摘要：针对内河环境下小型船舶目标检测精度较低,以及船舶目标检测易受近岸复杂背景信息影响的问题,基于yolov5s做出改进,提出sACAM-yolov5船舶目标检测算法。首先,引入上下文增强模块,利用空洞卷积特性,获取上下文信息,加强模型对小型船舶目标检测能力;其次,利用可切换空洞卷积特性,设计C3_sAC模块用于取代原主干网络中特定位置的C3模块,通过扩大主干网络提取特征图感受野,增强特征图所含信息,减少复杂背景的影响,从而提升网络特征提取能力;最后,改进损失函数,引入NWD且与CIoU_Loss共同作为新的边界框损失计算函数,降低小目标检测中位置偏差的影响,提升小型船舶目标检测性能。使用seaships船舶数据集对上述改进方法进行验证,结果表明,本文sACAM-yolov5算法相较基准模型,在精度、召回率和mAP@0.5上分别提升2.2%、2.0%和2.7%,分别达到98.6%、98.1%和99.5%,满足船舶目标检测性能要求,具有一定的工程实际意义。

摘要：为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-yolov5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GsConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于yolov5s,RDM-yolov5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。

摘要：针对当前水稻穴播机缺乏实时监测和自主调节机制,无法对播种状态进行实时修正的弊端,为进一步提升穴播机的核心性能指标,提出一种基于深度学习的水稻精量穴播排种系统。采用yolov5检测模型在自制水稻种粒数据集上进行特征训练,通过增加检测尺度和优化初始锚框参数增强算法模型对小目标颗粒对象的检测精度,将训练好的水稻种粒检测器与DeepsORT算法连接,实现对水稻种粒的追踪计数。机具控制端将检测模型输出结果与农艺指标进行对比,通过计算种粒数量偏差实时修正振送器送种速率,运用PID控制技术实时对排种状态进行自我调节,最终实现智能排种。研究结果显示,经过优化后的yolov5水稻种粒检测器准确率为98.6%,召回率为98.8%,平均精度为99.1%,相较于原版yolov5准确率上升了3.0百分点,召回率提升了3.6百分点,平均精度提升了3.2百分点;本设计水稻排种系统空穴率为1.33%,穴粒合格率为95.6%,符合水稻直播机国家标准,相较于未引入深度学习的样机空穴率下降了2.12百分点,穴粒合格率提升了8.73百分点。结果表明,本设计的水稻穴播排钟系统在检测性能和核心指标上均有提升,可以为传统农机与人工智能结合提供参考借鉴。

摘要：针对当前带钢表面缺陷检测领域,因终端检测设备计算资源受限,导致基于深度学习的网络模型在终端检测速度降低的问题,提出一种融合自适应下采样的带钢表面缺陷检测算法。首先构建自适应下采样模块(ADWO),通过引入权重系数实现网络对不同特征的关注,且分组卷积的结构设计降低模块的参数,从而实现提高网络对特征感知能力的同时降低网络复杂度;其次,结合context guided block构建CG-C3模块,通过联合局部和周围上下文信息来提升网络对缺陷特征的提取与整合能力;最后,为解决带钢表面微小缺陷难以检测的问题,在网络中引入RFB(Receptive Field Block)注意力机制,通过整合多尺度缺陷特征,提升网络的检测精度。实验结果表明,在NEU-DET数据集上,改进后的算法平均检测精度达到79.5%,较于原yolov5s网络提升2%且FPs提升了6帧/s,参数量降低39.9%,浮点运算量降低39.8%。通过消融实验和对比实验验证了各个改进模块的有效性和所提算法的优越性。

摘要：针对遥感目标检测精度不足,提出一种改进yolov5s遥感目标检测算法。主干网络采用CsP-D模块进行特征提取,充分利用深层和浅层特征进行特征增强;颈部网络采用BiFPN结构进行特征融合,提高多尺度特征信息融合效率。实验结果表明,针对遥感目标数据集DIOR,改进yolov5s网络平均准确率均值(mAP)提升2.1%,不同目标类别平均准确率(AP)均有提升,缓解原网络检测存在的漏检误检问题,改进网络检测速度仍能满足实时性要求,具有更优的检测性能。

