摘要：为应对常见交通标志检测方法在光照条件不佳、捕获远距离小目标、复杂背景等情况下检测精度及模型计算效率不足的问题,提出一种改进的yolov5s算法,命名为BMGE-yolov5s。所提方法将yolov5s的原始骨干网络替换为BoTNet (bottleneck Transformer network),设计轻量化网络C3GBneckv2,引入GhostNetv2 bottleneck和高效的通道注意力机制,显著增强模型对交通标志的特征提取能力并降低参数量。为进一步提高对边界框的定位精度,采用MPDIoU损失函数进行优化。实验结果表明,改进后的网络模型在交并比阈值为0.5时的平均精度均值为93.1%,在同一数据集下相较基准模型提升3.3百分点,浮点运算数比基准模型减少9.375%,参数量减少~26.03%,检测速度提升~67.40%。所提算法有效平衡了鲁棒性和实时性,相比传统方法具有明显的性能优势。

摘要：为提高外脚手架安全管理的质量和效率,基于图像识别技术提出一种改进yolov5s的外脚手架隐患识别方法。首先,为解决背景信息过多造成的识别精度下降问题,在主干网络嵌入设计卷积注意模块(CBAM),获取隐患的各种细节特征;其次,改进原算法颈部特征融合模块为加权双向特征金字塔网络(BiFPN)结构,有效处理外脚手架隐患目标尺寸分布不均衡造成的多尺度特征不平衡问题;然后,使用边界框损失函数斯库拉交并比(sIoU)Loss替换原损失函数;最后,通过消融试验分析改进模块对模型性能的影响,并与其他算法进行对比分析,验证隐患识别效果。结果表明:改进后的网络实现均值平均精度(mAP@05:095)评分提升513%,召回率提升345%,对多尺度、多目标及复杂背景下的外脚手架隐患具有良好的识别效果。

摘要：针对复杂场景下口罩佩戴检测算法存在小目标检测精度低和漏检率高的问题,提出一种基于改进yolov5s的口罩佩戴检测模型。融合倒置自适应注意力模块IAAM(inverted adaptive attention module),缓解连续下采样导致的信息丢失问题,同时增强网络的特征融合能力;为了平衡多尺度检测层接收到的有效信息量,设计了通道特征分组模块CFGM(channel feature grouping module),提高了小目标检测精度;结合实际场景中的数据特征,使用EIoU Loss损失函数并取消数据增强中的色彩空间变换。实验结果表明,改进后的模型在检测精度、推理速度和小目标检测能力等方面均有提升,能够完成复杂场景下实时口罩佩戴检测任务。

摘要：提出一种基于改进yolov5s的森林火灾烟雾检测算法。构建包含16573幅图片的火焰烟雾数据集,解决训练数据不足的问题,提高训练模型的泛化能力。设计一种轻量化的GC-C3模块替换原有的C3模块,减少模型参数量和计算量;将加权双向特征金字塔网络结构融合到Neck结构中,增强网络对于中小目标的检测能力;修改网络空间金字塔池化结构,使用simsPPF结构替换sPPF,提高了网络的计算效率和检测准确度;将边界框回归损失函数CIOU替换为Focal-EIOU,加快模型的收敛速度,解决正负样本不匹配的问题。实验结果表明:改进之后的网络平均检测准确度提高2.3%,模型参数数量下降46.7%,模型计算量下降47.5%。

摘要：【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于Android的苹果树皮病害识别APP以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病3种病害的图片数据,经扩增和标注后按照8∶2比例进行训练集和测试集的划分。使用yolov5s算法训练苹果树皮病害识别网络模型,对训练得到的轻量级网络模型进行Android端部署,并设计相应APP界面,实现对轮纹病、腐烂病、干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在88.7%,召回率稳定在85.8%,平均精度值稳定在87.2%。其中腐烂病准确率为93.5%,干腐病准确率为88.2%,轮纹病准确率为84.3%。将其在Android端部署后,每张病害图片处理时间均小于1 s,检测置信度为87.954%。该轻量级识别系统不仅实现了3种病害的快速检测,也保证了较高的识别精度。【结论】yolov5s网络权重模型小,能够轻松实现Android端的部署,且基于yolov5s设计的APP操作简单、检测精度高、识别速度快,可以有效辅助果园精准管理。

