基于改进YOLOv5s的田间移动障碍物检测

为实现无人农机在行驶过程中对田间移动型障碍物的实时检测,提出一种基于YOLOv5s的目标检测模型,用于检测田间行人和其他协同作业的农机设备。该目标检测模型以YOLOv5s模型为基础框架,进行了以下三点改进：第一,为了减少模型的参数量和计算复杂度,提高推理速度,将YOLOv5s网络模型中的卷积模块和C3模块替换为Ghost卷积和C3Ghost模块;第二,为了弥补模型参数量减少所造成的精度下降的损失,提升对目标的检测能力,在主干网络输出的特征层中引入CBAM注意力机制;第三,采用BiFPN特征金字塔结构,实现多尺度特征加权融合。实验结果表明,YOLOv5s模型的参数量为7.02×106,计算复杂度为15.8GB,平均检测精度为94%,生成权重文件大小为13.7MB,单幅图像的检测速度为71.43 f/s;改进后的模型参数量为4.04×106,下降了42.45%,计算复杂度缩减为8.5 GB,平均检测精度达到了93.2%,仅仅下降了0.8%,权重文件大小为8.1 MB,单幅图像的检测速度为77.52 f/s。以上数据证明,改进后的模型能够满足对田间移动型障碍物的实时检测,且更加易于部署到移动...     

基于Ghost模块的改进YOLOv5目标检测算法

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检。针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5-CBGhost。首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度。通过在PASCAL VOC2007+2012数据集上实验,YOLOv5-CBGhost的目标精度达到81.8%,相较于YOLOv5s,提高了3.0%,计算量减少42.5%,模型大小减少3.5%。     

基于YOLOv5的CCTSDB小目标检测算法研究

为了提高全新中国交通标志检测数据集2021(CCTSDB 2021)的小目标检测精度。在YOLOv5网络模型上,融入归一化的注意力模块（NAM）和协调注意力模块（CA）,同时新增加160×160的检测特征图,增加小目标检测层,用于检测4×4以上的目标。在YOLOv5中采用改进的SIou目标回归损失函数,使得整个网络模型对图像特征的学习能力和目标检测精度得到一定的提升。实验表明,CCTSDB2021在改进的YOLOv5算法中,小目标检测精度mAP@.5和mAP@.5:.95达到85.87%、57.21%,相比原YOLOv5网络mAP@.5、mAP@.5:.95分别提升了5.72%、5.85%,检测精度和精确率-召回率得到了明显提升,减少了推理时间,提高了整体网络的鲁棒性,具有更好的检测性能和目标分辨能力。     

基于YOLO-IDSTD算法的红外弱小目标检测

针对复杂背景下红外弱小目标难以准确快速检测的问题,提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先,为提高检测速度,重新设计了特征提取部分的网络结构,并在输入层后使用Focus模块以减少推理时间;其次,为增强检测能力,特征融合部分采用路径聚合网络,添加了改进的感受野增强模块;最后,目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明,相较于经典轻量化模型YOLOv3-tiny,文中提出的模型召回率提升了7.57%,平均检测精度提高了1.92%,CPU推理速度提升了36.1%,可较好地兼顾精度和速度,计算量与参数量明显减少,模型尺寸压缩至7.27 MB,减少了对硬件平台运算能力的依赖,实现了红外弱小目标准确又快速的检测。     

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

基于YOLOv5的轻量级火焰视频流实时检测算法

针对火焰检测模型小目标检测能力差、模型体积大、计算复杂、难以部署到移动端设备的问题,提出了一种轻量化的DGC＿YOLOv5 (you only look once v5)算法。本文首先调用k-means计算函数,计算出适合本文数据集的锚框尺寸;其次引入卷积块注意力机制(convolutional block attention module, CBAM),提高算法对小目标的检测能力;然后利用轻量型的Ghost模块对主干网络中的C3模块进行改进;最后利用深度可分离卷积(depthwise separable convolution, DS＿Conv),用简单的线性计算代替复杂计算,降低模型复杂度,减小模型体积。实验表明,相比原始的YOLOv5算法,本文算法在测试集上的平均精度均值(mean average precision,mAP)可达到94.4%,比原始算法提高1.7个百分点,在视频测试集上平均检测速度可达到71 FPS,可以满足实时检测的要求,参数量和计算量分别减少为原来的41.2%和34.8%,模型大小减少8.4 M,便于后续移动设备端的部署。     

改进YOLOv3的输电线路异物检测方法

输电线路因所处环境复杂,极易附着异物,若不及时发现和清理将会对输电线路安全运行造成严重影响。针对输电线路图像巡检中的异物检测精度不高的问题,提出改进YOLOv3的输电线路异物检测方法(YOLOv3-RepVGG)。该方法基于YOLOv3目标检测网络并对其改进,首先采用RepVGG模块替换骨干网络Darknet-53的残差单元,同时加倍模块数量来提高网络对图像特征的提取能力;其次通过增加网络的多尺度检测框提升检测精度,采用CIOU损失函数来一步优化网络模型。实验结果表明,提出的YOLOv3-RepVGG方法与YOLOv3相比,输电线路异物检测m AP提高了9.8%,其中精确率提高19.5%,召回率提高1.2%;与目标检测SSD,Faster R-CNN网络相比,YOLOv3-RepVGG在性能上也具有一定优越性。     

