摘要：为解决当前基于深度学习的森林火灾探测算法存在结构复杂、规模庞大,且难以兼顾检测精度和效率的问题,提出一种基于yolov5s的轻量化森林火灾探测算法。首先,采用优化的背景差分技术消除背景图像中类火物体的干扰,减少分析图像所需的时间;其次,设计分组混洗策略优化常规卷积,并在特征提取的C3模块中融入高效通道注意力(ECA)机制和深度可分离卷积,增强图像特征提取与融合能力的同时有效降低模型的参数量;然后,采用动态非单调聚焦机制优化Wise-交并比(WIOU)损失函数,减少低质量样本产生的有害梯度;最后,在构建的森林火灾数据集上将所提算法与其他算法做充分的试验对比。结果表明:所提算法在各类场景均展现出良好的泛化性,对火焰目标的检测精度达到86.1%,较标准yolov5s检测精度提升2.7%,检测速度提升11.4%,有效降低了火灾误报率,增强了模型的检测性能。

摘要：针对漂浮垃圾检测存在小目标特征丢失引起的漏检误检和模型过于复杂导致部署困难的问题,提出一种基于改进yolov5s的目标检测算法yolov5s-PBW。采用改进的PB-FPN特征融合结构,在不影响检测精度的情况下,降低模型的复杂度;引入双层路由注意力机制(BRA),关注关键信息,提高对小目标特征的提取能力;使用Wise-IoU边框损失函数,专注于训练普通质量的锚框,提高模型的泛化能力。实验结果表明,改进后的模型相比原始yolov5s算法,参数量减少了62%,权重文件减少了61%,mAP@0.5提高了1.2%,适合无人水面船的漂浮垃圾实时检测。

摘要：航拍图像中普遍存在目标尺寸微小、尺度多变以及背景繁杂等问题,从而导致YOLO系列算法的检测精度较低。为此,基于yolov5s提出YOLO-sC2算法。首先,在yolov5s的网络结构基础上添加细粒化卷积模块、融合基于Transformer架构的C3TR层,并采用C2F模块替换C3模块以增强目标特征信息提取能力;其次,通过替换Focal-EIoU损失函数,使用软非极大值抑制算法增强小目标检测准确性;最后,融合解耦合头,提高多目标下的检测精度。实验数据表明,在VisDrone2019公开数据集上进行实验,相较于原始模型,改进后的模型在P、mAP_0.5、mAP_0.5:0.95指标上分别实现了6.2%、8.2%和8.4%的提升。通过与其他算法对比,验证了该改进算法的有效性。

摘要：沙滩垃圾存在数量增多、人工清洁效率低和成本高等问题,当前许多基于视觉的垃圾检测与分类模型普遍存在小目标检测和特征提取方面的不足。为解决上述分类问题,结合深层卷积神经网络和目标检测算法,尝试将基于深度学习的图像分类算法用于沙滩垃圾识别。以yolov5s为基础模型,提出如下改进方案:针对检测精度问题,重新设计网络添加P2检测头,从而加强小目标的检测的能力,并且为了进一步提升网络提取特征的能力,引入CBAM注意力机制,嵌入在CNN卷积层之间。实验数据表明,所提识别模型在不同光照、角度、遮挡和距离等情况下,准确率为92%,相较于未改进的yolov5s准确率提高了4%,改进后的模型mAP值由0.849提高到0.898。

摘要：为提高绝缘子的检测精度,提出一种改进的yolov5s绝缘子检测算法。结合多尺度思想,设计一种新的注意力模块MECA,避免浅层信息丢失,提高识别精度;采用GsConv和VoV-GsCsP替换网络中的普通卷积和C3模块,使模型更加轻量化;利用simsPPF替换sPPF,并将simsPPF的ReLU函数替换成Mish函数,解决图片失真问题;最后对模型损失函数进行优化,解决了边框回归不准确问题。实验表明,该网络的平均精度均值(mAP)提高了2.1%,检测精度提高了0.8%,参数计算量减少了13.3%,取得不错的效果。

摘要：针对当前朱鹮检测算法模型参数较多、计算量大的问题,本文设计研究了一种基于yolov5s的高性能轻量化网络模型。首先,结合EfficientNet网络中的MBConvBlock对原主干网络进行重构,大幅降低网络参数;同时在浅层网络中采用stem模块,提升浅层网络的特征提取能力;然后改进卷积注意力模块(CBAM),即将其中的通道注意力替换为高效通道注意力模块(ECA),避免了降维操作,有效提取了邻近通道间的信息,且大幅降低了通道注意力的参数数量,并将其嵌入特征融合网络路径聚合网络(PANet)中,达到了引入微小参数数量而有效提升网络性能的目的,并将其命名为高效卷积注意力模块(ECBAM)。最后,在自建朱鹮数据集和公共数据集PAsCAL VOC、COCO上进行实验,实验结果表明,与yolov5s算法相比,本文算法模型参数数量降低了52.37%,计算次数降低了54.55%,在自建朱鹮数据集上P_(mAP)@0.5:0.95仅降低了约2个百分点,达到0.666,在公共数据集PAsCAL VOC上P_(mAP)@0.5达到0.792,在公共数据集COCO上P_(mAP)@0.5:0.95达到0.298,证明了本文算法可在大幅降低网络计算量的同时保持较高的目标检测性能。

