基于改进YOLOv8s的鼓形滚子表面缺陷检测算法

为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级间的跨尺度连接和同尺度下的跨层连接,有助于小目标特征信息在卷积网络的传递.在头部增加小目标检测层,提高模型对小缺陷的检测能力.在损失函数方面,利用动态非单调聚焦的Wise-IOU的边界框损失函数替换CIOU,在加快网络收敛的同时,提高网络检测的精度.在自制的鼓形滚子缺陷数据集上进行测试,结果表明,改进的YOLOv8s在倒角数据集、侧面数据集、端面数据集的mAP@0.5分别达到0.911、0.983、0.935,相比于YOLOv8s,m AP@0.5分别提高了6.4%、3.3%、4%,精确度和召回率也有一定的提升,平均每张图片的检测时间为23 ms.与原模型相比,改进的YOLOv8s对小目标缺陷有更好的定位能力和检测精度,检测速度能够满足工业大批量检测的要求.     

基于改进YOLOv5的电子元件表面缺陷检测算法

目标检测模型在电子元件生产环境中的实时检测能力不佳，为此采用GhostNet替换YOLOv5的主干网络.针对电子元件表面缺陷存在小目标及尺度变化较大的目标的情况，在YOLOv5主干网络中加入坐标注意力机制，在避免大量计算资源消耗的前提下增强感受野，将坐标信息嵌入通道注意力中以提升模型对目标的定位.使用加权双向特征金字塔网络结构替换YOLOv5特征融合模块中的特征金字塔网络(FPN)结构，提升多尺度加权特征的融合能力.在自制缺陷电子元件数据集上的实验结果表明，改进的GCB-YOLOv5模型平均精度达到93%，平均检测时间为33.2 ms，相比于原始YOLOv5模型，平均精度提高了15.0%，平均时间提升了7 ms，可以同时满足电子元件表面缺陷检测精度与速度的需求.     

基于改进YOLOv5的推力球轴承表面缺陷检测算法

为了提高推力球轴承表面缺陷检测的精确率和召回率,增强模型抗干扰能力,提出自动提取检测区域预处理和改进Transformer中的多头自注意力机制模块. 在特征网络引入所提模块,忽略无关噪声信息而关注重点信息,提升中小表面缺陷的提取能力. 使用实例归一化代替批量归一化,提高模型训练时的收敛速度和检测精度. 结果表明,在推力球轴承表面缺陷检测数据集中,改进YOLOv5模型的准确率达到87.0%,召回率达到83.0%,平均精度达到86.1%,平均每张图片检测时间为14.96 ms. 相比于YOLOv5s模型,改进模型的准确率提升1.5%,召回率提升7.3%,平均精度提升7.9%. 与原模型相比,改进YOLOv5模型有更好的缺陷定位能力和较高的准确度,能够减小检测过程中的异物对检测结果造成的干扰,检测速度满足工业大批量检测的要求.     

基于深度学习的核桃外壳缺陷检测

实现了对核桃外壳缺陷的快速识别,提高基于机器视觉的核桃分选效率,提出了一种基于改进的 YOLOv5s核桃外壳缺陷检测方法。YOLOv5s网络中大量采用卷积核为3的卷积进行特征提取,为降低网络的计算量,本文提出利用深度可分离卷积代替残差网络中所采用的卷积核为3的卷积,提高对核桃外壳检测的速度。此外,为了保证精度能够满足要求,采用了改进的均值聚类对检测框进行初始化,提高生成的检测框的质量,进而提高核桃外壳缺陷检测精度。由于聚类方法相对整个网络结构计算量较小,因此对核桃外壳检测的速度影响较小。通过实验对比分析,改进后的YOLOv5s能够快速识别出核桃外壳缺陷,而且识别精度基本保持不变。     

