摘要：针对制动器零件装配过程中零件易混淆、有错装漏装风险等问题,设计了一种基于yolov5s算法的制动器防错装检测方法。在制动器零件装配过程中,通过摄像头监测装配画面,提取视频帧图片输送给检测系统,运用yolov5s算法识别图片中的零件,实时检测所装配零件类别,将检测信息储存并判断装配流程是否正确。根据生产线实验结果可知,该检测系统可以有效检测出零件装配顺序,检测错装漏装问题,起到防错装效果,降低装配失误率。

摘要：针对目前并条环节人工检测棉网杂质速度缓慢、检测精度低和主观随机性大等问题,提出一种基于改进yolov5s算法的并条棉网杂质检测方法。首先设计了一套离线图像采集系统连续采集并条棉网图像,并建立包含杂质的并条棉网图像数据集;然后在C3模块中引入RFE感受野增强模块,通过更广阔的感受野来增强微小杂质的特征。同时添加sE注意力机制,学习多尺度的通道依赖关系,强化对微小杂质的特征提取能力,提升算法检测效果。结果表明:与yolov5s算法相比,改进算法的精确率、召回率和mAP@0.5分别提升了3.9个百分点、2.3个百分点和3.8个百分点。该研究为自动识别并条棉网杂质提供了有效方案。

摘要：蚕桑是中国的传统文化。在现有的蚕茧加工过程中对于人工的依赖比例仍旧很高。随着人工智能不断发展,基于深度学习的蚕茧的分割、定位及分类应用水平不断提升。针对目前选茧技术人工依懒性强的特点,设计了一种基于深度学习的蚕茧检测系统。以yolov5s模型为基础,对于上茧、双宫茧、黄斑茧、薄皮茧等进行有效识别。通过蚕茧模型匹配,将原先设定好的检测标签优先的结果显示出来,解决原先设备检测只能检测一面的弊端。可以更好地减少人工选茧的误判情况,提高检测的正确率和检测效率。

摘要：楼梯区域作为一种典型的环境目标,无论是可以自主爬楼梯的机器人系统,还是可以提醒视力障碍者注意障碍物的软件系统,都需要有检测识别楼梯的功能。为了帮助他们在周围环境中导航,设计了一种基于yolov5s的楼梯图像检测算法。首先采用Labelme对楼梯数据集进行图片标注,对标注文件进行格式转化;其次搭建yolov5s网络模型训练环境,修改预训练模型配置文件,然后启动模型权重数据迁移训练,并输出最优模型参数;最后加载测试数据集对训练最优模型算法进行效果测试,算法均能识别出上下楼梯图像,并通过与其他目标检测算法对比测试,其具有更高的识别准确率。结果表明,该算法检测平均精度达到80.3%,泛化能力强,将该算法用于上下楼梯区域检测方法是可行的,可以为机器人对楼梯的自动检测识别提供一些参考,也可以为视障者提供有效帮助,市场应用前景良好。

摘要：针对车载毫米波雷达距离-方位图像细节模糊、目标占比小,卷积神经网络模型复杂难以在端侧部署的问题,本文提出了一种基于轻量化卷积神经网络yolov5s的车载雷达图像目标识别方法。首先结合Ghost卷积设计轻量化解耦头,并行处理检测与分类问题;其次设计融合注意力机制的Concat_att模块并引入更具边界框定位敏感性的网络损失函数EIoU Loss,充分提取特征图中小目标细节信息,加速网络收敛,提升网络精度;最后通过slim剪枝进一步压缩模型存储空间和计算量。实验结果表明,当模型大小缩减至原始yolov5s网络的76.8%时,mAP@0.5与mAP@0.5:0.95较原始网络分别提升了2.7%和2.8%,适用于小目标检测,并能同时满足目标识别精度与实时性要求,适合部署至车载嵌入式系统中。

摘要：针对常规车牌识别算法难以进行不同长度的车牌字符识别以及运算量较大的问题,设计一种改进的轻量化yolov5s+CRNN算法以实现车牌识别。首先,对yolov5s模型进行轻量级设计优化,采用PP-LCNet网络来取代yolov5s的原始骨干网络,同时在Neck部分引入轻量级卷积结构DWConv以及一次性聚合VoV-GsCsP模块。实验结果显示,改进后的模型与原模型相比,在mAP值几乎不变的前提下,参数量降低了50.99%,而检测速度提升了27.92%。然后引入轻量级卷积结构GsConv对CRNN进行轻量化优化。优化实验结果显示,改进后的模型与原模型相比,参数量降低了约48%,平均单张图像的检测时间大约为30 ms,比原算法提升约32%。最后将改进的模型进行组合,改进后的yolov5s+CRNN模型平均精度均值(mAP)达到了77.6%,比改进前提升了约0.6%,字符识别的准确度降低了约0.44%,并且参数量降低了50.7%,检测速度达到了142 f/s,获得了良好的车牌识别效果。

