摘要：高速公路广告牌人工巡检的作业方式危险系数高、效率低下,研发智能化巡检平台已然成为当下迫切的需求.针对上述问题,该文开展了如下工作:(1)自主构建了一份高速公路广告牌影像数据集,含多源图像数据2 200张;(2)提出了一种改进的yolov5s高速公路广告牌实时目标检测算法,该方法将骨干特征提取网络的CsP1-x结构替换为更轻量的PP-LCNet网络,以实现模型的轻量化;将特征图金字塔的特征融合层由原来的PA-Net网络替换为AsFF自适应空间特征融合网络,使颈部网络能对不同层级的特征自适应地融合,在空间上过滤冲突信息以抑制梯度反向传播时的不一致性,以解决高速巡检带来的目标尺寸变化剧烈以及运动模糊等导致的检测精度偏低的问题.基于自建数据集训练与其他主流算法开展对比实验,证明了该算法在检测精度和速度上的优势;通过开展消融实验,验证了该文所采用的两种改进方法对模型性能提升的有效性.

摘要：无人机视角下的航拍图像车辆检测任务存在场景复杂容易误检漏检,小尺度目标多的问题,兼顾车辆检测实时性要求,基于轻量高效的yolov5s网络提出一种改进网络。首先引入轻量化特征增强表示模块,特征增强表示模块基于特征内容在更大的感受野聚合上下文信息,降低了网络的误检率与漏检率;然后根据车辆目标的尺度分布,重新设计特征融合网络,使用特征增强表示模块进一步提取有利于小目标检测的更高分辨率的特征图,同时裁剪无效检测分支;最后使用Kmeans++算法聚类anchor,得到更优的锚框参数。改进后的网络均值平均检测精度(mAP)达到67.3%,相比yolov5s网络提升了5.5%,参数量减少20.4%,速度达81FPs。网络保持了yolov5s网络的轻量高效,得到了优于yolov5s的检测精度,能够实现更准确的实时车辆检测。

摘要：针对车检站中车辆检测的实际需求,提出一种改进yolov5s的轻量级车脸检测算法。使用shuffleNetV2网络作为Backbone,在保证模型检测精度的同时实现模型的轻量化与实时性;将通道-空间注意力(sA-Net)与跨通道注意力(Triplet)相结合,提出一种跨通道-空间注意力模块(sA-Triplet attention, sTA),提高模型的检测精度;提出一种基于sTA注意力模块的跨层特征融合模块(sA-Triplet attention feature fusion, sTA-FF),进一步提高模型的检测精度。在自建车脸检测数据集Car-Data上进行实验,所提模型的平均检测精度达到了94.3%,检测速度达到了105.60 FPs,模型参数量为12.36 M。

摘要：汉服做为一种穿着时尚,深受年轻人的喜爱,但现代汉服的风格信息却难以被许多汉服爱好者准确辨识。在yolov5s模型的基础上,插入Repvgg模块的同时,引入sE注意力机制来提高模型的网络特征提取能力;使用sIoU_Loss优化损失函数提升边界框定位精度,从而达到实时检测汉服风格的目的。结果表明:该算法明显改善多项评价指标,整体精确率达到92.4%,召回率达到91.6%,平均精度均值达到91.8%,单张图像推理时间仅需15.0 ms。该方法能够快速准确地辨识汉服风格,帮助人们了解现代汉服的风格特征,为中华优秀传统文化的传承发展提供技术支持。

摘要：针对当前船舶检测模型复杂度高、对设备资源要求较高等问题,提出一种基于yolov5s的船舶目标检测算法sRE-yolov5s.该算法使用shuffleNetV2轻量级网络替换yolov5s原始特征提取主干网络降低模型复杂度,并使用感受野模块(Receptive Field Block,RFB)增强算法特征处理能力,考虑到Complete IoU(CIoU)损失函数会影响模型收敛速度,采用Efficient IoU(EIoU)损失函数进行优化.通过对sRE-yolov5s算法进行训练和验证,结果表明:sRE-yolov5s在轻量化的同时保证了检测精度,与其他主流轻量化检测模型相比,sRE-yolov5s具有更好的检测性能.此外,根据船舶可视化检测结果可知,sRE-yolov5s模型在实际场景中具有较大的应用潜力.

摘要：针对目前连铸坯表面缺陷检测方法存在检测准确率和效率低的问题,提出了一种基于改进yolov5s的连铸坯表面缺陷检测系统。首先,基于CycleGAN的域迁移能力和冷轧样本集实现铸坯复杂背景的简单化。其次,利用Ghost网络和GhostBottleneck重新构建yolov5s的特征提取骨架以达到轻量化网络结构提高检测速度的目的。最后,在yolov5s颈部模块中嵌入sE注意力机制以提升缺陷关键信息捕捉能力,从而提高检测准确率。实验结果表明,改进yolov5s在铸坯表面图像数据集上mAP指标达到93.6%,相较于原始的yolov5s,mAP指标提升了2.9%,计算量降低了2.5 FLOPs。能够满足铸坯表面缺陷检测系统的实时要求及准确率指标,并且降低了部署所需的计算资源。