基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。     

基于改进YOLOv3的印刷电路板缺陷检测算法

针对现有基于深度学习的印刷电路板(PCB)缺陷检测算法无法同时满足精度和效率要求的问题，提出基于YOLOv3改进的AT-YOLO算法来检测PCB缺陷.将主干网络替换为ResNeSt50，提高特征提取能力，减少参数量.引入SPP模块，融合不同感受野的特征，丰富了特征的表达能力.改进PANet结构替换FPN，插入SE模块提升有效特征图的表达能力，增加1组高分辨率特征图的输入输出，提升对小目标物体的敏感程度，检测尺度由3个增加到4个.使用K-means算法重新聚类生成锚框尺寸，提高了模型的目标检测精度.实验证明，AT-YOLO算法在PCB缺陷检测数据集上的精度均值AP_0.5达到98.42%，参数量为3.523×107，平均检测速度为36帧/s，满足精度和效率的要求.     

基于注意力与多级特征融合的YOLOv5算法

针对复杂场景下目标检测与识别精度较低的问题,提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制,增强对特征空间和通道信息的学习能力,同时在瓶颈网络中采用多级特征融合结构,对不同分支的特征进行融合,增加特征的丰富性,提升应对复杂场景的能力。此外,利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积,降低网络参数量和复杂度。结果表明：与传统的YOLOv5s算法相比,所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。     

基于深度学习的隧道衬砌多病害检测算法

针对已有目标检测算法在隧道衬砌病害检测中全局信息提取不充分、检测精度低的问题,提出隧道衬砌表观病害检测算法TDD-YOLO.该算法以YOLOv7框架为基础,采用MobileViT作为主干特征提取网络,提高网络全局信息和局部信息提取能力;在特征金字塔网络的上采样和下采样后增加Coordinate attention (CA)注意力模块,突出病害的特征信息,去除背景信息的干扰;提出卷积模块TP Block,在计算量较小的情况下进一步提高网络的特征提取能力.为了验证所提出算法的有效性,选用SSD、 Faster-RCNN、 EfficientDet、 YOLOv5、 YOLOv7这5种算法进行对比分析.实验结果表明,TDD-YOLO算法的F1为77.43%,相对5种对比算法,分别提高了15.58%、17.36%、 12.19%、 6.32%、 6.14%; mAP为77.52%,相对5种对比算法,分别提高了15.20%、 14.24%、 9.44%、 7.44%、6.39%. TDD-YOLO算法病害识别精度最高,综合性能最优,适用于实际隧道工程的病害检测任务.     

基于改进YOLOv5的学生面部表情识别

学生课堂面部表情在一定程度上反映了当时的学习状态，面部表情识别可以辅助教师判断学生学习掌握情况。针对学生课堂面部表情被遮挡、视频监控中面部表情目标偏小而导致的错检、漏检等问题，提出了一种改进的YOLOv5网络模型。改进的YOLOv5用Soft NMS替代基本NMS;将注意力机制CA模块引入到YOLOv5网络的Backbone;采用EIOU作为边界框回归损失函数。对比实验表明，优化后模型在Fer2013数据集上检测精度P达到了74.5%,比优化前提升了2.5%,mAP_0.5达到了77.6%,比优化前提升了1.6%;在自构建数据集上检测精度P达到了88.3%,比优化前提升了5.2%,mAP_0.5达到了87.4%,比优化前提升了1.7%。结果表明，改进的YOLOv5模型能有效提高学生课堂面部表情识别的检测精度。     

基于改进的YOLOv5模型和射线法的车辆违停检测

车辆违法停车将会降低道路通行效率,引发交通拥堵和交通事故.传统的车辆违停检测方法参数量大且准确度低.为此,本文提出了一种使用改进的YOLOv5模型和射线法的车辆违停检测方法.首先设计了轻量化的特征提取模块,减少模型参数量;其次在模型中加入注意力机制,从通道维度和空间维度增强模型的特征提取能力,保证模型精度;接着使用混合数据增强丰富数据集样本,提升复杂背景下的检测效果;然后选用EIoU作为损失函数提高模型定位能力.实验结果表明,改进后的模型均值平均精度达到91.35%,比原始YOLOv5s提升1.01个百分点,并且参数量减少35.79%.最后将改进后模型与射线法结合,在Jetson Xavier NX嵌入式平台的检测速度可以达到约28帧/s,能够实现实时检测.     

