摘要：针对yolov5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的yolov5农作物害虫识别模型(yolov5-GRNS)。设计了融入GRN注意力机制的编码器(convolution three,C3)模块,提高对密集目标的识别精度;利用形状交并比(shape intersection over union,SIoU)损失函数提高模型收敛速度和识别精度;在公开数据集IP102(insect pests 102)的基础上,筛选出危害陕西省主要农作物的8种害虫类型,构建了新数据集IP8-CW(insect pests eight for corn and wheat)。改进后的模型在新IP8-CW和完整的IP102两种数据集上进行了全面验证。对于IP8-CW,全类别平均准确率(mean average precision,mAP)mAP@.5和mAP@.5:.95分别达到了72.3%和47.0%。该研究还对yolov5-GRNS模型进行了类激活图分析,不仅从识别精度,而且从可解释性的角度,验证了对农作物害虫、尤其是密集目标的优秀识别效果。此外,模型还兼具参数量少、运算量低的优势,具有良好的嵌入式设备应用前景。

摘要：针对同时存在多种小目标、大长宽比目标缺陷的锂电池极片复杂表面,基于可变形卷积和yolov5提出DDCNet-YOLO算法模型.在主干网络部分构建出可变形下采样卷积主干网络(DDCNet),在特征融合部分引入上下文增强模块(CAM),并使用构造的可变形卷积块(DCB)替换C3模块,在检测头部分设计带有注意力机制的解耦头AD-Head.提出RIoU方法优化不同长宽比目标的损失计算.实验表明,DDCNet-YOLO模型相较于yolov5s及yolov5m模型在mAP50上分别提高了6.2个百分点和3.7个百分点.仅通过DDCNet和注意力机制解耦头构建了DDCNet-YOLOs轻量化模型,与yolov5s模型相比,参数量减少7.2个百分点,mAP50∶95提升8.9个百分点.对2种模型通过C++的方式进行了部署.本研究所提出的2种算法模型分别侧重于精度和轻量化,都能够在满足一定实际检测速度的条件下,达到较高的检测精度.

摘要：针对采用分类方法进行分心驾驶检测存在只能识别有限分心驾驶行为类别以及忽视时间信息的问题,提出了基于改进yolov5的驾驶员分心驾驶检测方法。首先,在yolov5的基础上引入Ghost模块,采用线性变换代替部分常规卷积进行特征提取以轻量化网络模型,实现快速又准确地检测图像中手机、水杯、驾驶员双眼和头部区域;其次,在获取目标检测结果的基础上,结合头部姿态估计设计逻辑算法并融入yolov5中,从认知分心和视觉分心两个角度检测每帧图像中驾驶员是否存在分心驾驶,避免了分类方法受限分心驾驶类别数的问题,再设置适当的时间阈值,从而实现端到端实时的分心驾驶预警;最后,对采集的18名驾驶员的驾驶行为数据集进行对比试验,验证了本文方法的可行性和有效性。

摘要：多模态医学图像可在同一病灶处提供更多语义信息,针对跨模态语义相关性未充分考虑和模型复杂度过高的问题,该文提出基于跨模态轻量级yolov5(CL-yolov5)的肺部肿瘤检测模型。首先,提出学习正电子发射型断层显像(PET)、计算机断层扫描(CT)和PET/CT不同模态语义信息的3分支网络;然后,设计跨模态交互式增强块充分学习多模态语义相关性,余弦重加权计算Transformer高效学习全局特征关系,交互式增强网络提取病灶的能力;最后,提出双分支轻量块,激活函数簇(ACON)瓶颈结构降低参数同时增加网络深度和鲁棒性,另一分支为密集连接的递进重参卷积,特征传递达到最大化,递进空间交互高效地学习多模态特征。在肺部肿瘤PET/CT多模态数据集中,该文模型获得94.76%mAP最优性能和3238 s最高效率,以及0.81 M参数量,较yolov5s和EfficientDet-d0降低7.7倍和5.3倍,多模态对比实验中总体上优于现有的先进方法,消融实验和热力图可视化进一步验证。