摘要：生产安全是以人为本的智能制造基本要求,为满足智能车间工人不安全行为的实时性检测和边缘端部署需求,提出一种基于轻量化的yolov5s的工人不安全行为检测方法。首先,对yolov5s特征融合网络以及输出层进行删除;其次,对改进后网络训练得到的模型文件进行结构化剪枝;最后,使用知识蒸馏对剪枝后的网络模型进行微调。实验结果表明,改进后yolov5s算法的mAP@0.5高达97.8%,刷新率提升108%,所需算力下降了69.0%。所提出的yolov5s-2Detect网络及轻量化设计方案对智能车间工人不安全行为检测具有较高的精度,实时性与鲁棒性能够满足智能车间实际环境中工人不安全行为的检测需求。

摘要：隧道火灾快速感知可为隧道运营安全提供重要保障,并为隧道应急处置提供关键性决策信息。然而,现有的视频图像火灾烟雾检测方法在公路隧道复杂环境下存在准确性和时效性问题,并且缺乏基础视频图像数据。为此,通过开展实体公路隧道火灾试验,创建高清视频图像数据集,以真实隧道场景下模拟的火灾烟雾视频图像为研究对象,提出一种基于改进yolov5s的智能检测算法。在模型中,使用增强后的Mosaic方法对训练数据进行增强处理;引入Transformer Encoder模块增强网络全局特征提取的能力,改善较小烟雾目标特征提取较为困难的状况,以提升网络性能;利用最新的轻量级卷积方法GsConv替换掉部分卷积模块Conv,减少网络参数的同时保持网络性能,达到压缩网络目的;添加轻量级高效通道注意力模块ECA,通过局部跨通道交互策略缓解监控摄像机距目标较远与火灾初期烟雾漏检问题,在少参数量增加的情况下进一步提升网络性能;采用CIoU损失函数与siLU激活函数的组合使网络更快得到收敛。为验证所提算法的有效性,选用yolov3、yolov3-efficientnet、yolov5s、YOLOX、yolov7、yolov7-tiny、ssD七种目标检测算法进行对比分析。结果表明:在自建的公路隧道火灾烟雾数据集上,所提算法的检测精确度达到97.27%,mAP@0.5为97.85%。尽管在原网络基础上提升的幅度仅为1.83%和1.13%,但相较于其他7种对比算法,所提算法对远距离和火灾初期的小尺寸烟雾目标有更好的检测效果,明显改善了漏检情况。此外,算法的检测速度为86.2帧·s~(-1),能够满足隧道火灾检测的时效性要求,同时利用重庆真武山隧道火灾视频验证了算法的可靠性,研究结果可为实现隧道复杂环境下的火灾快速感知提供技术支持。

摘要：通过将双马赫-曾德尔干涉仪(DMZI)分布式光纤振动传感系统和四旋翼无人机(UAV)监测系统融合,设计了一种基于yolov5s模型的多类别光纤振动传感事件精准检测方案。首先,通过地面站QGroundcontrol将DMZI与UAV进行联动控制。其次,将二维振动信号时频谱与无人机捕捉的对应原始图像共同送入yolov5s卷积神经网络模型进行识别检测。最后,为验证所提精准检测方案的有效性和可行性,对5种常见的传感模式进行实际应用环境下的实验测试与分析。实验结果表明,所提出的精准定位检测方案对5种传感模式的平均精度均值(mAP)可达96.6%,并且其平均识别检测时间可控制在5 ms内。

摘要：交通标志识别应用中待检测目标多为小目标,因其携带信息少、定位精度要求高、易被环境噪声淹没等特点成为当前交通标志检测的难点.针对小目标交通标志漏检、误检、检测准确率低等问题,本文设计了一种用于小目标检测的sTDyolov5s(small target detection yolov5s)模型.首先,通过增加上采样和Prediction输出层数获得了更丰富的位置信息,解决了yolov5s模型在处理小目标时信息不足的问题,增强了对图像的全局理解能力;其次,在每个C3模块之后添加CA(Coordinate attention)注意力机制并在每个输出层前添加swin-T注意力机制模块,增加了网络对多层特征信息的捕捉,提高了小目标的检测性能;最后,充分利用sIoU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,提高目标位置的精确性.所提模型在TT100K数据集上进行了验证实验,实验结果表明本文方法不仅保持了yolov5s模型的轻量性和快速性,在精确率、召回率和平均精度三个指标上也有所提升,提高了小目标检测的精确性.