轻量化模型的PeleeNetyolov3地表裂缝识别

为提高地表裂缝检测在低算力运算平台上的稳定性和检测速率,提出了一种PeleeNet与YOLOv3相结合的目标检测算法。使用PeleeNet框架代替YOLOv3的Darknet-53主体框架,以融合不同的局部特征及提高运算效率;在框架中融合特征注意力模块以提高图像中裂缝区域的显著度,并通过对感受野模块RFB卷积核的复用,增大网络的有效视野,提高小目标检测精度;在特征金字塔网络中,通过使用深度可分离卷积代替标准卷积,减少参数计算量;引入CIoU损失函数提高模型的分类与回归精度。在测试平台上应用裂缝数据进行算法验证,结果表明：AP₅₀达到了97.68%,AP₇₅达到了77.87%,较原始的YOLOv3分别提高8.4%和12.4%,检测速度达到了30帧/s,且模型参数大小仅为原始YOLOv3的30%;可以看出,本研究提出的PeleeNet＿yolov3轻量化模型对于裂缝目标的检测效果较为明显,并且具有较小的运算量和参数量,适合应用于移动端系统,对于小体积低功耗低算力运算平台具有较大应用价值。     

基于EfficientNet-YOLOv5s的绝缘子缺陷检测

针对目前复杂背景下绝缘子缺陷小目标检测准确率低的问题,提出一种深度学习框架下的EfficientNet-YOLOv5s神经网络检测算法,首先通过无人机航拍输电线路中含有各类绝缘子的图像,并通过图像增强技术丰富图像数据集,然后用EfficientNet网络替换YOLOv5s主干网络,用改进的网络对标注的绝缘子数据集进行训练和测试,最后对模型的损失函数和非极大值抑制算法加以改进,进一步解决绝缘子目标重叠导致的漏检问题。实验结果表明,改进的网络平均精度达到98.5%,满足输电线路中绝缘子缺陷检测要求。     

基于改进YOLOv5s的复杂道路交通目标检测算法

针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明：改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP＿0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP＿0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP＿0.5提高了2.2%。     

基于改进 YOLOv5s 的可回收垃圾检测方法

对垃圾进行回收益处颇多，不仅可以节约资源，还有助于自然环境保护。在传统的垃圾回收中，一般会消耗大量的人力和物力，本文基于现有单阶段目标检测算法 YOLOv5s 再结合注意力机制和 RFB 感受野模块，提出一种兼顾检测速度与精度的 YOLOv5s 改进模型，该模型可运用于室内智能垃圾回收机器人或垃圾场处理终端中。首先对 RFB 模块的结构做出调整并利用注意力机制进行改进，在一定程度上克服了 RFB 模块引入其他不必要特征信息的缺点；然后在算法中引入改进后的 RFB 模块，使算法能更好地与不同尺度的垃圾物体相匹配，提高了检测的精度；并根据数据集目标物体的特点重新调整了锚框大小。实验结果表明，YOLOv5s-SERFB 在数 据集 TrashNet-Plus 上有良好的表现，最终改进模型的 mAP 为 91.7%，相比于原始的 YOLOv5s 模型高2.2%， 算法能较好地满足实时检测任务的需要，同时表现出良好的检测效果。     

基于改进YOLOv5s的电厂捞渣机状态异常检测

针对电厂生产作业现场光照条件受限、背景复杂这一现状,为了保障捞渣机的安全高效运行,提出了一种改进YOLOv5s的捞渣机异常状态检测方法。该方法主要是在YOLOv5s网络的基础上,引入ShuffleNet替换原有的主干网络,通过减少网络参数来实现网络的轻量化;同时在ShuffleNet中加入改进的卷积注意力模块,通过串联空间和通道注意力机制,对捞渣机刮板目标特征给予更多的关注;引入加权双向特征金字塔BiFPN和边框回归损失SIoU函数获取特征信息更为有效的特征图提升目标检测精度。研究结果表明,改进后的模型参数量显著减少,模型体积减小了15.2%,平均精确率均值mAP提升了2.2%,检测时间下降了58.0%。在确保检测准确率的同时,实现了对捞渣机异常状态的实时准确检测。     