摘要：针对过去无人机搭载嵌入式设备巡检森林火灾精确率低、适应性差和软硬件限制高等问题,提出一种基于yolov5s的轻量化森林火灾目标检测算法。通过将yolov5s的骨干网络替换为轻量化网络shufflenetv2,并以通道重组的思想,让骨干网络对图片信息的提取效率变得更快,在保持网络精度的同时保证检测速度;接着在Backbone与Neck的连接处加入为轻量化网络设计的CA位置注意力模块,可将图片不同的位置信息聚合到通道中,使被检对象关注度得以提高;最后在预测部分使用CIOU损失函数,能够更好的优化矩形框的长宽比和更快加速模型收敛。算法部署在嵌入式系统Jetson Xavier NX上的结果显示,改进后的网络模型大小与对比实验方法相比,最多减少了98%,准确率(Precision)达到92.6%,精确率(AP)达到95.3%,帧率(FPs)提升到132帧每秒,能满足在白天、黑夜或视野良好等情况下对森林火灾的实时性预防与检测,并具有良好的准确率和鲁棒性。

摘要：[目的]针对遥感图像舰船目标检测任务中轻量化和快速推理的需求,提出一种基于改进yolov5s的轻量化遥感舰船目标检测算法LR-YOLO。[方法]首先,主干网络采用shuffleNet v2 Block堆叠方式,有效减少算法的参数量并提高计算速度;其次,设计区域选择模块Filter,选择感兴趣的区域,更充分地提取有效特征;最后,引入圆形光滑标签计算角度损失,对遥感舰船目标进行旋转检测,并采用可变形卷积,以此来适应几何形变,提升检测效果。[结果]在HRsC2016舰船数据集上的实验结果表明,该算法的检测精度达到92.90%,提高1.3%,并且算法参数量仅为基线模型的39.33%。[结论]该算法实现了轻量化和检测准确率的平衡,为轻量化遥感舰船目标检测提供了参考。

摘要：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。

摘要：为了解决航拍图像中车辆小目标检测困难的问题,提出一种改进的yolov5s航拍车辆检测算法。首先,将未利用的浅层特征信息与其他深层特征信息进一步融合,组成用于小目标检测的新检测层,提高小目标的检测能力;其次,结合sPD模块重新设计CsP模块构成sPD-CsP模块,代替原有网络的下采样操作,减少特征提取时小目标有效信息的损失;最后,将通道注意力机制ECA模块引入到Backbone部分中,通过自适应地调整不同特征通道的权重系数,使得网络更加关注特征图中的关键信息,减少无关信息的干扰。实验结果表明:提出的算法在VisDrone数据集上,与yolov5s网络相比,均值平均精度P_(mAP 0.5)提高了6.4%,检测速度FPs达到65帧/s,能实时、精确地对航拍车辆进行检测。

摘要：轨枕作为固定钢轨和扣件的重要轨道零部件之一,由于长期承受钢轨传来的各种作用力,其端部易出现掉块,造成轨道机械结构稳定性下降,故轨枕掉块缺陷检测对保证列车正常运行起到重要作用。针对轨枕掉块缺陷检测方法存在精度较低和缺陷样本少的问题,提出一种计及少样本的yolov5s轨枕掉块小目标缺陷检测方法。首先,采用Copy-Pasting数据增强方法增加轨枕图像中掉块小目标数量,解决缺陷样本少的问题;其次,通过降低网络下采样倍数和删除大尺度检测层的方式改进yolov5s模型的多尺度检测层,提高轨枕掉块缺陷检测精度和速度;然后,将锚框之间的平均交并比作为距离量度改进K-means聚类算法,并使用遗传算法优化,重新匹配适合轨枕掉块缺陷检测的锚框;最后,使用跨尺度连接结构和双向特征加权融合模块改进yolov5s的特征融合结构,增强特征融合能力。实验结果表明,与原模型相比较,改进后的yolov5s模型平均精度达到94.1%,提高2.3%,检测速度达到93.3 fps,提高26.6 fps,能够准确且快速地识别轨枕掉块小目标缺陷。