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。     

改进YOLOv5的车牌检测算法在林区中的应用北大核心CSCD

针对林区环境中现有的交通监控系统目标检测算法在雾、雨、雪等恶劣天气条件下车牌定位困难、精度低和检测速度慢等问题,提出了一种新的车牌检测方法。该方法以YOLOv5(you only look once v5)为基础模型,采用K-means++的方法对实例标签信息进行聚类分析获取新的初始化锚框尺寸,在特征提取网络中融入CBAM(convolutional block attention module)注意力机制提取到检测目标更多的特征信息,选取了CIoU作为损失函数提高检测框定位精度。在预处理方面,模拟摄像头在采集图像时可能产生的干扰,使用OpenCV-Python编写脚本对图像进行处理,增加算法在林区复杂环境下检测的鲁棒性。实验分析表明,该方法的均值平均精度@0.5(mean average precision@0.5,mAP@0.5)达99.5%、均值平均精度@0.5∶0.95(mAP@0.5∶0.95)达86.7%、检测速度达128帧/s、模型大小仅14 M,与YOLOv5以及其他主流目标检测算法相比有更好的准确性、实时性和广泛可部署性。     

基于改进YOLOv5的海面目标检测算法

针对海面目标检测模型难以应用在存储能力和计算能力较小的移动端的问题,提出一种基于改进YOLOv5的海面目标检测算法。采用轻量级提取网络ShuffleNetv2 Block作为YOLOv5网络的骨干部分,减少模型计算量和参数量;使用加权双向特征金字塔网络模块替换原特征融合网络模块,提高网络对不同尺度的特征提取能力;引入坐标注意力机制,提高模型检测精度。在海面目标数据集上进行实验,结果表明：与YOLOv5模型相比,改进模型的精确率、召回率、平均精度分别提高了1.2%、1.4%、0.9%,计算量和参数量分别降低了55.8%,54.9%。改进后的YOLOv5模型不仅提高了检测精度和模型性能,还压缩了模型的计算量和参数量,有利于部署在移动设备端。     

基于YOLOv5的火灾场景检测算法

火灾是经常危害公众安全,影响社会发展的灾害之一。及时地发现火灾,预警火灾,对于保卫人民生命财产安全,维护社会治安稳定有着重大意义。针对上述问题,设计了一种基于YOLOv5目标检测网络的火灾场景检测算法。算法首先在数据增强方面使用Mosaic-9方法来对训练集进行数据增强,使得网络具有更好的泛化能力,从而更好适用于应用场景。而后,为了更进一步提升检测精度,在backbone中嵌入了CBAM注意力机制模块,通过对特征通道和空间的学习,使得网络能够更好地提取到有用特征并抑制不重要特征。实验结果表明,改进后的网络在fi re-images数据集上取得了良好的性能,相对于YOLOv5n原网络,在推理时间几乎等同的情况下,精度提升了5.7%,mAP@0.5提升了2.4%。     

基于深度学习的轻量级口罩检测算法研究

基于当前大多数目标检测算法不能同时在实时性和检测精度上都获得良好的表现,本文对经典的YOLOv3目标检测算法进行改进,使最终的网络模型轻量化且具有较高的检测准确率。由于YOLOv3的骨干网络DarkNet53网络结构复杂,参数量较大,将其替换为EfficientNet系列网络中的EfficientNet-B1,通过简单的网络结构以及更少的网络参数量学习到较好的特征,为网络轻量化奠定基础;对骨干网络输出的3种不同尺度的特征图添加混合域注意力机制CBAM作为特征融合网络的输入,并将特征金字塔结构与CBAM结合,通过自上而下的特征信息融合以及混合域注意力机制使网络在训练时更加关注样本的有效区域,进一步提升模型的检测性能;使用Mosaic数据增强方式,有效提升模型的泛化能力。实验最终的模型评估结果表明,改进后的网络相对于YOLOv3网络而言,在mAP0.5降低2.73%的检测精度条件下,检测速度提升了3.93倍,而且模型大小仅为原网络的22%。     