摘要：针对现有的路面病害检测算法在复杂环境下检测精度低、模型复杂度高的问题,在yolov5基础上,提出了一种融合可变形卷积的轻量级路面病害检测算法(lightweight deformable convolution yolov5,LDC-yolov5)。首先,针对真实路面病害复杂不规整的特点,使用可变形卷积(Deformable Conv)和深度卷积(Depthwise Conv),设计了一种轻量级特征提取模块,代替原网络主干部分的C3模块,使卷积核聚焦在无规则裂缝病害上,增强病害特征提取能力。其次,针对特征融合阶段出现算法复杂度过高的问题,使用轻量级卷积GhostConv,构建一种轻量级特征融合模块,代替原网络颈部网络部分的C3模块,降低网络参数和复杂度;为避免真实路面出现光照不均,出现阴影遮挡路面病害目标而造成的病害漏检的情况,在主干网络部分,引入轻量级注意力机制TripletAttention,增强算法对病害信息上下文之间的理解能力。最后在IEEE公开数据集RDD2022和Kaggle公开数据集Road Damage上进行测试,实验结果表明,与yolov5s相比,mAP50在两个数据集上分别提升了1.4%和4.2%,且模型参数量仅为yolov5s的67.6%。

摘要：随着城市化进程的不断加速,垃圾问题已经成为影响城市环境和居民生活质量的重要因素。为实现有效准确的垃圾分类检测,设计了yolov5s_CC模型。在骨干网络中加入CoordinateAttention注意力机制,通过关注特征图的空间信息和通道信息,可以帮助模型更好地捕捉到重要的特征。同时将Neck颈部结构的卷积方式更换为CoordConv,添加两个坐标通道,从而使其具备空间感知能力。将WIoU作为边框损失函数,通过考虑预测框和真实框之间的区域来对IoU进行加权,提升预测框的准确率。为验证算法的可行性,将数据集传入改进yolov5s_CC网络进行训练。结果表明,yolov5s_CC模型相较于原始的yolov5s模型mAP50提升3.5个百分点,FPs值为146,在高速识别图像的同时保证了识别的精度。

摘要：针对康乃馨自动化标准扦插作业需求,解决现有人工扦插模式劳动强度大的问题,该研究设计了一种抓取-扦插一体化作业的扦插机器人系统。以康乃馨生根用插穗为对象,根据插穗物料特性参数和高产栽培农艺要求,提出辅助栽植式末端执行器作业方式和抓插协同运动规划模型,基于yolov5s深度学习网络构建多目标插穗检测模型,建立扦插机器人运动学模型,提出基于MD-H(modified denavit-hartenberg)规则的逆运动学建模方法和时间最优轨迹规划算法。仿真结果表明,改进后的逆解算法和轨迹规划算法的运行时间与常规算法相比分别降低了38.3%和72.5%。搭建扦插机器人试验台,进行定位误差及整机性能试验。试验结果表明,抓取作业时X、Y方向的平均定位误差分别为2.33和2.38 mm;扦插作业时X、Y、Z方向的平均定位误差分别为2.21、2.25和2.05 mm;机器人单株平均作业总时间为14.787 s,其中识别抓取平均工作周期为6.803 s,占作业总时间的46.01%,扦插作业的平均工作时间为5.104 s,占作业总时间的34.52%;插深合格率为88%,扦插直立度为92%,漏插率和根部损伤率分别为5%和2%,基本满足自动化标准扦插作业要求。研究结果可为温室标准化扦插设备的研发与应用提供参考。

摘要：为了实现对电力输电线路中绝缘子缺陷实时快速的巡检需求,提出了一种结合FasterNet-tiny和yolov5-s-v6.1网络模型改进的缺陷快速检测算法FasterNet-yolov5。首先引入参数量小推理速度更快的FasterNet网络替换原先的CsPDarkNet53主干网络,加快网络的检测速度。然后结合由GhostNetv2网络提出的解耦全连接注意力机制(decoupled fully connected,DFC),在主干特征提取网络中设计了DFC-FasterNet模块,模块中的DFC Attention机制可以在特征提取过程中增大感受野,提升网络的检测精度。最后针对玻璃绝缘子自爆缺陷目标较小和背景较复杂的情况,重新设计Neck模块,提出BiFPN-F特征融合模块,使网络更精确地定位绝缘子缺陷区域。实验结果表明:改进后的算法可以快速精准定位,其均值平均精度(mean average precision,mAP)达到93.3%,相较于改进前提升5.67%,检测速度达到45.7 Hz,较改进前提升近1倍。同时与最新的yolov8n和yolov7-tiny相比,改进后的FasterNet-yolov5在自爆缺陷上的检测精度和速度更具优势,该文所提算法能够更快速地对绝缘子及其自爆缺陷实时定位识别。