摘要：目前森林火灾多发,建立日常监测尤为重要,但是边缘智能检测设备算力和内存较低,限制了检测模型的推理和部署。针对以上问题,提出一种改进的重参数化yolov5s的森林火灾检测算法,结合重参数化、通道重排和深度可分离卷积(Depthwise separable Convolution,DsC)等轻量化思想分别设计新的骨干和颈部网络,增强特征提取能力,提高模型检测精度,使参数量和推理权重较大幅度减少。为避免颈部网络的信息丢失,根据空洞卷积提出特征增强模块,增强多尺度特征融合能力。为进一步提高模型性能,加入轻量化的CA注意力机制,更准确定位目标。当前公开的火焰烟雾数据集存在针对性不强的问题,为了更好地提高模型的检测效率,制作了一个新的森林火灾数据集,在数据集上利用结构相似性算法剔除了相似度过高的图片,保证了模型的泛化能力。实验结果表明,改进后的重参数化yolov5s以原网络约76%的参数量提高了4.0%的精确度,推理权重下降至10.5 MB,更适合于设备性能差、容量小的边缘设备,提高了森林火灾巡检的效率。

摘要：墙面裂缝如果不及时发现和处理,会引发一系列的安全问题,如墙体脱落、渗水等,进而会给人们的生命财产安全带来威胁。传统的检测方法难以实现精准定位,为此研究基于yolov5s算法并对其网络结构进行优化,以提高其计算能力和鲁棒性,最终对墙面裂缝检测系统进行优化设计。经实验验证,结果可知研究设计的多目标改进yolov5s算法可以对不同类型的墙面裂缝进行准确分类,其中对纵向裂缝的预测精度为97.2%,对横向裂缝的预测精度值为98.8%,对网状裂缝的预测精度值为96.4%。综上可知,优化设计的裂缝检测系统可以准确区分不同类型的裂缝,有利于提高墙面施工中的效率并降低检测和维修成本。

摘要：蝴蝶对周围环境敏感,能作为反应生态环境的指示物种,因此对其进行识别研究对研究生态稳定性具有重大意义。但蝴蝶分类细致,相似度高,传统识别方法效率低。为解决上述问题,本文以野外蝴蝶图像的种类自动识别为目标,提出了一种基于yolov5s的改进的目标检测方法。为了减少信息丢失,提高精度,在yolov5s的主干特征提取网络上设计了CsandGlass模块来代替残差模块;并加入了sE注意力机制和对损失函数进行改进。实验结果表明,改进后模型平均精度为92.6%,相比原模型平均精度提升2%,且具有较强的鲁棒性和稳定性,可满足自然环境下的蝴蝶种类识别需求。

摘要：针对跌倒检测任务中复杂信息干扰和数据集缺乏导致模型精度不高的问题,设计一种高精度跌倒检测算法,降低模型参数的同时保持各种场景下的鲁棒性。该算法基于yolov5s改进,在骨干网络中使用Ghost module和解耦全连接注意力,以较低计算开销提升模型在光线变化、遮挡等干扰环境下的性能。在颈部层使用自适应感受野和空间通道混合注意力,提升神经元对不同尺度特征的适应性,应对人体形变、视角变化等干扰。引入EIoU损失函数,加速收敛提升训练精度。在公开数据集Le2i Fall Detection Dataset和UR Fall Detection上,精确率、召回率、mAP0.5和mAP(0.5:0.95)相比yolov5s分别提高4.0%,4.2%,2.9%和4.3%,参数量降低38.6%。该算法在多种应用场景下都保持较高检测精度,参数量较低,满足实际应用场景部署要求。

摘要：人脸检测是驾驶员驾驶行为检测和驾驶疲劳检测的首要前提,而实时检测效率和检测精度则直接影响最终的判别效果,同时轻量化设计也更有助于后期在嵌入式设备上的计划部署;为此,基于yolov5s设计了一种轻量化的驾驶员人脸检测算法。首先采用shufflenetv2作为特征提取主干,降低网络的参数量和计算复杂度;然后引入AsFF实现不同层间的人脸信息融合,并结合sIoULoss提升模型训练速度和检测精度。结果表明,该检测算法的性能和轻量化程度均得到了有效的提升,节省了硬件成本,满足设计要求。

