基于改进Yolov5s的混凝土坝裂缝检测研究

大坝作为我国的重要水利工程，其安全性不言而喻。裂缝作为大坝的主要安全隐患，大坝裂缝的智能化检测，对管控大坝风险具有非凡的意义。提出一种基于改进YOLOv5s目标检测算法的大坝裂缝检测方法。首先，在YOLOv5s的主干特征提取网络中引入轻量级GhostNet中的Ghost模块，对YOLOv5s的主干网络进行优化，得到轻量级的模型YOLOv5s-Ghost,以降低模型的复杂度，提高裂缝的检测速度；然后在模型预测输出端融合高效的CA(Coordinate Attention)注意力机制进一步增强裂缝特征提取能力，提高裂缝模型检测的性能。实验结果表明：该方法与现有的YOLOv5s相比，模型大小复杂度降低了44.8%,准确率提升了2.6%,验证了改进方案的有效性，提高了裂缝检测效率。通过引入GhostNet中的Ghost模块和融合CA注意力机制相结合，使得YOLOv5模型的复杂度降低，参数量减少，实现了对裂缝检测速度与精度的提高，增强了网络性能。     

改进YOLOv4的轻量级遥感图像建筑物检测模型

针对现有建筑物检测模型检测精度低下,模型体积较大,导致遥感图像检测速度和精度无法平衡,不利于后期部署等问题,提出一种基于YOLOv4优化的轻量级遥感图像建筑物检测模型。利用轻量化网络GhostNet替换CSP DarkNet53进行特征提取;借鉴稠密连接思想,提出了Dense-PANet特征融合模块;将ECA注意力机制引入Ghost模块,替换特征融合颈部网络的传统卷积。实验结果表明,提出的模型与YOLOv4相比,牺牲少量检测速度,但是平均精度提高了0.96个百分点,召回率提升了1.08个百分点,模型体积降低了71.39%,浮点计算量降低了76.60%,能有效满足遥感图像建筑物检测的需求。     

轻量化YOLOv5n的高精度垃圾检测算法

针对现有部署至移动设备或嵌入式设备的生活垃圾检测模型参数量多，计算量大，且识别种类较少等问题，对YOLOv5n目标检测算法进行了轻量化、高精度的优化研究。在YOLOv5n的架构上引入轻量级网络ShuffleNetv2与GhostNet实现了检测网络的轻量化；同时添加注意力机制SE增强特征提取能力，以及引入基于响应的知识蒸馏算法提升定位和分类的准确率，从而提高目标检测精度。实验结果表明，在HGI-30数据集上，优化后的YOLOv5n的参数量和计算量分别减少22.3%和23.3%，检测精度mAP0.5和mAP0.5:0.95分别增加1.6个百分点和2.6个百分点。     

基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.     

改进YOLOv5s的轨道障碍物检测模型轻量化研究

针对传统列车轨道障碍物检测方法实时性差和对小目标检测精度低的不足,提出一种改进YOLOv5s检测网络的轻量化障碍物检测模型。引入更加轻量化的Mixup数据增强方式,替代算法中原有的Mosaic数据增强方式;引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原有YOLOv5s模型中特征提取网络与特征融合网络中的普通卷积层,减小了模型的计算开销;在模型特征提取网络末端加入CA空间注意力机制,让算法在训练过程中减少了重要位置信息的丢失,弥补了改进GhostNet对检测精度的损失;将改进后的模型进行稀疏训练和通道剪枝操作,剪掉对检测精度影响不大的通道,同时保留重要的特征信息,使模型更加轻量化。实验结果表明,改进后的模型在自制的多样化轨道交通数据集上,相较于原始YOLOv5s算法,在模型大小减小9.7 MB,检测速度提高14 FPS的前提下,检测精度提升了1.0个百分点。同时与目前主流的检测算法对比,在检测精度与检测速度上也具有一定的优越性,适用于复杂轨道交通环境下的障碍物目标检测。     

基于改进YOLOv3的智慧足球场行人检测

由于足球比赛场景中密集人群、移动小目标居多, YOLOv3算法存在检测精确度较低且模型参数量较大等问题, 使其无法部署在资源算力有限的移动设备上, 本文提出了一种基于改进YOLOv3的行人检测方法, 将Darknet-53主干特征提取网络替换为更加高效且轻量化的GhostNet网络; 同时选取了4个尺度的检测分支层并采用K-means++算法改善anchor box的聚类效果; 添加空间金字塔池化对输入图像实现相同大小的输出; 提出CIoU损失函数来计算目标定位损失值; 添加heatmap热力图可视化并在训练中使用Mosaic数据增强. 实验结果表明, YOLOv3-GhostNet在VOC融合数据集上mAP达到90.97%的同时相比YOLOv3算法提高了1.75%, 参数量减少了约81.4%且实时检测速率提高了约1.5倍, 在小型移动设备上表现出不错的检测效果.     

