应用于绝缘子缺陷检测的轻量化YOLOv4研究

针对YOLOv4主干网络庞大、参数量多,应用于绝缘子缺陷检测中无法满足实时性要求的问题,提出一种轻量化的YOLOv4检测模型。首先,引入含ECA集成组件的GhostNet作为特征提取网络,保证特征提取能力的同时大幅减少模型参数,加快模型推理速度。其次,使用K-means++聚类算法确定出初始锚框尺寸,以适应绝缘子缺陷大小,提升缺陷定位精度。最后,在交叉熵损失函数的基础上引入Quality Focal Loss改进损失函数,进一步提升模型检测性能。实验结果表明,改进后的轻量化YOLOv4与原始YOLOv4相比,模型大小压缩至原来的62.47%,每秒帧率提升了68.83%,绝缘子缺陷检测的准确率提升了1.07%,在显著提升检测速度的同时保证了算法检测精度,且在小目标和复杂背景下表现突出。     

基于YOLOv5的草莓轻量化网络检测模型

随着现代农业技术的发展,草莓生产和采摘的自动化是一个必然的趋势,而草莓目标检测是实现采摘自动化的关键环节。基于YOLOv5目标检测算法,采用ShuffleNet轻量级网络结构替代原模型的特征提取网络,并在骨干网络提取的特征图后加入SE通道方向的注意力机制,结合EIoU和Alpha-IoU损失函数,设计了一个α-EIoU损失函数,给定参数α的值为3,统一指数化IoU损失函数,据此获得更准确的边界框回归和目标检测。改进的模型在草莓小目标数据集上平均检测精度均值达到了97.6%,其中成熟草莓的准确率为99.4%,与YOLOv3、YOLOv4和YOLOv5相比,平均精度均值(mAP)分别提高了5.4%、2.9%和1.1%,该模型识别图像传输帧率为125 fps,比原YOLOv5模型提升了38 fps,该实验模型更适应于移动端部署,为草莓采摘识别的自动化提供了一些理论基础。     

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值（mean Average Precision,mAP）达到96.88%,单张图片检测时间不超过50毫秒,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。     

基于YOLOv5的轻量化交通标志检测方法

针对目前交通标志检测算法存在网络复杂度高、计算量大、边缘端部署难度高。提出一种基于YOLOv5的轻量化交通标志目标检测算法。通过增加注意力机制,使用CBAM和CA融合的方式,强化检测模型抗干扰能力;通过FPGM剪枝,对模型进行了压缩,降低计算量、提高推理速度;通过软硬件融合设计,实现YOLOv5s模型与硬件融合,形成一整套完整的移动智能交通标志目标检测系统;结果表明,增加多种注意力机制后,模型精度提高了2.8%。在极限剪枝的情况下,模型仅有0.54 MB。在Jetson Nano(20 W)的环境下,检测速度达21帧/s,满足实时的交通标志检测。     

基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。     

基于改进YOLOv5的轻量化绝缘子缺陷检测算法

无人机巡检已经成为当下输电线路巡检的主流方式,绝缘子缺陷的检测是无人机巡检中的重要环节。因此,提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先,使用轻量型的Ghost卷积代替普通卷积;然后,使用重复加权BiFPN（双向特征金字塔网络）替换原特征提取网络,提高网络对不同尺度的特征提取能力;最后,引入CA（坐标注意力机制）提高了主干特征提取效率。实验结果表明,绝缘子检测的平均精度值提升了1.7个百分点,模型大小减少了13.1%,改进后的算法模型在提升检测精度的同时更加轻量化,可实现绝缘子缺陷的快速检测。     

基于YOLOv3的轻量化口罩佩戴检测算法

当前疫情防控形势严峻,在人群密集场所进行实时快速的口罩佩戴检测可以有效降低病毒传播的风险。针对目前人工检测效率低的问题,提出一种基于YOLOv3的轻量化口罩佩戴检测算法。使用ShuffleNetv2替换原来的主干特征提取网络,降低网络参数量,减少计算功耗。提出将SKNet注意力机制引入到特征融合网络部分,增强不同尺度的特征提取能力;使用CIoU作为边界框回归损失函数,进一步提高检测精度。在构建的人脸口罩检测数据集上实验表明,与原YOLOv3相比,本文所提算法在保持较高检测精度的情况下,检测速度提高了34FPS,有效地实现了准确快速的口罩佩戴检测,与其他主流目标检测算法相比,该算法也具有更好的检测效果。     

基于改进YOLOv8n的轻量化茶叶嫩芽检测方法

为解决自然环境下茶叶嫩芽检测场景复杂,模型参数量大无法在嵌入式设备部署等问题,提出一种基于改进YOLOv8n的轻量化茶叶嫩芽检测方法。构建一种MFBNet轻量化骨干网络,引入MBConv模块后大大减少了模型计算量。同时在骨干网中加入CBAM注意力模块,抑制无效信息,提高了模型检测精度;其次引入AKConv模块对VoVGSCSPC结构进行改进,提出全新的AVCStem模块,并将其替换颈部网络的C2f模块,进一步减少模型参数,提升嵌入式设备部署效率;最后采用GSConv模块替换颈部网络结构中的全部Conv模块,帮助模型进行快速计算,提高茶叶嫩芽的检测速率。结果表明,本文提出的模型比YOLOv8n原模型的mAP50和FPS分别提升了3.5%、55.6%,参数量减少了14.3%,且模型鲁棒性强,满足复杂场景下茶叶嫩芽的轻量化快速检测。     