摘要：针对纺织生产中布匹瑕疵检测高精度、实时性的需求,提出了一种基于改进yolov5s的轻量化布匹瑕疵检测算法(GhostNet-CBAM-Partial convolution-yolov5s,GCP-yolov5s)。该算法首先引入GhostNet中的GhostConv模块,对原主干网络进行优化重构,大幅减少网络参数;其次,在主干特征提取网络中加入CBAM(Convolutional block attention module)注意力机制,增加网络的特征提取能力;最后,设计了基于Partial convolution的改进C3模块(C3-Partial convolution,C3-P),在降低模型参数量的同时提高特征融合能力。在自建布匹瑕疵数据集上进行了对比测试,结果表明:与基准模型yolov5s相比,GCP-yolov5s的参数量降低了41.6%,计算量降低了43.1%,检测速度提高了12 FPs,检测精度提升了1.7%。GCP-yolov5s算法在保证模型轻量化的同时具有较高的检测精度,可以满足布匹瑕疵检测的高精度和实时性要求。

摘要：针对目前地铁列车车顶部件检查主要依靠人工,劳动强度大、漏检率高等问题,提出了一种基于yolov5s模型的地铁列车车顶关键部件检测算法。考虑现场算力不足的实际情况,对yolov5s模型进行轻量化设计,将yolov5s模型Backbone中的C3模块替换为Ghost_C3模块,并改用Ghost卷积取代yolov5s模型中的传统卷积,从而降低模型复杂度和计算量;为补偿轻量化设计带来的模型性能降低的损失,在Ghost_C3模块中引入CA注意力机制,加强对关键部件的特征感知,从而提升模型精度。实验结果表明,改进的yolov5s模型每秒传输帧数为102.04 f/s,mAP为97.98%,Pars为4.47 MB,FLOPs为10.2 GB,相比于原有yolov5s模型,mAP提升1.36%,Pars减少33.98%且FLOPs减少36.65%,所提算法能够为后续的地铁列车车顶关键部件服役状态辨识提供技术支撑。

摘要：精密零件广泛应用于国防、医疗器械、航空航天、电子等产业,是实现“中国制造2025”宏伟蓝图的基础部件之一。然而,在精密零件的加工过程中,零件表面不可避免地会出现裂痕、点蚀表面、划痕等缺陷,导致零件质量和精度下降,进一步地影响设备性能和使用寿命。因此,零件表面缺陷的有效检测至关重要。为解决金属表面小目标缺陷漏检误检、精确度低的问题,文章设计了一种用于金属零件缺陷检测的改进yolov5s模型。首先,针对零件表面缺陷成像多为条纹状或点状特征、类型相对简单的特点,设计了一种轻量化的GhostC3模块,使用更少的参数,通过减少计算量生成特征图;其次,结合点蚀表面、轧制氧化皮等类型缺陷尺寸普遍偏小且分布不均匀的特点,设计一种基于双向特征金字塔网络BiFPN的Concat_BiFPN模块,充分利用BiFPN对不同尺度特征的融合能力,提高小目标检测的精度和稳定性;最后,充分利用sIoU(spatial Intersection over Union loss)惩罚函数同时考虑目标形状、空间关系的特点,更好地捕捉不同尺寸的目标在图像中的位置关系,从而提高目标位置的精确性。在NEU-DET数据集上的消融实验和对比实验表明,该方法在参数量大幅降低的情况下获得了更高的多类别平均精度。

摘要：草莓种植易受到20多种病害的影响,目前草莓病害识别主要以人工为主,耗时费力,效率较低。因此,文章基于YO-LOv5s目标检测算法(YOLO You Only Look Once:Unified,Real-Time Object Detection),对采集到的696张草莓病害图片进行模型训练,设计草莓病害识别系统,实验结果显示系统识别精度接近80%,相较于传统草莓病害识别技术更便捷且识别效率更高。

摘要：为实现对口罩佩戴检测的实时检测,提高检测效率,加强口罩佩戴检测在工业生产、医疗卫生等领域的应用,文章提出了基于yolov5s模型优化的口罩佩戴检测算法,通过对自适应缩放功能和网络层数的改进,在一定程度上提升了检测速度,实现了图片检测、视频检测、实时检测的功能的可视化,多场景多目标实时检测功能。