基于改进YOLOv4的植物叶茎交点目标检测研究

由于植物根茎交点目标较小,识别率低,且在使用嵌入式设备进行植物移植与栽培的过程中资源及功耗受限。针对这类问题,提出了一种基于改进YOLOv4的目标检测解决方法,并设置于本场景。采集8?629张植物叶茎数据集图像,并对这些植物叶茎数据集进行标注,利用生成对抗网络（generative adversarial network,GAN）进行数据增强预处理。改进YOLOv4目标检测算法,选取4个不同尺度的锚框,以获得更多植物叶茎交点信息,同时对网络的结构和损失函数进行局部优化,使得网络在训练过程中更易于拟合目标。将主干网络更改为GhostNet网络,大幅度减少参数量与计算量,更利于在移动设备上的轻量化模型部署。实验结果表明,优化后的YOLOv4-GhostNet轻量化网络在保证检测精度的前提下,检测速度提高到79.3?frame/s,较YOLOv4提高了36.45%,网络帧率提高了51.07%,模型参数量减小了36.06%,能够有效检测叶茎交点目标。     

改进注意力机制的型钢表面微小缺陷检测方法

针对型钢表面缺陷种类多样、微小缺陷占比较大导致的检测效率低、检测精度差的问题,提出了一种基于双重多尺度注意力机制的表面缺陷检测方法DMSA-YOLOv3,实现型钢表面多尺度缺陷快速精确检测。构建了基于通道和空间的双重多尺度注意力模型DMSA,对不同尺度特征进行筛选融合,强化小尺度缺陷的特征权重;改进了YOLOv3模型,使用深度可分离卷积对DarkNet53特征提取主干网络实现轻量化处理,提高检测速度,并构建多尺度长距离上下文特征提取层,使用4种不同扩张率的并行空洞卷积替代全局池化,提高模型对小尺寸缺陷的特征提取能力;构建了融合DMSA模型和改进YOLOv3模型的DMSA-YOLOv3缺陷检测模型,并应用于型钢表面多尺度缺陷检测。实验结果表明：DMSA-YOLOv3模型具有97.6%的多类别平均检测精度和55.3?frame/s的检测速度,与YOLOv3模型相比分别提升了4.7个百分点和24.5?frame/s;最小可检出20×20像素（约10×10?mm2）缺陷,与YOLOv3模型相比提高了6.25倍,有效提升了型钢表面缺陷的检测精度与检测速度。     

基于GhostNet残差结构的轻量化饮料识别网络

YOLOv4-Tiny目标检测网络算法存在参数多和计算量大等问题,无法部署在资源有限的平台上。提出一种基于GhostNet残差结构的主干轻量级目标检测网络算法YOLO-GhostNet。该算法采用GhostNet结构将普通卷积分成两步,即使用较少的卷积核生成一部分特征图,对生成的特征图通过简单计算获得另一部分特征图,并将两组特征图进行拼接,以减少计算所需资源与参数量。通过GhostNet构建残差结构的YOLO-GhostNet算法在经过批量归一化层优化后模型尺寸只有2.18 MB,较YOLOv4-Tiny算法模型尺寸减小90%。YOLO-GhostNet算法在GPU加速环境下平均处理图片速度比YOLOv4-Tiny算法提高24%,CPU处理速度比YOLOv4-Tiny加快56%。实验结果表明,该算法在饮料测试集中的平均精确度均值达到79.43%,相比YOLOv4-Tiny算法,其在精度无损失情况下能够大幅降低网络计算量和参数量,同时加快推理速度,更适合部署于资源算力不足的嵌入式设备。     

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。     

基于改进YOLOv4的轻量化目标检测算法

针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数（FPS）低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络（Bi-FPN）结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值（mAP）达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。     