基于EfficientNet的轻量化行人检测算法

针对当前行人检测过程中存在速度慢、精确率不高以及高复杂度运算的问题,提出一种兼顾轻量化与检测精确率的卷积神经网络算法(ECG-YOLO)。该算法采用EfficientNetv2与坐标注意力(coordinate attention, CA)模块重新设计主干网络,提升网络的检测速度及精度。设计参数量和计算量更小的GhostConv模块以降低特征通道融合过程中的计算量。加入自适应Gamma校正算法减少复杂场景下光照等因素的影响。改进后的算法在NVIDIA TX2开发板上测试,检测精度达91%以上,较原算法提高了1.7%,参数量和计算量分别为原算法的40.8%和36.3%,具有较好的检测精度与实时性。     

基于改进YOLOv4的轻量化目标检测算法

为解决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图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。     

基于YOLOv5s的轻量化可回收饮料瓶颜色识别

针对不同颜色的可回收饮料瓶回收价值不同,进而需要解决颜色识别分选问题,提出一种基于YOLOv5s的轻量化模型并配合DELTA并联机器人分选设备进行智能识别分选。模型减少了原Backbone中C3数量,并使用1×1的卷积核代替了C3和Conv模块部分3×3的卷积核,采用GhostConv替代传统Conv, CIOU损失增加了检测框尺度、长和宽的损失,提高了矩形框回归效果,选择CIOU Loss作为bounding box的损失函数,通过对其他传统模型对比实验,验证了模型的有效性。结果表明,参数量和计算量相较原模型分别减少了33.80%和36.84%,对回收饮料瓶颜色的识别时间达到了0.008 s,识别图片速度125张/s,识别精度达到了97%。较传统模型,改进YOLOv5s模型识别准确率更高,识别速度更快。     

基于YOLOv5的遥感图像舰船的检测方法

利用遥感图像对海面上舰船进行监控已成为目前研究的热点,为了解决传统舰船检测需人工选择特征、耗时耗力、原始YOLO算法对密集分布小目标检测精度不高的缺陷,提出了一种基于YOLOv5的遥感图像舰船检测方法,使用Kaggle平台提供的遥感数据集,在Pytorch框架上训练,损失函数设计为CIOU_LOSS,目标框的选择使用D...     

基于YOLOv5的安全帽智能检测

安全帽作为防止人员头部受到伤害的防护用品,在进入电厂等高危场所时,要求必须佩戴。在实际工作中,不佩戴安全帽进入作业现场的情况时有发生。为解决这一问题,提出了一种基于安全帽的智能化检测技术。该技术使用YOLOv5算法对数据进行训练,并采用YOLOv5系列中网络深度和宽度最小的YOLOv5s模型。试验结果表明,在自采数据集中训练并检测,平均精度达95.4%,能够满足电厂等高危场所对人员不按规定佩戴安全帽的实时监测要求。     

改进MobileViT与YOLOv4的轻量化车辆检测网络

基于深度学习的目标检测算法在智能交通的应用中，对于车辆检测存在模型参数量大、计算速度慢和简单网络精准度较低的问题。本文提出了一种高效的轻量化车辆检测模型，该检测模型采用YOLOv4网络作为参考模型进行改进。首先，本文采用CSPMobileViT网络来替换原始主干网络，然后将PANet替换成BiFPN,并且将BiFPN中的3×3标准卷积替换成深度可分离卷积，最后，在BiFPN之前和YOLO-Head之前添加ECA模块。在损失函数部分，将边框回归损失CIoU改进为Focal EIoU来解决难易样本不平衡的问题。实验结果表明改进网络的mAP值为96.77%,检测速度达到每张图片0.023 4 s,模型大小只有32.76 MB,参数量为8 587 541,与原始算法相比mAP提升了1.54%,而模型大小和参数量仅约为原始模型1/8,并且FPS提升了7.5,改进算法具有更好检测效果。     

基于改进YOLOv5算法的鸟巢检测方法

深度学习技术的快速发展推动了电力智能安防的自动化进程.电力场景中用于高压电力塔和接触网搭建的复杂钢结构往往成为铁路沿线鸟类筑巢之所,给电力系统安全运行带来了隐患.因此,使用深度学习技术及时发现并清理鸟巢具有重要的实际意义.提出了一种基于改进YOLOv5的鸟巢检测方法,该方法在YOLOv5基础上考虑了鸟巢本身所独有的黑色属性和错综复杂的纹理特性,采用注意力机制强化鸟巢检测过程中对上述特征的学习.同时,根据电力场景中采集的实际鸟巢数据对该方法开展的验证性实验取得了良好的检测效果,算法检测性能达到88.6％,相比其他经典检测算法高1.5％以上.     