Rep-YOLOv8车辆行人检测分割算法

车辆行人检测分割在自动驾驶、智能交通管理等场景广泛应用,但如何提高车辆行人识别精度以及处理分割不均匀等问题一直是项挑战。针对上述问题,文中提出一种YOLOv8的改进算法,该算法采用RepECA作为骨干网络,此骨干网络使用RepVGG模块代替原骨干网络的卷积层,并融合ECA注意力机制对图像进行特征提取,其中RepVGG模块在检测时转变多分支结构为单路径结构,不损失训练精度的同时提升执行效率,ECA注意力机制针对通道维度的注意力加权机制,通过学习通道之间的相关性,自适应地调整通道的权重,增加少量模型参数却带来大的性能提升;在C2f模块中,改进算法加入了eSE自注意力模块,避免因为通道数减少造成的通道信息损失,进一步提高模型精度。实验结果表明,使用Cityscapes数据集训练,Rep-YOLOv8算法在检测与分割任务的mAP@0.5指标分别达到85.4%和75.5%,与原YOLOv8相比分别提升了13.4%和16%,推理速度从65 f/s提升至83 f/s。     

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%。     

基于改进YOLOv3的葡萄叶部病虫害检测方法

为了满足果园植保设备对于病害检测模型实时性、识别精度和轻量化的需求,提出了一种基于改进YOLOv3模型的葡萄叶部病害检测模型YOLO-SL.首先,引入轻量级网络ShuffleNetv2的组成模块优化YOLOv3原有的特征提取网络,以降低网络模型参数,然后在优化后的特征提取网络中融合了CBAM注意力机制,并在YOLOv3网络模型的特征金字塔结构中增加了一层小目标特征检测层,以提升检测模型识别精度.最后,在经过数据增强的数据集上进行了不同检测模型的对比试验,试验结果表明YOLO-SL模型平均检测精度可达90.4%,平均检测时间降低到32.2 ms,权重大小降低为原YOLOv3模型的18.3%,可以为葡萄叶部病害检测技术在实际工作环境中的应用提供参考.     

基于YOLOv7的通用目标检测模型

针对通用目标检测领域在自动提取特征的过程中会提取错误的目标检测区域信息,本文以YOLOv7模型作为基线模型进行改进,有效地提高检测精度。首先,在YOLOv7模型的主干网络中引入改进的注意力机制,在上采样模块中采用双三次插值,以增强浅层和深层的特征融合效果,减少区域信息丢失;其次,通过设计动态IOU阈值实现动态非极大值抑制,解决固定阈值导致检测边界框冗余的问题,提升准确性;最后,采用剪枝算法对网络模型进行轻量化处理,并使用深度可分离卷积替换原始卷积。实验结果显示,本文模型在数据集上的准确率、F1值和召回率均高于其他模型,说明本文建立的基于YOLOv7模型改进的通用目标检测算法的有效性。     

改进YOLOv4的混凝土建筑裂缝检测算法

针对当前混凝土建筑裂缝走向不规则、细小裂缝特征难以提取的问题,提出一种基于YOLOv4改进的混凝土建筑裂缝检测算法.该算法以YOLOv4框架为基础,在其特征提取网络部分引入感受野更宽的RFB模块捕获特征图;并基于PANet多尺度路径融合结构,提出新的多尺度特征融合方式SL-PANet.该方式首先增加浅层网络特征信息,提高模型对细小裂缝识别的精度,其次采用DUpsampling上采样模块充分还原图像的特征信息,并在上采样和下采样过程中融入CBAM注意力机制模块,突出裂缝的特征信息,去除背景冗余信息的干扰,以此增强裂缝特征的表达能力.该算法同时利用AdamW优化器加快网络训练的收敛.实验结果表明：文章改进的算法检测精度高达94.47%,较原YOLOv4算法提高6.44%,能够满足当前混凝土建筑裂缝检测需求.     

基于YOLOv5s模型的边界框回归损失函数研究

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示：CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。     

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。     

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YOLOv5的航拍图像识别算法

航拍图像识别广泛应用于各类军用、民用领域,因其距离远、成像模糊、目标相互遮挡等特点使得目标检测准确度一直不高,针对这一问题,提出了一种基于YOLOv5模型的改进方法。通过引入数据增强和标签平滑方法、改进损失函数为DIoU和增加针对小目标的网络处理层来提高目标检测效果。实验结果表明,在相同训练条件下,改进后的YOLOv5算法对大多数种类的目标检测准确率都有所提升,平均精确率提高了17%,平均召回率提高了2%,mAP@0.5达到了70.4%,比原始模型提升了6.1%。     

