,提高模型的表达能力,查准率得到提升;上调算法推理的置信度阈值conf-thres,减少模型推理的误检情况,提升模型正检率。另外在研究中尝试融入注意力机制提升网络特征提取能力,但效果不好,故舍弃此改进策略。实验结果表明,改进模型的各项指标均获得了提升,查准率由92.96%提升至95.02%,上涨了2.06百分点;查全率由87.36%提升到了87.38%;mAP@.5∶mAP@.5∶.95(0.1∶0.9)由0.644 3提升至0.648 1,上涨了0.38百分点;模型检测速度FPS提高了4.4。     

改进YOLOv8的水面小目标检测算法

针对水面目标检测中的噪声干扰和小目标的漏检问题,提出一种改进YOLOv8的水面小目标检测算法YOLOv8-WSSOD (YOLOv8-water surface small object detection).首先,为降低水面复杂环境在主干网络下采样过程中产生的噪声干扰,提出基于BiFormer双层路由注意力机制构建的C2fBF (C2f-BiFormer)模块,在特征提取过程中保留细粒度的上下文特征信息;其次,针对水面小目标的漏检问题,新增一个更小的检测头,提升网络对小目标的感知力,并在Neck端引入GSConv和Slim-neck,减轻模型复杂度并保持精度;最后,使用MPDIoU损失函数解决CIoU损失函数的局限性,以提高模型检测准确率.实验结果表明,相较于原始YOLOv8算法,该算法在水面小目标上平均准确率mAP@0.5提升了4.6%, mAP@0.5:0.95提升了2.2%,并且改进后的算法检测速度达到86f/s,能有效实现对水面小目标快速、准确的检测.     

嵌入scSE模块的改进YOLOv4小目标检测算法

为解决目标检测任务中小目标检测精度低,错检、漏检率高等问题,提出一种 scSE-IYOLOv4 的改进 YOLOv4 的小目标检测算法。实验使用 VEDAI 小目标数据集,采用 K-means++算法对目标样本进行锚 定框优化,以提升算法精度。在 YOLOv4 算法的基础上,分别研究分析了 scSE 注意力模块嵌入至模型不同位 置以及在模型颈部增加 SPP 模块对算法检测性能带来的影响。实验证明,在 YOLOv4 模型的骨干网“Add”和 “concat”层后嵌入 scSE 注意力模块,以及在颈部增加 SPP 模块均能有效提升算法对小目标的检测精度,在 VEDAI 测试集上 mAP@0.5 均提升了 2.4%。根据 YOLOv4 算法模型骨干网和颈部改进的实验结果,提出 scSE-IYOLOv4 目标检测算法。实验证明 scSE-IYOLOv4 算法能显著提升小目标的检测精度,在 VEDAI 测试集 上 mAP@0.5 值较 YOLOv4 提升了 4.1%,在 PASCAL VOC 数据集上 mAP@0.5 提升了 2.2%。     

基于Faster-YOLOv7的带式输送机异物实时检测

基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低。针对上述问题,提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法。通过限制对比度自适应直方图均衡化算法（CLAHE）进行图像增强,提高弱光环境中异物对比度;基于Mobilenetv3对YOLOv7主干网络进行轻量化设计,减少YOLOv7模型的计算量、参数量;添加有效通道注意力机制,缓解因特征通道数减少而导致的高层特征信息丢失问题;采用Alpha-IoU作为损失函数提高异物检测精度。实验结果表明：(1) Faster-YOLOv7的初始损失为0.143,最终稳定在0.039左右。(2) Faster-YOLOv7的检测速度可达42帧/s,较YOLOv5、YOLOv7分别提升了17,20帧/s;Faster-YOLOv7内存为14 MiB,较YOLOv5、YOLOv7分别降低了29,57 MiB;检测准确率达91.3%,较YOLOv5提升了8.8%。(3)将SSD、YOLOv5、轻量化YOLOv7、...     

基于YOLOv5的雾霾天气下交通标志识别模型

针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题,提出一种基于YOLOv5的雾霾天气下交通标志识别模型。首先,对YOLOv5的结构进行优化,采用逆向思维,通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别的问题,并通过调整残差模块的特征传递深度来抑制背景特征的重复叠加;其次,引入数据增强、K-means先验框、全局非极大值抑制（GNMS）等机制到模型;最后,在中国交通标志数据集TT100K上验证改进YOLOv5模型在面对恶劣天气时的检测能力,并对精度下降最显著的雾霾天气下的交通标志识别展开了重点研究。实验结果表明,改进YOLOv5模型的F1-score达0.921 50,平均精度均值@0.5 （mAP@0.5）达95.3%,平均精度均值@0.5：0.95 （mAP@0.5：0.95）达75.2%,且所提模型在恶劣天气下仍能进行交通标志的高精度识别,每秒检测帧数（FPS）达到50,满足实时检测的需求。     