摘要：针对当前yolov5s目标检测网络复杂、参数多、部署所需配置高,难以在嵌入式平台上获得优质识别结果的问题,设计了一种轻量化目标检测算法yolov5s_GCB。算法使用GhostNet作为主干特征提取网络,充分发挥其计算量少、特征图不冗余的优势,从而降低算法的复杂度,提高检测速度;引入CA(coordinate attention)注意力机制,将空间坐标信息与注意力图有效整合,有助于网络快速提取有用特征,进一步增强算法的特征提取能力;借助双向特征金字塔网络(Bi-FPN)结构代替原始算法的路径聚合网络(path aggregation network)结构,对多个尺度的特征进行融合,以此构建新轻量化网络模型yolov5s_GCB。与原始算法相比,改进后的算法在保持目标检测精确的同时精简了模型参数,降低了运行yolov5算法所需的硬件要求。在VOC2007数据集中,yolov5s_GCB算法的平均准确率(mAP)达到75.2%,模型体积为10.6 MB,浮点计算量11.3GFLOPs(giga floating-point operations per second),与原始算法相比,参数量降低了30%,权重模型减少了20%。实验结果表明:yolov5s_GCB算法在保证检测精确度的同时实现了模型的轻量化,为其在性能较弱的嵌入式平台上的部署与应用提供了一定的理论依据。

摘要：为提升在资源受限情况下的嵌入式平台上卷积神经网络(Convolutional Neural Network,CNN)目标识别的资源利用率和能效,提出了一种适用于yolov5s目标识别网络的现场可编程门阵列(Field Programmable Gate Array,FPGA)共享计算单元的并行卷积加速结构,该结构通过共享35;3卷积和15;1卷积的计算单元提高了加速器硬件资源利用率。此外,还利用卷积层BN(Batch Normalization)层融合、模型量化、循环分块以及双缓冲等策略,提高系统计算效率并减少硬件资源开销。实验结果表明,加速器在200 MHz的工作频率下,实现的卷积计算峰值性能可达97.7 GOPs(Giga Operations per second),其yolov5s网络的平均计算性可达78.34 GOPs,与其他FPGA加速器方案相比在DsP效率、能耗比以及整体性能等方面具有一定的提升。

摘要：针对红外图像分辨率低、背景复杂、目标细节特征缺失等问题,提出了一种基于yolov5s的改进实时红外小目标检测模型Infrared-yolov5s。在特征提取阶段,采用sPD-Conv进行下采样,将特征图切分为特征子图并按通道拼接,避免了多尺度特征提取过程中下采样导致的特征丢失情况,设计了一种基于空洞卷积的改进空间金字塔池化模块,通过对具有不同感受野的特征进行融合来提高特征提取能力;在特征融合阶段,引入由深到浅的注意力模块,将深层特征语义特征嵌入到浅层空间特征中,增强浅层特征的表达能力;在预测阶段,裁减了网络中针对大目标检测的特征提取层、融合层及预测层,降低模型大小的同时提高了实时性。首先通过消融实验验证了提出各模块的有效性,实验结果表明,改进模型在sIRsT数据集上平均精度均值达到了95.4%,较原始yolov5s提高了2.3%,且模型大小降低了72.9%,仅为4.5 M,在Nvidia Xavier上推理速度达到28 f/s,利于实际的部署和应用。在Infrared-PV数据集上的迁移实验进一步验证了改进算法的有效性。提出的改进模型在提高红外图像小目标检测性能的同时,能够满足实时性要求,因而适用于红外图像小目标实时检测任务。

摘要：为了快速准确地检测出小目标生物(海参、扇贝、海星和海胆)在复杂水下环境的位置及所属种类,提出一种基于改进yolov5s的小目标生物检测算法。在特征提取阶段,引入基于多头自注意力设计的自注意力残差模块,强化网络全局建模能力的同时,强化目标特征信息;在特征融合阶段,将特征融合网络调整为添加横向连接的双向特征金字塔结构,增强网络融合不同阶段特征信息的能力;在检测阶段,舍弃大目标检测尺度并添加小目标的检测尺度,提升小目标生物的检测精度;最后,引入α–CIo U损失函数作为模型边界框回归损失函数,提高边界框回归精度,进而提高算法检测准确率。定性试验中,几乎所有肉眼可见的水产品目标都被改进模型检出,并正确标记,体现了改进算法的有效性。α值选取试验中,α值为2.0时效果最佳,平均精度均值(mAP)均优于其他值的,达到0.857,较α值为1.0时的提升了0.016。消融试验中,添加任一优化方法均会提升改进模型的检测精度,最终改进模型的m AP达0.873,较原模型的提升了0.032,模型参数量减少了26.8%,仅有5 M。对比试验中,改进模型的m AP较Faster RCNN、yolov3、yolov4、yolov5s、yolovX、ssD、NAs–FCOs、改进yolov5等的提升了0.020以上;改进模型在本地服务器的检测速度达139帧/s,较yolov5s的提升了14帧/s,略逊于以检测速度著称的ssD模型的。可见,改进模型能满足轻量和实时性要求。改进模型也成功部署到安卓移动设备中。