改进YOLOv8的遥感图像检测算法

针对目前遥感图像目标检测算法中存在的误检、漏检和检测精度低等问题,提出了一种改进YOLOv8的遥感图像检测算法。在主干网络中引入注意力机制EMA到C2f模块,以提高模型对多尺度目标的特征提取能力;在颈部网络中提出Slim-PAN结构,以减少模型计算量;使用WIOU损失函数代替CIOU损失函数,以提升模型的检测精度。通过在DIOR和RSOD遥感数据集上的实验结果表明,改进后的算法与原YOLOv8算法相比,mAP分别提升了1.5%和2.3%,计算量降低了0.3 GFLOPs,改进算法在不增加计算量的同时能提高检测精度,证明了改进算法的有效性和先进性。     

基于改进YOLOv5的坦克目标检测算法

坦克目标的准确识别定位是信息化战争中一项重要研究,针对传统检测算法抗干扰性差、难应用于大视野复杂环境下的问题,提出了一种基于改进YOLOv5坦克自动识别的检测算法。利用YOLOv5模型对大视野复杂战场环境下坦克目标进行识别：在YOLOv5基础模型中引入Attention-based information fusion模块,提高模型检测精度和识别能力;使用Pre-segment multi-scale fusion模块解决骨干网络中池化操作所造成的信息丢失问题;使用Swin Transformer机制降低小目标坦克漏检误检的问题。在坦克数据集上进行实验,结果表明：与YOLOv5原始模型相比,改进模型的召回率、平均精度分别提高了9.1%、5.1%。改进后的YOLOv5模型可以很好地对大视野复杂环境下坦克目标进行精确识别,改善了坦克目标检测中小目标漏检的问题。     

基于改进YOLOv5的动车组关键部件缺陷检测

针对目前动车组(electric multiple units,EMUs) 关键部件缺陷检测模型复杂、小目标漏检率高和检测效率低的问题,提出一种基于改进YOLOv5的缺陷检测方法。该方法在利用生成对抗网络(generative adversarial network,GAN)进行数据增强的基础上,采用轻量级网络MobileNetV3-large对YOLOv5m主干网络进行替换,同时使用深度可分离卷积优化颈部3×3网络结构,以降低模型的参数量和计算量;在改进后的主干网络中引入坐标注意力机制(coordinate attention,CA),以捕获小目标的位置信息和通道信息,增强网络的特征表达能力;对非极大值抑制(non-max suppression,NMS)算法进行优化,融入重叠检测框中心点的位置信息,以提升预测框的定位准确性。在EMUs缺陷数据集上的实验结果表明,本文提出的检测模型相较于YOLOv5m,参数量减少了77%,计算量降低了80.9%,单张图片的检测时间减少了31.7%,平均精度均值(mean average precision,mAP)可达到0.804。另外,在NEU-DET数据集上的实验结果表明,改进后的模型也具有较强的泛化能力。     

融合YOLOv5与ASFF算法的海产品目标检测算法研究

针对水下目标检测识别精度低的问题,提出了一种基于改进YOLOv5的水下目标检测方法。通过对比多个注意力机制模块,在YOLOv5骨干网络引入了全局注意力机制模块,增强了特征提取,提高了采集特征的能力,并在YOLOv5模型上融合了自适应空间特征融合算法,实现底层特征与顶层特征融合。验证结果表明,所提算法的识别精度优于原始的YOLOv5算法,平均精度提升了8.5%,检测速度为76帧/秒。     

基于改进YOLOv5的电力设备轻量化检测算法

提出一种轻量化红外目标检测算法MEGI-YOLOv5。该算法基于YOLOv5模型,首先将主干网络替换为轻量化Mobilenet-v3网络,并将颈部网络中的部分CBL结构块替换为倒残差结构的深度可分离卷积、C3模块由普通卷积和GhostConv组合代替,降低模型的参数和计算量;其次在颈部网络中嵌入ECA(Efficient Channel Attention)模块,提高模型通道间信息的注意力,从而提升模型特征提取能力。实验结果表明,该模型相较于YOLOv5模型,参数量减少22%,检测速度提升37%,模型检测精度达到96.42%,能满足变电站设备类别及发热点识别的准确性和实时性要求,为后续能够及时发现变电站设备故障提供保障。     

