摘要：针对径赛人体目标识别中,在图像上重叠、粘连的运动员检测精度低,容易漏检并在多目标识别中检测速度较慢的情况,本文提出一种基于yolov5的径赛人体目标检测模型。首先,在专业场地拍摄运动员冲刺影像,对所有运动员与遮挡目标进行标注,制作成专用径赛识别数据集。其次,通过数据增强的手段,将数据集中运动员部分身体进行遮挡,获取大量的差异性增强数据,提高模型对遮挡目标识别度。最后,对yolov5网络进行优化,将网络中Leaky Relu激活函数与Hardswish激活函数全部改为Silu激活函数,简化了体系结构;改进nms非极大值抑制机制,增加模型对重叠目标的敏感度。实验结果表明,改进后的yolov5模型对重叠的人物有着更为精确的检测效果。模型平均精度mAP@0.5值为0.982,测试精度为0.969,单张图片处理的平均时间为0.012 s,目标检测速度达到83.3FPS。能够满足径赛检测的需求。

摘要：为了提升复杂多尺度目标检测任务下的分类及定位准确度,在基准的yolov5目标检测算法基础上,设计了四组引入注意力机制模块的改进型yolov5网络,并在变电站内复杂多尺度检测场景数据集上进行对比实验。实验结果表明,相较于基准yolov5网络,SwinTrans-yolov5网络的mAP指标提升达9.0%,但模型运算量高达1,061.6GFLOPS(每秒千兆次浮点运算);CA-yolov5网络的mAP指标提升也达到4.1%,模型运算量仅需115.8 GFLOPS。因此,在硬件算力充足的情况下使用SwinTrans-yolov5网络可以获得更高的检测精度,但在硬件算力不足的情况下使用CA-yolov5网络,则实现了检测精度和速度间较好的平衡。

摘要：目前多数视觉同步定位与建图(VSLAM)算法基于静态场景设计且未考虑场景中的动态物体,然而现实场景中存在的动态物体会造成视觉里程计的特征点误匹配,影响VSLAM系统定位与建图精度,降低其在实际应用中鲁棒性。针对室内动态环境,提出一种基于ORB-SLAM3主体框架的VSLAM算法(RDTS-SLAM)。利用改进的yolov5目标检测与语义分割网络对环境中的物体进行精准快速分割,同时将目标检测结果与局部光流法相结合准确识别动态物体,并对动态物体区域内的特征点进行剔除,仅使用静态特征点进行特征点匹配以及后续的定位与建图。在TUM RGB数据集和真实环境数据上的实验结果表明,相较于ORB-SLAM3和RDS-SLAM算法,RDTS-SLAM算法对于walking_rpy序列的轨迹估计均方根误差分别降低了95.38%和86.20%,可以显著提高VSLAM系统在动态环境中的鲁棒性和准确性。

摘要：针对雾霾天气下车牌识别存在的精确度低、漏检等问题,提出了一种基于深度学习的雾霾天气下的车牌号码识别方法。首先用AOD-Net算法对车辆图像进行去雾预处理。然后,基于yolov5网络设计一种车牌检测网络ACG_yolov5s。ACG_yolov5s是在yolov5s网络的基础上,融入CBAM注意力机制,提高模型的抗干扰能力;引入自适应特征融合网络ASFF,根据模型自适应学习到的权重赋予网络不同特征层不同比重的权值,从而突出重要特征信息;使用Ghost卷积模块替换传统卷积,在保证模型效果的同时减少了网络训练过程中的参数量。最后通过LPRNet对检测到的车牌图像进行识别。实验结果表明,改进后的ACG_yolov5s网络车牌检测准确率达到99.6%,LPRNet识别准确率达96%且内存占比小。实验证明AOD-Net算法和YOLO算法结合可更加有效地检测雾霾天气下车牌图像中的车牌号码。

摘要：当前在自然场景下对中国交通标志进行检测时通常存在检测精度和检测速度不平衡的问题,为此,提出一种基于yolov5的改进算法。首先根据ShuffleNet V2网络的设计理念,提出改进型轻量化卷积块来代替yolov5中的卷积块,以减少网络整体的计算量和参数量;其次提出一个扩大感受野的轻量化模块ASPC来代替原网络中的空间金字塔池化模块SPP,从而降低网络计算量和参数量同时提升网络的检测精度;最后把颈部特征融合网络中的上采样模块替换为CARAFE上采样算子,并提出多尺度通道混洗注意力机制MCSA,将其添加在CARAFE算子之后,让网络融合全局与局部的特征信息,更有效地减少颈部特征融合网络对交通标志特征信息的丢失。在自制的中国多类交通标志数据集CMTSD上进行实验,结果表明,改进后的算法模型大小相较于原模型减少了41%,每秒检测帧数(FPS)提高了9.37,平均检测识别精度mAP@0.5提升了2.91%,达到94.76%。改进算法在不同的自然场景下均能达到较好的检测效果,可以满足实际场景中对交通标志检测的需求。

