摘要：针对传统的森林火灾检测方法检测精度不佳、可靠性低等不足,提出一种基于yolov5s融合swin Transformer的火灾检测方法.为实现森林火灾的实时性检测,提出了yolov5s-swinT的改进识别方法.基于Transformer模型的应用,解决了卷积神经网络的运算局部性以及全局特征提取等不足.融合swin Transformer与yolov5s卷积神经网络模型,并将其应用于森林火灾检测的机器视觉任务中.引入α-IoU损失函数替换GIOU损失函数,并在骨干网络中融入CA注意力机制轻量模块,提升了整体网络的特征提取能力以及获取高质量和高精准度的定位图像区域,进行边界框生成及预测,改善小目标检测漏检及检测精度差等问题.实验结果表明,融合yolov5s-swin T的改进识别方法在森林火灾检测任务中,可实现mAP值达到74.2%,相比yolov5s提高了4.5%,并设计了GUI界面直接部署到PC端实现实时火灾检测需求,为森林火灾检测视觉任务提供了一种有效的检测方法.

摘要：为了解决电动车驾乘人员头盔佩戴检测问题,提出了一种基于改进yolov5s模型的电动车头盔佩戴检测方法。该方法以yolov5s模型为基础,首先使用GhostBottleneck模块替换yolov5s中的卷积模块以减少参数量;其次设计了GhostCsP-Bottleneck来优化特征提取结构;最后在主干网络增加注意力机制提升检测精度。实验结果表明,改进后的模型平均准确率均值为84.2%,较yolov5s提升了1.3个百分点;模型参数量和体积分别压缩为原来的51.39%和47.95%,在小目标和密集目标场景下具有较好的泛化性;将模型移植到NVIDIA Jetson Xavier NX开发板上,检测速度达到28.2 FPs,满足检测的实时性和准确性要求。

摘要：【目的】针对无人机航拍图像中目标尺度多样、背景复杂、小目标密集的特点,提出了基于yolov5s的小目标检测算法LM-YOLO。【方法】首先,增加小目标检测头并采用K-DBsCAN聚类算法优化锚框,生成更适合小目标检测的锚框,提高算法对小目标的检测精度;然后,设计更高效的MobileNetV3-CBAM作为特征提取网络,减小网络模型大小;最后,在特征融合网络引入大核选择性注意力机制LsK,增加模型对相似目标的分辨率。【结果】在公开数据集VisDrone2019上的实验结果表明,与基准模型yolov5s相比,LM-YOLO对所有目标的平均检测精度提升了7.6%,模型大小压缩了45%。【结论】文章算法可以在降低模型大小的同时保持良好的检测精度。

摘要：针对无人机目标识别与追踪算法的系统设计,通过yolov5s目标检测算法与CsRT目标追踪算法,搭建了无人机基于视觉的目标识别追踪模型,提出了单目测距法快速实现目标测距,并结合鲁棒性强的PID控制算法对无人机进行高精度控制。实验结果表明,无人机总能保持在与追踪目标规定范围内,顺利实现目标追踪,证明此目标追踪算法具有可行性,且有较好的反应效率和追踪性能,为今后无人机目标检测与追踪算法的研究提供了一定的参考价值。

摘要：针对铝材表面缺陷种类多、背景干扰强且尺度变化多样,导致极易出现误检、漏检等问题,设计了一种改进yolov5s的铝材表面缺陷检测算法。首先在主干网络中引入CA注意力机制模块,弱化对无用信息的关注,强化了目标的定位能力,同时将边界框损失函数改为EIoU Loss,加强预测框的回归预测能力,并且还采用了双向特征金字塔网络(BiFPN)来进行特征融合。实验成果显示,经优化的yolov5s模型在APDDD铝材数据集上的平均精度均值(MAP)达到了83.7%,较原始的yolov5s模型有3.0%的增长,FPs值上也增加了4.433,检测精度和速度都得到了提升。