改进YOLOv5的轻量化塑料餐具缺陷检测方法

针对塑料餐具表面缺陷人工检测效率低和深度学习模型计算量大布置成本高的问题,提出了一种基于YOLOv5的轻量化检测方法 FED-YOLOv5。在YOLOv5的骨干网络部分引入新型轻量级网络FasterNet,减少参数和计算量;同时添加高效注意力机制ECA,增强网络通道间的信息交流,最后在头部网络用解耦检测头替换耦合检测头,将分类和回归任务解耦,提高模型效率。实验结果表明,改进后的FED-YOLOv5与YOLOv5s相比参数量和计算量分别减少59.7%和63.3%,检测精度达91.6%,单张图片检测时间仅为4.6 ms,能够用于塑料餐具的外观检测工序,适合在有限计算资源的环境中部署。     

基于深度学习的雷达交通目标检测研究

针对将深度学习应用于交通场景下的雷达距离多普勒谱图目标检测任务时,交通目标尺寸小、特征不明显导致目标检测算法出现漏检、误检的问题,提出一种改进的YOLOv5-KFCS模型。首先提出基于K-means++聚类Anchor生成方法,确定最优Anchor尺寸,实现Anchor与实际目标的精准匹配;然后在模型中添加改进的FCBAM注意力模块,增强模型对于模糊目标和小尺寸目标特征的提取能力;接着将CARAFE作为上采样模块,提升网络对背景噪声的过滤能力以增强小目标特征的表征能力;最后将Swin Transformer模块引入到网络末端C3模块中,改善模型网络末端特征图分辨率低的问题。实验结果表明,改进后的YOLOv5-KFCS有效改善了漏检、误检问题,相较基准YOLOv5s平均检测精度提高5.3%,达到了93.5%,检测速度为70 FPS,满足检测实时性,并且综合性能优于其他方法。     

基于改进YOLOv5的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

基于GSR-YOLOv7的探地雷达回波图像识别的研究

针对探地雷达回波图像特征不突出,工作人员现场解译时间长,准确率不高的问题,提出一种基于YOLOv7改进的回波图像识别方法GSR-YOLOv7。首先使用GhostConv替换YOLOv7卷积层的卷积核以减小参数量;引入SimAM注意力机制提高特征学习能力;通过对感受野模块RFB卷积核的复用,增大感受野;同时引入改进EIoU损失函数提高模型分类能力和回归精度。基于道路回波图像数据集的实验结果表明,改进后的模型MAP₅₀达到了97.57%,MAP_50∶95达到了73.13%,较YOLOv7分别提高2.13%和8.46%,模型大小减小了35%。所提出的GSR-YOLOv7模型对于回波目标的检测效果较好,适用于移动端系统,对于体积小、算力低的平台具有较大应用价值。     

基于改进YOLOv4的混凝土裂缝检测方法

为了解决深度学习目标检测模型在混凝土裂缝应用上检测精度低、检测速度慢等问题,提出一种基于改进YOLOv4的混凝土裂缝检测方法。首先将YOLOv4的主干特征提取网络替换为轻量级网络Mobilenetv1,并且将YOLOv4加强特征提取网络中的普通标准卷积修改为深度可分离卷积;其次在PANet模块部分添加轻量级注意力模块CBAM(Convolutional Block Attention Module),在控制参数量的基础上提高裂缝目标检测的精度;最后用模拟人类视觉的RFB-s模块代替YOLOv4中的空间金字塔池化模块(Spatial Pyramid Pooling, SPP),扩大感受野,提高检测精度。实验结果表明,与传统YOLOv4相比,本模型的mAP增加三个百分点,参数量减少至14 M,检测速度可达42帧每秒。     

改进YOLOv5s的交通标志检测算法

随着无人驾驶技术的发展,交通标志检测对于维护交通秩序、降低交通事故频率意义重大。针对交通标志因尺寸小、密度高或背景复杂导致检测精度降低的问题,提出一种改进的YOLOv5s算法。首先,将ConvNeXt＿Block嵌入YOLOv5s的Backbone和Head部分,增强YOLOv5s特征提取网络的特征提取能力,提升模型检测精度;其次,引入轻量级通用上采样算子CARAFE,在不带来过多参数量和计算量的前提下,更好地利用特征图的信息,同样带来精度提升。使用该模型处理TT100K数据集,达到79.9%的检测精度,在YOLOv5s算法的基础上提高了1.8%,帧处理速率达到74 FPS,仍然符合实时性的要求。实验结果充分验证,改进模型在真实的交通标志检测场景中兼具实时性与准确性。     

GPNet:轻量型红外图像目标检测算法

针对资源受限的红外成像系统准确、实时检测目标的需求,提出了一种轻量型的红外图像目标检测算法GPNet。采用GhostNet优化特征提取网络,使用改进的PANet进行特征融合,利用深度可分离卷积替换特定位置的普通3×3卷积,可以更好地提取多尺度特征并减少参数量。公共数据集上的实验表明,本文算法与YOLOv4、YOLOv5-m相比,参数量分别降低了81%和42%;与YOLOX-m相比,平均精度均值提高了2.5%,参数量降低了51%;参数量为12.3 M,检测时间为14 ms,实现了检测准确性和参数量的平衡。     

基于改进YOLOv5s轻量化带钢表面缺陷检测方法

针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对 于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。