YOLOv4口罩检测算法的轻量化改进

针对当前YOLOv4目标检测算法网络模型庞大、特征提取不充分且易受光线环境影响的缺点,提出了一种优化了特征提取网络和一般卷积块的轻量化YOLOv4-Lite网络模型。使用改进的MobileNetv3替换原有的主干特征提取网络,减小了网络模型的参数量,提高了检测精度。提出了使用深度可分离卷积块代替原网络中的普通卷积块,使得模型的参数量进一步降低。结合了标签平滑、学习率余弦退火衰减算法,新增了SiLU激活函数代替MobileNetv3浅层网络的ReLU激活函数,优化了模型的收敛效果。优化了Mosaic数据增强方法,提升了模型的鲁棒性。在人脸口罩佩戴任务中与原算法相比,牺牲了1.68%的mAP,但在检测效率（FPS）上提升约180%。     

基于GhostNet与注意力机制的YOLOv5交通目标检测

针对交通目标检测模型参数量大、检测精度低、检测速度慢、泛化性差等问题,提出一种基于GhostNet与注意力机制的YOLOv5交通目标实时检测模型.采用基于遗传算法的K-means聚类方法获取适用于车辆检测的最佳预选框;采用轻量的Ghost卷积提取目标特征,并构建基于CSP结构的C3Ghost模块,大幅度压缩模型参数量,降低计算成本,提高计算速度;在特征融合层添加Transformer block和CBAM注意力模块,来探索模型特征提取潜力以及为模型在密集对象的场景中寻找注意力区域; UA-DETRAC数据集上的消融实验和综合性能评价结果表明所提模型平均精度达到98.68%,参数量为47 M,检测速度为65 FPS,与YOLOv5相比,参数量压缩了34%,速度提升43%,平均精度提高了1.05%.     

面向目标识别的轻量化混合卷积神经网络

针对当前基于深度神经网络的目标检测往往存在计算复杂度高、对硬件要求苛刻、难以在嵌入式平台和移动智能设备上运行且运行速率低等问题,提出一种基于YOLOv4(You Only Look Once Version4)的轻量化混合神经网络.此混合网络主干特征提取网络采用轻量级MobileNeXt网络模型,并使用改进后RFB(Receptive Field Block)模型来增强特征提取网络,进而增大感受野;引入通道注意力机制SE(Squeeze-and-Excitation)模块,过滤筛选出高质量信息,使整个网络模型对特征提取更加高效.实验结果表明,在PASCAL VOC 2007数据集上,基于YOLOv4的轻量化混合神经网络模型大小仅占20.6 MB,很大程度上降低了原YOLOv4模型参数量,mAP(mean Average Precision)达到82.51％,帧处理速率为29.7 frame/s.,有较好的检测效果和较强的鲁棒性.     

安全帽与反光衣的轻量化检测：改进YOLOv5s的算法

安全帽与反光衣检测对生产与交通环境的安全管理具有重要意义。针对目前安全帽和反光衣检测算法参数量大、计算量大和模型体积较大等问题，提出了一种基于YOLOv5s轻量化改进的检测算法。引入GhostNet网络结构中的Ghost模块代替原有的部分卷积与C3模块，大大降低了模型的复杂度。在主干网中增加CA注意力机制，抑制无效信息，增强对特征丰富区域的提取。用C3CBAM代替neck层的C3模块，既减少参数量，又提高了检测精度。实验结果表明，改进模型的mAP（平均精度）为93.6%，参数量为4.28×106，计算量为9.2 GFLOPs，模型大小为8.58 MB。与YOLOv5模型相比较参数量减少了39%，计算量减少了41.7%，模型大小降低37.3%。该检测算法既保证了检测的识别准确率，又实现了检测算法的轻量化。     