基于YOLOv5的砂纸表面缺陷检测方法研究

针对目前工业生产过程中存在砂纸表面缺陷人工质量检测精度低和检测效率低问题,提出一种基于YOLOv5网络模型融合CA注意力机制的砂纸表面缺陷自动检测方法。首先对砂纸生产过程中的砂纸表面图像进行采样,将收集到的砂纸表面缺陷图像分成脱砂、堆砂、划痕和褶皱4种缺陷类型来制作砂纸表面缺陷数据集;其次将YOLOv5主干网络中的C3模块与CA注意力机制结合,改进为CAC3模块;最后将改进前后的网络模型在自建砂纸表面缺陷数据集上进行训练和验证。实验结果表明：得到改进后的YOLOv5+CAC3网络模型,其P、R、mAP@0.5、mAP@0.5：0.95和S的数值分别为96.2%,92.9%,95.8%,65.0%,16.8 ms,相比于改进前的YOLOv5网络模型分别提高了1.1%、2.2%、0.6%、1.7%、4.5 ms。该方法在砂纸表面缺陷检测中精度高、速度快、检测稳定,符合砂纸生产过程中砂纸表面缺陷检测的要求。     

基于ARM平台目标检测的轻量化方法

为了解决基于深度学习的目标检测算法庞大的计算量和内存占用,导致在ARM平台的边端设备上部署难度大的问题。本文提出一种基于ARM平台目标检测的轻量化方法,首次将网络中的批标准化层缩放因子和卷积层卷积核参数同时添加约束,稀疏训练后将其作为通道重要性判断的两个准则,将不重要的通道双准则剪枝;针对剪枝效果较差的层结合CBAM注意力设计轻量化结构替换;再对结构替换后的模型重新训练得到最终模型。在单目标检测和多目标检测场景,分别对改进的YOLOv5n和YOLOv5s实验,结果表明该方法在ARM设备上均优于常规轻量化方法。在人物检测场景中,对YOLOv5n优化后的模型大小仅有0.68 MB,在ARM设备上单核CPU部署时检测速度达到45 fps,完全满足实时性要求,大幅度降低边端设备部署难度和硬件成本。     

基于改进YOLOv5的PCB缺陷检测方法

印刷电路板作为电子产品不可或缺的重要组成部分,其市场需求量与日俱增,因此制造无缺陷的PCB具有重要意义;针对PCB缺陷检测中待检测的缺陷目标较小且多数检测目标与背景容易混淆导致的误检漏检,改进的算法在原生YOLOv5算法的骨干网络中引入坐标注意力机制,在颈部网络中引入Transformer Encoder并增加一个适用于小目标的高分辨率检测头,并且将选定锚框的交并比算法部分改为更先进的E-IoU。相较于原生YOLOv5算法,根据算法评价指标精确率,召回率和平均检测精度均值的结果,改进后的算法性能有显著提升,其中平均检测精度均值更是高达98.46%,且检测速度也达到了72.4 Hz,可以满足工业现场对PCB缺陷检测的精度要求。     

基于改进YOLOv5m的轻量化车脸检测方法

为解决车检站车辆检测中需要对车辆前照灯快速准确定位,同时防止车辆代检的问题,建立了一个车脸检测数据集Car-Data。针对车检站场景中车辆检测问题,提出了一种基于YOLOv5m的轻量化车脸检测方法。首先,将原网络的卷积块替换为改进型跨阶段深度可分离卷积块,以减少网络整体的参数量和计算量。其次,提出增强感受野的空间金字塔扩张卷积模块代替YOLOv5m的主干提取网络中的空间金字塔池化模块,从而提升网络的目标检测精度。最后,在颈部特征增强网络中修改上采样方法,并提出上下层特征融合模块,以减少特征信息的损失。在Car-Data数据集上进行的实验结果表明,改进后的算法相较于原YOLOv5m模型大小减少了48%,每秒检测帧数提高了约10帧,且平均检测精度仍提升了2.02%。因此该改进算法可以满足车检站车辆检测场景中车脸检测的需求。     

基于改进YOLOv5的飞机蒙皮表面缺陷检测方法

飞机蒙皮表面缺陷会影响飞机的气动特性,严重的甚至会影响飞行安全。针对飞机蒙皮表面缺陷检测精度不高的问题,提出一种基于改进YOLOv5的缺陷检测方法,对裂纹、腐蚀、划痕和撞击等4类缺陷进行检测。该方法首先对采集的飞机蒙皮表面缺陷数据集利用平均结构相似性(MSSIM)方法剔除相似性图像;接着,在YOLOv5的Backbone部分融入卷积块注意力模块(CBAM);最后,在Neck部分使用移动窗口转换模块(STB)替换CSP＿2模块。实验结果表明,改进后的方法检测性能较好,准确率、召回率和平均精度分别达到88.29%、87.13%和92.88%,比YOLOv5s高出3.28%、3.04%和2.77%,为飞机蒙皮表面缺陷检测提供技术参考。