基于改进YOLOv4的小目标行人检测算法

行人检测在无人驾驶环境感知领域具有重要应用。现有行人检测算法多数只关注普通大小的行人目标,忽略了小目标行人特征信息过少的问题,从而造成检测精度低、应用于嵌入式设备中实时性不高等情况。针对该问题,提出一种小目标行人检测算法YOLOv4-DBF。引用深度可分离卷积代替YOLOv4算法中的传统卷积,以降低模型的参数量和计算量,提升检测速度和算法实时性。在YOLOv4骨干网络中的特征融合部分引入scSE注意力模块,对输入行人特征图的重要通道和空间特征进行增强,促使网络学习更有意义的特征信息。对YOLOv4颈部中特征金字塔网络的特征融合部分进行改进,在增加少量计算量的情况下增强对图像中行人目标的多尺度特征学习,从而提高检测精度。在VOC07+12+COCO数据集上进行训练和验证,结果表明,相比原YOLOv4算法,YOLOv4-DBF算法的AP值提高4.16个百分点,速度提升27%,将该算法加速部署在无人车中的TX2设备上进行实时测试,其检测速度达到23FPS,能够有效提高小目标行人检测的精度及实时性。     

基于改进YOLOv3的高铁异物入侵检测算法

针对传统铁路异物检测方法中实时性不高、检测精度不够的问题,提出一种基于YOLOv3网络的高铁异物入侵的检测算法.为提高YOLOv3网络对图片特征的利用能力,利用可切换空洞卷积替代特征提取网络中的前四个3×3卷积,增加了卷积的感受野.然后为提升小物体检测精度,改进FPN结构,从YOLOv3特征提取网络中第二次下采样输出的...     

基于树莓派与YOLOv5-Lite模型的行人检测系统设计

把在PC端上训练好的YOLOv5s与YOLOv5-Lite目标检测模型分别部署在搭载Linux系统的树莓派4B平台上，并在此平台上搭建深度学习环境，构建道路行人检测系统。对这两个模型进行分析对比，实验结果表明，在识别准确率相差0.1%的情况下，YOLOv5-Lite模型相对于原YOLOv5s模型，网络参数量下降了78.26%，模型计算量下降了77.91%，模型内存大小下降了75.52%，检测速度提高了91.67%。综上，本文提出的基于树莓派和轻量化YOLOv5-Lite目标检测网络模型的行人检测系统兼顾了识别准确、适用性好、小型化、成本低等综合性能优势。     

面向拥挤行人检测的CA-YOLOv5

针对YOLOv5在拥挤行人检测任务中漏检率高、特征融合不充分等问题,提出了CA-YOLOv5行人检测算法。针对原主干网络对细粒度特征融合不充分的问题,采用Res2Block重建YOLOv5的主干网络,以提升网络的细粒度特征融合能力,提高检测精度。针对数据集目标尺度变化大的问题,引入coordinate attention（CA）模块增强感受野,增强模型对目标的精确定位能力。针对FPN结构在特征融合时导致多尺度特征表达能力下降的问题,提出特征增强模块,以增强多尺度特征的表达能力。通过结构重参数化的方法减少模型的计算量与参数量,加快目标检测速度。针对行人检测任务中普遍存在的拥挤行人问题,提出EViT模块,增强模型关注局部信息的能力,提高检测精度。实验证明,在拥挤行人检测任务中,CA-YOLOv5的检测精度达到84.86%,相较于原算法提高了3.75%,检测速度可以达到51?FPS,具有较好的检测精度与实时性。因此,CA-YOLOv5可以更好地应用于实时行人检测任务中。     

改进YOLOv3的道路小目标检测方法

为了研究传统目标检测算法在进行道路小目标检测时效果不佳及漏检率较高等问题,本文提出了一种基于改进YOLOv3的小目标检测方法.首先通过设计新的特征融合结构降低小目标漏检率,并且使用DIOU损失提高定位精确度.同时对YOLOv3算法中的聚类算法进行改进,采用K-means++算法改进聚类先验框中心点的提取,选取更为合适的Anchor Box,用于提高检测的平均精度和速度.在自制混合数据集上对行人及车辆进行对比检测,在不影响检测速度的情况下,改进的YOLOv3算法能够有效降低小目标物体漏检率,并且提高了检测精度.根据实验结果,本文所提出的改进YOLOv3模型在混合数据集上的平均精度达到92.82%,与未改进的YOLOv3算法相比提高了2.77%.     