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。     

基于改进YOLOv5s的路面损伤检测

路面损伤检测是支持基础设施检测的重要任务,及时、准确、自动地检测路面损伤,对于经济有效的道路养护是必要的。针对道路检测中存在漏检问题,提出一种改进的YOLOv5s的道路检测算法。首先,用CBAM注意力机制模块替换主干网络中C3模块,在关注通道特征的同时关注位置信息,加强网络对重要信息的提取能力;其次用EIoU替换GIoU损失函数,解决了GIoU误差大的同时提高了收敛速度和回归精度;最后,为使细微损伤得到有效检测,在原始网络中增加极小目标的检测的输出,使三输出变成四输出,提高模型识别率。从精度和召回率的结果可知,改进后的YOLOv5s算法平均检测精度为96.9%,相较于原YOLOv5s算法提高了7.6%。能够有效检测出道路路面损伤,且其准确率优于其他的道路检测算法。     

基于改进YOLOv5s的铁轨表面裂纹检测算法

铁轨轨枕表面出现的裂纹可能对轨道交通造成安全隐患。针对铁轨裂纹检测的方法存在通用性差、精度低、召回率低的问题，提出一种基于改进YOLOv5s的铁轨裂纹检测算法YOLOv5s-CBE。首先将CA注意力模块分别加入主干C3模块以及C3与SPPF之间，从通道和空间两个维度捕获通道关系和位置信息，提高YOLOv5s主干网络特征提取能力。其次，在YOLOv5s的Neck部分，使用BiFPN融合不同尺度信息，获取拥有丰富语义信息的输出特征图；同时，加权双向特征融合金字塔结构通过引入权重调整不同尺度输入特征图对输出的贡献，优化特征融合效果，减少了卷积过程中特征信息的丢失，提高了检测精度。最后，将原YOLOv5s中损失函数CIoU改为EIoU。EIoU不仅考虑了中心点距离和纵横比，而且还考虑了预测框与真实框宽度和高度的真实差异，提高了锚框的预测精度。相较于原始网络YOLOv5s,YOLOv5s-CBE铁轨裂纹检测网络在自制铁轨裂纹数据集上，模型大小相较于基础网络YOLOv5s降低了1.0 MB，精度mAP提高了3.7%，召回率由73.5%提升到76.2%，不同尺寸裂纹的漏检现象减少，具有一定的优越性和...     

基于深度学习的盲道和盲道障碍物识别算法

盲道和盲道障碍物是影响盲人出行安全的重要因素,现有算法只对盲道分割和盲道障碍物检测单独处理,效率低且计算量大。针对上述问题,文中提出了一种基于深度学习的多任务识别算法。该算法通过骨干网络提取公共特征,将提取的特征经过SPP(Spatial Pyramid Pooling)和FPN(Feature Pyramid Networks)网络融合特征后,分别传入分割网络和检测网络完成盲道分割和盲道障碍物检测的任务。为了让盲道分割更平整,引入修正损失函数。为了提高障碍物检测召回率,将检测网络的NMS(Non Maximum Suppression)替换为Soft-NMS。实验结果表明,该算法分割部分MIoU(Mean Intersection over Union)、MPA(Mean Pixel Accuracy)分别达到了93.52%、95.29%,检测部分mAP(mean Average Precision)、mAP@0.5以及mAP@0.75分别达到了75.58%、91.58%和74.82%。相较于使用SegFormer网络进行盲道分割和RetinaNet网络进行盲道障碍物检测,该算法在精...     

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。     

基于cosSTR-YOLOv7的多尺度遥感小目标检测

针对地理空间遥感图像存在目标分布密集、尺度变化范围较大及小目标特征信息过少等而造成目标检测精度不高的问题,提出了一种基于Swin Transformer(STR)和YOLOv7的多尺度遥感小目标检测算法cosSTR-YOLOv7。以YOLOv7作为基线网络,首先,使用STR模块替换主干网络中的E-ELAN模块,并利用余弦注意力机制和后正则化方法将其改进为cosSTR模块,以提升模型训练的稳定性;其次,在Neck部分构建新的特征融合层,以减少特征信息丢失;然后,在预测部分增加小目标预测层,以提升模型对小目标的检测能力;最后,采用新的SIoU损失函数计算定位损失,以加快模型收敛速度。利用遥感数据集DIOR进行实验,实验结果表明,所提算法平均精度均值(mAP)达到92.63%,对比原YOLOv7算法提高了3.73个百分点,对多尺度小目标的检测性能有显著提高。