摘要：人脸口罩佩戴检测是公共场所疫情防控中极为重要的措施,智能、高效地检测口罩佩戴情况对实现疫情防控的自动化和数字化具有重要意义。使用卷积类深度神经网络实现端到端的人脸口罩佩戴检测具有可行性,但卷积类神经网络具有结构复杂、参数量和浮点计算量庞大的特点,从而产生较高的计算开销和内存需求,极大地限制了其在资源有限的终端设备上的应用。为了使人脸口罩佩戴监督功能更易获取,并实现多尺度条件下的模型压缩和加速检测,提出一种基于改进yolov5的轻量化增强网络模型。设计参数量和计算量更小的GhostBottleneckCSP和ShuffleConv模块并替换原yolov5网络中的C3及部分Conv模块,以降低特征通道融合过程中的计算量并增强特征表达能力。实验结果表明,该模型的识别精度达95%以上,模型在精度近乎无损失的前提下,参数量和计算量分别仅为原yolov5网络的34.24%和33.54%,且在GPU和CPU上的运行速度分别提升13.64%和28.25%,降低了模型对内存存储及计算能力的要求,更适用于在资源有限的移动端部署。

摘要：为解决医废包装袋破损检测任务中检测精度低、漏检率高的问题,提出一种改进yolov5方法用于医废包装袋的破损检测。将更浅层的特征与深层的特征进行融合,建立第四个目标检测层,提高医废包装袋小破损目标的检测准确率;在自制数据集上采用K-means聚类算法聚类出医废包装袋破损检测的先验框(anchorbox);引入融合空间注意力和通道注意力机制的卷积块注意模块(convolutional block attention module,CBAM),使网络聚焦于目标的有用特征而忽略无用特征。实验结果表明,改进的yolov5网络相较于原网络,平均检测精度由88.6%提升到94.1%,相较于SSD、yolov3以及Faster R-CNN等,改进的网络在医废包装袋破损检测任务中具有更高的检测精度以及更快的推理速度。

摘要：甘蔗茎节的快速准确识别对实现甘蔗田间作业和糖料产业精细化管理等任务具有重要意义,是田间产量测量的前提。为此,针对当前甘蔗人工测量成本高、人工参与量大和工作效率低等问题,设计了一种基于边缘计算的便携式甘蔗茎节智能识别系统。yolov5网络模型具有架构小、运行速度快等优势,通过对网络模型的进一步改进,使用K均值聚类方法调整锚框尺寸至最优,增强网络模型鲁棒性的同时也提高了茎节识别准确性;在卷积层后添加了CBAM注意力机制模块,使网络模型更加关注甘蔗茎节特征;引入VarifocalNet,使网络模型对于密集遮挡区域的甘蔗茎节有更好的识别效果。将改进后的算法移植入Jetson TX2嵌入式开发平台。试验结果表明:系统平均准确率(AP值)为89.89%,相比于之前的88.23%,提升了1.66%,单幅图像检测时间约为1.87s,视频检测速度可达15fps。系统可有效实现对甘蔗茎节的实时准确识别,为甘蔗田间产量测量提供了新的解决思路。

摘要：为实现自动检测电缆成品上的多个部件引起的产品缺陷,如部件次序错误、部件朝向错误等,设计了一种适用于嵌入式平台的电缆部件缺陷检测方法。该方法以yolov5目标检测神经网络作为基础,将其改造为Anchor-free网络使其在嵌入式设备有更快的运行速度,并使用迁移学习及数据增强的方式加快网络训练速度并增加精度。根据实验结果,将该方法应用于NVIDIA Jetson Nano平台,单张图片的平均检测时间仅需76 ms,缺陷检测准确率达99%以上,其中缺陷检出率为100%,可满足工业生产的需求。

摘要：在鱼类个体识别的实际应用场景中,由于水下环境噪声大、鱼体角度倾斜以及类内特征差异不明显,导致卷积神经网络特征提取能力低下,影响识别准确性。针对该问题,提出一种增强细节信息特征提取的鱼类个体识别算法(FishNetv1)。改进yolov5网络并建立损失函数,优化鱼类个体目标的检测结果。主干网络在MobileNet‐v1的基础上完成优化,改进深度卷积层,更新ReLU激活函数,使用Leaky ReLU保留负值特征信息,实现特征信息的获取。在网络结构末端全连接层前增加特征加权层,去除卷积神经网络中常用的池化层,完成图像细节信息的增强和特征提取。实验结果表明,所设计模型在DLOUFish数据集上的平均准确率为92.46%,最高准确率达到95.69%。