轻量化YOLOv5s网络车底危险物识别算法

针对现有车底危险物检测模型结构复杂、参数量大、不易部署于端侧的问题，提出轻量化SG-YOLOv5s网络模型.对YOLOv5s网络的骨干和颈部进行优化改进，显著降低网络的参数量，大幅缩小模型的权重体积；在训练阶段采用Mixup数据增强，提高模型的泛化能力；采用SIoU替换边框回归损失函数CIoU，使危险物预测框更接近真实框，提高检测精度.鉴于车底危险物数据集较少的现状，利用智能小车拍摄大量车底碎片化图像，采用AutoStitch算法进行图像拼接，最终获得自建车底图像数据集.实验结果表明：在自建的9种模拟车底危险物数据集上，SG-YOLOv5s模型识别精确率为97.63%，相较于原YOLOv5s模型提升了1.26%，而参数量减少了71.27%，模型权重体积下降了71.28%，为后续识别模型的嵌入式部署提供了可能.     

基于改进AlexNet卷积神经网络的手写体数字识别

为了提高手写体数字的识别率,在AlexNet网络模型的基础上进行改进,引入Inception-resnet模块替换模型中的Conv3和Conv4来提升模型的特征提取能力;使用批归一化处理（BN）方法加快网络的收敛速度,防止过拟合;减少卷积核的数量,提升网络的训练速度。在MNIST数据集上进行训练与测试,实验结果表明改进的网络模型具有较高的检测精度,达到了0.9966,证明了本算法的有效性。     

基于YOLOv4模型的工件快速识别方法改进研究

为强化智能制造场景中机器人对工件的快速识别性能,从改进 YOLOv4 模型入手作了方法优 化研究。 首先,利用 Ghost 模块优化主干提取网络,以减少网络参数,提高网络检测速度;其次,引入 DRConv 卷积优化特征提取网络,以弥补对主干网络进行优化所造成的精度损失;最后,引入 GAM 注意力模块,以强化在光线不足条件下的适应性。 通过对 YOLOv4 模型的改进,在保证较高识别精 度和检测速度的同时,使模型规模得以简化,使工件快速识别网络趋于轻量化。     

基于改进YOLOv7的安全帽佩戴检测算法

为提高工作场所安全帽佩戴的检测精度,提出一种基于YOLOv7网络架构的改进算法。首先,在特征提取网络中引入卷积块注意力机制(CBAM)取代YOLOv7中主干网络部分原有的卷积模块(CBS),增强网络的特征提取能力,加强网络对目标和背景的分辨能力;其次,为解决由于网络层数的加深导致小目标特征减弱甚至消失的问题,增加一个小目标层,通过将浅层网络特征与深层网络特征融合,进一步保留小目标特征。实验结果表明,原YOLOv7对安全帽佩戴检测的均值平均精度为86.1%,改进后到达93.4%,实现了检测精度的提高。     

基于改进YOLOv5的工程场景行人检测方法

针对复杂工程场景常用的行人检测方法(尤其在小目标检测方面)精度低、复杂度高的问题，提出一种基于YOLOv5网络的改进识别方法。在骨干网络与颈部网络引入ECA注意力机制，提升模型对通道特征的关注度以抑制背景噪声；使用加权双向特征金字塔结构BIFPN对颈部网络进行修改，加强模型对不同尺度特征融合；使用Ghost模块替换骨干网络与颈部网络的部分卷积，减少模型参数、缩小体积。结果表明：提出的改进模型检测精度达到了88.4%,同时，模型的复杂度(参数量与模型大小)仅为13.5×10⁶与6.67 MB;与目前主流的深度学习方法相比，该算法在检测精度与复杂度上具有更好的性能，在复杂的场景下具有较好的识别效果。