基于注意力机制的YOLOv5算法在跑道异物检测中的应用

机场跑道异物严重影响飞行安全，针对现有算法对小目标存在误检、漏检等问题，提出一种改进的YOLOv5算法对机场跑道异物进行检测。在YOLOv5的主干网络中添加有效通道注意力（ECA）模块，通过少量参数的增加带来明显的性能增益。将颈部网络中原特征金字塔模块替换为加权双向特征金字塔（BiFPN）网络，实现双向跨尺度连接和加权特征融合。采用EIoU Loss作为损失函数，加快了收敛速度。在FOD-A数据集上的实验表明，改进后的YOLOv5模型均值平均精度（mAP@0.5）指标达到了97.4%，相比于原模型提高了1.6个百分点。     

改进YOLOv5的光伏组件热斑及遮挡小目标检测

热斑会严重影响光伏组件发电效率，利用红外光图像检测热斑，难以同时实现树叶、鸟粪等小型异物遮挡的有效识别，及时发现和清理异物可以有效降低因受到持续遮挡而引起的热斑。为实现对热斑更加全面的识别和处理，基于无人机巡检可见光和红外光视频图像尺寸及检测任务特点，结合K-means++算法与IoU指标改进了YOLOv5的锚框设定方案以改善结果的随机性；可见光场景中，针对遮挡物体较小导致难以检测的问题，在YOLOv5s6的主干网络中嵌入坐标注意力机制(coordinate attention,CA)，设计了遮挡小目标检测模型(CA-YOLOv5s6)；红外光场景中，热斑区域较为明显，选择轻量化网络YOLOv5n作为其检测模型。实验结果显示：相较于YOLOv5s6,CA-YOLOv5s6的mAP提升了2.97个百分点，达到83.78%,Parameters减少了4.8×10⁵，达到1.18×10⁷，有效地提高了遮挡小目标的检测精度；YOLOv5n模型的mAP、FPS、Parameters分别为93.31%、83.3、1.76×10⁶，可...     

基于YOLOv5s的海上风电设施检测与预警评估

海上风电设施检测在海上风电安全监测领域发挥着重要作用。由于海上环境复杂及海上目标的多样性,现有海上目标检测算法存在网络复杂、检测精度低的问题,难以满足实时性检测和实用性部署要求。针对该问题,该文提出了一种改进YOLOv5s的海上风电设施检测算法。首先,将YOLOv5s的主干网络替换为轻量化GhostNet进行特征提取,降低网络模型的参数量和计算量;其次,在主干网络末端和Neck层分别施加注意力机制(SENet),自适应学习重要通道特征权重,提高检测精度;最后,将Neck层的PANet结构改进为双向金字塔(BiFPN),通过融合不同尺度特征提升检测速度。实验结果表明,该算法在降低网络模型参数量和计算量的同时,在船舶数据集上平均精度达到了96.8%,比原始YOLOv5s网络提升了2.6百分点,检测速度达到了47 FPS。     

改进YOLOv5s的交通标志识别算法

为了准确且实时地检测到交通标志指示牌, 减少交通事故的发生和推动智慧交通的发展, 针对现有的道路交通标志检测模型存在的精度不足、权重文件大、检测速度慢的问题, 设计了一种基于计算机视觉技术的改进YOLOv5s检测算法YOLOv5s-GC. 首先, 使用copy-paste进行数据增强后再送入网络进行训练, 加强对小目标的检测能力; 然后, 引入Ghost来构建网络, 削减原网络的参数和计算量, 实现轻量化模型; 最后, 将坐标注意力机制(coordinate attention)融合到骨干网络里, 增强对待测目标的表示和定位能力, 提高识别精度. 实验结果表明, YOLOv5s-GC模型相比于原YOLOv5s模型, 参数数目减少了12%, 检测速度提高了22%, 平均精度达到了94.2%, 易于部署且能满足实际自动驾驶场景中对识别交通标志的速度和准确度要求.     

面向小目标的YOLOv5s安全帽佩戴检测

本文介绍了一种新的基于YOLOv5s的目标检测方法,旨在弥补当前主流检测方法在小目标安全帽佩戴检测方面的不足,提高检测精度和避免漏检.首先增加了一个小目标检测层,增加对小目标安全帽的检测精度;其次引入ShuffleAttention注意力机制,本文将ShuffleAttention的分组数由原来的64组减少为16组,更加有利于模型对深浅、大小特征的全局提取;最后增加SA-BiFPN网络结构,进行双向的多尺度特征融合,提取更加有效的特征信息.实验表明,和原YOLOv5s算法相比,改善后的算法平均精确率提升了1.7%,达到了92.5%,其中佩戴安全帽和未佩戴安全帽的平均精度分别提升了1.9%和1.4%.本文与其他目标检测算法进行对比测试,实验结果表明SAB-YOLOv5s算法模型仅比原始YOLOv5s算法模型增大了1.5M,小于其他算法模型,提高了目标检测的平均精度,减少了小目标检测中漏检、误检的情况,实现了准确且轻量级的安全帽佩戴检测.     