摘要：无人机自主降落是无人机领域研究的热点之一,导航信息在自主降落过程中又起到至关重要的作用,而视觉导航相较于传统导航方式可以提供更多环境信息,有利于提高无人机着陆安全性;当无人机飞行高度越高,机载相机捕获到的降落标识物就越小,为了提升无人机识别标识物的能力,基于yolov5s算法提出了一种改进的无人机实时小目标检测算法;首先,为了检测到更小尺度的目标在原算法基础上新增一个检测头;然后采用BiFPN代替原先PANet结构,提升不同尺度的检测效果;最后将EIoU Loss替换CIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高模型整体性能;将改进算法应用于无人机自主降落场景下的二维码降落标识检测,实验结果表明改进后的算法在小目标检测中相比于原始yolov5s算法的特征提取能力更强、检测精度更高,证明了改进算法的优越性。

摘要：随着科学技术的不断进步,人们所追求的生活质量也越来越高,城市的科技化水平在不断升高。电商,直播带货等行业的兴起,使物流行业得到了飞速发展,因此各种汽车数量每年都在大幅增加,这使得传统的车辆目标检测算法已经慢慢落后。近些年,基于Yolo算法的目标检测已经非常成熟,该文选取yolov5算法中的yolov5s模型,以大量的车辆图像为基础,验证算法模型精准度的同时分析算法的优势,结果显示,基于yolov5s的目标检测模型在检测车辆时平均准确率均值达到了92%,查准率和查全率分别为90%和82%,这使得yolov5s算法模型具有精确度高的特点,可以提高车辆检测的性能。

摘要：为了准确且实时地检测到交通标志指示牌,减少交通事故的发生和推动智慧交通的发展,针对现有的道路交通标志检测模型存在的精度不足、权重文件大、检测速度慢的问题,设计了一种基于计算机视觉技术的改进yolov5s检测算法yolov5s-GC.首先,使用copy-paste进行数据增强后再送入网络进行训练,加强对小目标的检测能力;然后,引入Ghost来构建网络,削减原网络的参数和计算量,实现轻量化模型;最后,将坐标注意力机制(coordinate attention)融合到骨干网络里,增强对待测目标的表示和定位能力,提高识别精度.实验结果表明,yolov5s-GC模型相比于原yolov5s模型,参数数目减少了12%,检测速度提高了22%,平均精度达到了94.2%,易于部署且能满足实际自动驾驶场景中对识别交通标志的速度和准确度要求.

摘要：针对驾驶员面部遮挡导致疲劳检测困难的问题,设计了一套基于yolov5s和Dlib的面部遮挡驾驶员疲劳检测预警系统。通过训练好的yolov5s模型判断驾驶员是否佩戴口罩,若检测到佩戴口罩,以眼部疲劳特征为主,头部疲劳特征为辅进行检测;如检测到未佩戴口罩,在眼部、头部疲劳特征的基础上加上嘴部疲劳特征进行检测。通过计算EAR、MAR、HPE数值以及设定的条件阈值来检测每分钟驾驶员眨眼次数、打哈欠次数、点头次数,最终综合判断驾驶员疲劳状态。仿真结果显示,此系统疲劳检测准确率较高,可以在驾驶员疲劳时给予及时的提醒。

摘要：为解决车辆密集、遮挡严重导致的目标检测算法误检、漏检等问题,提出一种基于改进YLOv5s的车辆检测算法。首先,基于C2f特征提取模块结构中卷积共享和多层次特征融合的思想,对原yolov5s中的特征提取模块进行改进,提高网络针对多尺度特征的提取能力;其次,引入一种考虑位置信息的轻量型特征选择模块,并设计4种不同引入方式的对比试验,探究该模块在面向车辆检测任务时对模型性能的影响;最后,利用OTA动态标签分配策略对原yolov5s的损失函数进行优化,提高正负样本分配的精准度。在经过筛选的UA-DETRAC车辆数据集上进行试验分析,结果表明,改进后的算法能够满足实时交通检测需求,以期为相关研究提供借鉴。