基于改进YOLOv4的工件表面缺陷检测方法

针对将深度学习用于工件检测环境中计算资源受限的问题,提出了一种基于改进YOLOv4的工件表面缺陷检测方法。首先,使用轻量化网络模型MobileNetV2替换YOLOv4原有的主干特征提取网络,并使用深度可分离卷积替换掉YOLOv4中使用的3×3标准卷积,大幅减小模型的参数规模,提升模型的检测速度;其次,提出一种图像预处理方法,在输入检测网络前定位并裁取出图像中工件的区域;最后,由于YOLOv4已有的Mosaic数据增强方法在自制VOC数据集上表现不佳,引入一种新的数据增强方法以防止训练过程产生过拟合现象。实验结果表明,该方法对工件缺陷的检测精度达到90.63%,检测速度为每秒34.56帧,相较于原始YOLOv4模型,模型规模减小82.1%,检测精度提升了2%,检测速度提升了150%;与SSD和Faster R-CNN等模型相比较,该模型在检测速度和检测精度上有着出色的综合表现,能够针对工件银面缺陷进行高效的检测。     

轻量化YOLOv4的车辆目标检测研究

针对YOLOv4模型在目标检测过程中参数量和计算量较大而导致实时性不佳的问题,提出了一种轻量化模型L-YOLOv4(Light YOLOv4)。该模型以YOLOv4特征金字塔结构和多尺度检测为基础,对模型结构进行了整体的优化和改进,采用MobileNetV2网络代替主干特征提取网络,同时用深度可分离卷积替换加强特征提取网络的普通卷积,从而达到减少网络参数量的目的。实验时对UA-DETRAC车辆数据集进行了基于旋转不变性下的数据增强,以缩小图像预测框与真实框之间的误差。多模型对比实验结果表明,L-YOLOv4模型相较于其他常用的轻量级检测模型有着更小的参数量和更快的FPS,与YOLOv4模型相比,参数量减少了83.21%,FPS增加了11帧,并减少了车辆漏检情况。     

基于轻量化YOLOv4的交通信息实时检测方法

针对日常道路场景下的车辆目标检测问题,提出一种轻量化的YOLOv4交通信息实时检测方法。首先,制作了一个多场景、多时段的车辆目标数据集,并利用K-means++算法对数据集进行预处理;其次,提出轻量化YOLOv4检测模型,利用MobileNet?v3替换YOLOv4的主干网络,降低模型的参数量,并引入深度可分离卷积代替原网络中的标准卷积;最后,结合标签平滑和退火余弦算法,使用LeakyReLU激活函数代替MobileNet?v3浅层网络中原有的激活函数,从而优化模型的收敛效果。实验结果表明,轻量化YOLOv4的权值文件为56.4 MB,检测速率为85.6 FPS,检测精度为93.35%,表明所提方法可以为实际道路中的交通实时信息检测及其应用提供参考。     

基于YOLO的钢缆表面损坏检测

为了解决检测钢缆表面损坏时检测设备资源有限、时间过长等问题,将深度学习的先进技术以及卷积神经网络(CNN)应用于钢缆表面损坏检测.提出了一种基于YOLO的缺陷检测网络模型,将GhostNet融入主干网络,并基于ShuffleNet及注意力机制提出了新的特征提取模块(ShuffleC3),再对Head部分进行剪枝改进.实验结果表明,改进后网络相比基线YOLOv5s的平均精度提高1.1%,参数量和计算量分别降低了43.4%和31%,模型大小减少了42.3%.可以在降低网络计算成本的同时,保持较高的识别精确度,更好地满足了对钢缆材料表面损坏检测的要求.     

改进YOLOv7-tiny的轻量级红外车辆目标检测算法

为了解决红外场景下车辆检测算法参数量与计算量大、识别精度低、小目标检测难度大的问题，提出了一种改进YOLOv7-tiny的轻量级红外车辆目标检测算法：KD-YOLO-DW。通过融合深度可分离卷积提出了ELAN-DW模块，极大地降低了网络参数量与计算量。通过在特征融合层引入GhostNet V2模块，提高了不同尺度特征的融合能力。采用动态非单调FM的WIoU损失函数，解决了红外数据集难易样本不平衡的问题，提高了轻量级算法对红外弱小目标的检测能力。联合残差思想提出跨尺度融合策略，提高了轻量级算法对不同尺度目标的检测效果，降低了小目标的漏检率。通过知识蒸馏对轻量化模型再次浓缩，进一步提高了模型对检测红外目标的准确性。实验结果表明，KD-YOLO-DW模型在参数量与计算量方面分别较YOLOv7-tiny模型下降了24.6%和16.7%，模型大小仅为9.2 MB,mAP分别提高了3.27和3.15个百分点，拥有更小的模型体积与更好的检测效果。