基于改进YOLOv4的口罩佩戴检测算法

为解决YOLOv4在目标检测任务中检测速度低、模型参数多等问题,提出一种改进YOLOv4的目标检测算法。将YOLOv4主干网络中的CSPDarknet53替换成Mobilenet用以增强YOLOv4的特征提取网络,PANet原有的3×3标准卷积被深度可分离卷积取代,以降低计算负荷,从而提高识别速度,减少模型参数。然后使用K-means+〖KG-*3〗+算法对由8565张图像组成的数据集进行anchor维度聚类,以提升算法精度。同时,搭建行人口罩佩戴及人体测温拍摄系统用以在人群密集场所中执行疫情防控任务。在保证YOLOv4-Mobilenet网络精度的前提下,相较于原算法FPS提升200%、模型参数减少82%。改进后的模型平均每秒可检测67张图片,可以胜任实际应用中的口罩佩戴检测任务,结果表明该模型检测效果好、鲁棒性较强。     

基于改进YOLOv5s算法的危险区域入侵报警

工厂环境复杂多变,存在很多危险区域,违规进入会给工人的生命健康带来严重的危害.针对传统的检测方法操作复杂、识别效果差,提出了一种基于改进YOLOv5s模型的危险区域工人入侵警报系统.首先将基于SGBM算法双目测距技术融合进YOLOv5s目标检测中,增加空间距离这一触发条件,使得工人只有走近摄像头一定范围内才会触发声光报警.进一步地,在YOLOv5s中引入注意力机制,通过对比实验证明了CA模块的引入对模型的平均准确率mAP@0.5提升最明显为1.86%.结果显示此方法能够较为准确的识别出工人是否进入危险区域,并进行声光报警,提醒工人注意,为工厂安全管理提供了新的手段.     

一种改进YOLOv5s的多尺度目标检测算法

针对多尺度目标检测准确率偏低的问题,提出了一种基于YOLOv5s改进的多尺度目标检测算法。在YOLOv5s主干网络与Neck网络之间融合CBAM模块,增强模型对多尺度目标重要特征信息的提取能力;同时,在模型的Head部分增加多尺度目标检测结构,提高不同尺度目标检测精度;训练时采用CIoU替代GIoU损失函数,以提高模型收敛能力,实现高精度目标定位。数据集来源于实际场景中采集并增强的4万余张图像。实验结果表明,改进后的模型对行人、车辆和人脸的多尺度目标检测平均精度达92.1%,相比未改进YOLOv5s算法提升了3.4%。模型的收敛性好,对密集场景的目标,小尺度目标检测准确度更加突出。     

基于YOLOv5改进的铁路工人安全帽检测算法研究

目前铁路上普遍采用人工监督方式来检测工人是否佩戴安全帽,但监督范围过大,在实践中不能及时跟踪和管理所有工作人员。因此针对该问题,采用深度学习目标检测的方法,通过改进YOLOv5s目标检测算法来实现铁路工人是否佩戴安全帽和穿戴背心。具体来说,以YOLOv5s算法为基础,采用GhostNet模块替换原始网络中的卷积Conv,提高模型的实时检测速度;采用更高效简单的多尺度特征融合BiFPN,使特征融合方式更加简单高效,以提高检测速度和降低模型复杂度;把原始的CIOU损失函数替换为SIOU损失函数,以提高模型精度。研究结果表明,改进的YOLOv5s-GBS算法的准确率和识别效率可达到95.7%和每秒45帧,并且模型大小减少了一半,准确率提高了4.5%。     

改进YOLOv5s的无人机视角下小目标检测算法

针对无人机飞行时与目标距离较远,被拍摄的目标大小有明显的差异且存在被物体遮挡等问题,提出一种基于YOLOv5s的无人机视角下小目标检测改进算法BD-YOLO。在特征融合网络中采用双层路由注意力（bi-level routing attention,BRA）,其以动态稀疏的方式过滤特征图中最不相关的特征,保留部分重要区域特征,从而提高模型特征提取的能力;由于特征图经过多次下采样后会丢失大量位置信息和特征信息,因此采用一种结合注意力机制的动态目标检测头DyHead(dynamic head),该检测头通过尺度感知、空间感知和任务感知的三者统一,以实现更强的特征表达能力;使用Focal-EIoU损失函数,来解决YOLOv5s中CIoU Loss计算回归结果不准确的问题,从而提高模型对小型目标的检测精度。实验结果表明,在VisDrone2019-DET数据集上,BD-YOLO模型较YOLOv5s模型在平均精度（mAP@0.5）指标上提高了0.062,对比其他主流模型对于小目标的检测都有更好的效果。