摘要：针对施工环境下普遍存在的环境杂乱、目标被遮挡、目标尺度范围大、正负样本不平衡、现有检测算法实时性不足等问题,提出一种面向复杂施工环境的实时目标检测算法YOLO-C。将提取到的低层特征与高层特征相融合,增强网络全局感知能力;设计小目标检测层,提高算法对不同尺度目标的检测精度;设计通道-空间注意力(CsA)模块,增强目标特征,抑制背景特征;在损失函数部分,采用VariFocal Loss计算分类损失,解决正负样本不平衡问题;GhostConv作为基本卷积块构建GCsP(Ghost Cross stage Partial)结构,降低参数量和计算量;针对复杂施工环境,构建混凝土施工现场目标检测数据集,在构建的数据集上与多个算法进行对比分析实验。实验结果表明,YOLO-C算法的检测精度更高,参数量更小,更适合复杂施工环境下的目标检测任务。

摘要：文中提出一种基于yolov5s的预制梁表面气泡缺陷检测算法.该算法在原模型的基础上引入CBAM注意力模块,增强通道间信息的关联性及兴趣特征的关注度;在颈部网络中用BiFPN加权双向金字塔结构,改进网络特征融合模块,实现快速的多尺度特征融合.在检出气泡缺陷后,提出基于面积和直径的两个评价指标对气泡进行分类.结果表明:改进模型具有更强的特征提取能力,平均检测精度(mAP)为95.8%,相对于原模型提高了2.3%,准确率提高了6.5%,召回率提高了3.5%,在气泡缺陷检测任务中有效减少了漏检和误检,具备更好的检测性能.

摘要：目的 针对试剂卡生产企业采用人工分选印刷缺陷的试剂卡存在效率低、成本高、易漏检的问题,提出一种基于深度神经网络yolov5s的改进试剂卡印刷缺陷检测算法yolov5s-EF。方法 通过图像预处理算法获得高质量的缺陷图像数据集,在yolov5s的主干特征提取网络中添加高效通道注意力(Efficient Channel Attention, ECA)机制,增强特征图中重要特征的表示能力;引入焦点损失函数(Focal Loss)来缓解正负样本不均衡的影响;结合印刷区域的定位结果,二次精确定位并构建方位特征向量,提出一种特征向量相似度匹配方法。结果 实验结果表明,本文提出的试剂卡印刷缺陷检测算法在测试集上的检测平均准确度可以达到97.3%,速度为22.6帧/s。结论 相较于其他网络模型,本文提出的方法可以实现对多种印刷缺陷的识别与定位,模型具有较好的检测速度和鲁棒性,有利于提高企业生产的智能化水平。

摘要：针对人工和传统自动化算法检测牵引座焊缝表面存在检测精度低、速度低的问题,提出一种轻量型的牵引座焊缝表面质量检测算法yolov5s-G2CW。首先,用GhostBottleneckV2模块替换yolov5s中的C3模块以降低模型的参数量;其次,在yolov5s模型的Neck部分引入CBAM(Convolutional Block Attention Module),在通道和空间两个维度上融合焊缝特征;然后将yolov5s的定位损失函数改进为Wise-IoU以聚焦普通质量锚框的预测回归;最后移除yolov5s模型中用于大物体检测的135;13特征层以进一步降低模型的参数量。实验结果表明,与yolov5s模型相比,yolov5s-G2CW的模型大小减小了53.9%,帧率提高了8.0%,平均精度均值(mAP)提高了0.8个百分点,能够满足牵引座焊缝表面质量检测的准确性和实时性要求。

摘要：为了提高茶叶机采的智能化水平,笔者设计了由支架、弧形采收刀、割刀丝杆升降板、4个滚轮、2个驱动电机、控制器与蓄电池组等组成的茶叶采摘机试验平台;以yolov5s 6.0作为基础模型,将主干网络替换为MobilenetV3网络,在算法检测层前引入CBAM注意力模块,同时引入轻量级通用上采样算子CARAFE代替最近邻插值法,并通过添加权衡函数,改进CIOU损失函数等,建立茶叶嫩芽图像采集的数学模型yolov5s+。随后,以不同高度(10、20、30、40、50 cm)和角度(15°、30°、45°、60°、75°、90°)拍照的茶叶嫩芽图片为样本,检测其对网络识别精度的影响,发现当图像采集距离茶树顶部20 cm、拍摄角度为45°时,识别模型的训练结果最优。采用此参数下拍摄的图片集进行消融试验,yolov5s+对茶叶嫩芽识别的平均精度均值和召回率分别为0.935、0.912,较yolov5s的分别提高了2.97%、2.82%。