摘要：为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题,设计实现了一种基于yolov5的改进目标检测算法,记为yolov5-GBCW.首先使用Ghost卷积对骨干网络进行重构,使得模型的复杂度有了显著降低;其次使用双向特征金字塔网络(BiFPN)加强特征融合,使得算法对小目标准确率提升;引入坐标注意力(Coordinate attention)模块,能够将注意力资源分配给关键区域,从而在复杂环境中降低背景的干扰;最后提出了Beta-WIoU作为边框损失函数,采用动态非单调聚焦机制并引入对锚框特征的计算,提升预测框的准确率,同时加速模型收敛.为了验证算法的可行性,以课题组收集的安全帽数据集为基础,选用了多种经典算法进行对比,并且进行了消融实验,探究各个改进模块的提升效果.实验结果表明:改进算法yolov5-GBCW相较于yolov5s算法,算法平均精确率(IOU=0.5)提升了5.8%,达到了94.5%,检测速度达到了124.6 FPS(每秒处理帧数),模型更加轻量化,在复杂环境、密集场景和小目标场景下检测能力提升显著,并且同时满足安全帽检测精度和实时性的要求,给复杂施工环境下安全帽检测提供了一种新的方法.

摘要：结合无人机和深度学习目标检测算法自动检测道路病害具有范围广、成本效益高等优势。然而,道路病害的形状和大小变化剧烈,很难完整检测它们。此外,受限于计算资源,通用的目标检测算法只适用于小尺寸影像(512像素5;512像素或640像素5;640像素),很难直接应用于大尺寸的无人机影像(5 472像素5;3 648像素或7 952像素5;5 304像素)。使用传统方法检测大尺寸影像中的多尺度目标会出现大尺寸目标切分、小尺寸目标漏检等问题。针对上述问题,本文提出了一种结合全局-局部多尺度融合策略和yolov5-RDD的创新解决方案。(1)构建了yolov5-RDD模型,在现有yolov5模型的基础上,设计多尺度C3(MSC3)模块和上下文特征金字塔网络(CFPN),增强了对多尺度目标的检测能力。(2)提出了一种全局-局部多尺度融合策略,利用下采样和切分手段获取大尺寸无人机影像的全局和局部信息,然后叠加全局和局部多尺度信息以获取整个大尺寸影像的多尺度信息,并采用中心非极大值抑制算法优化检测结果。(3)为验证所提方法的有效性,创建了一个专门用于无人机道路病害检测的UAV-RDD数据集。实验结果显示,与原始的yolov5模型相比,新模型yolov5-RDD在mAP上提升了5.8%,而全局-局部多尺度融合策略相比传统方法在mAP上提升了9.73%,充分证明了本文方法的有效性和优越性。

摘要：热斑会严重影响光伏组件发电效率,利用红外光图像检测热斑,难以同时实现树叶、鸟粪等小型异物遮挡的有效识别,及时发现和清理异物可以有效降低因受到持续遮挡而引起的热斑。为实现对热斑更加全面的识别和处理,基于无人机巡检可见光和红外光视频图像尺寸及检测任务特点,结合K-means++算法与IoU指标改进了yolov5的锚框设定方案以改善结果的随机性;可见光场景中,针对遮挡物体较小导致难以检测的问题,在yolov5s6的主干网络中嵌入坐标注意力机制(coordinate attention,CA),设计了遮挡小目标检测模型(CA-yolov5s6);红外光场景中,热斑区域较为明显,选择轻量化网络yolov5n作为其检测模型。实验结果显示:相较于yolov5s6,CA-yolov5s6的mAP提升了2.97个百分点,达到83.78%,Parameters减少了4.85;10^(5),达到1.185;10^(7),有效地提高了遮挡小目标的检测精度;yolov5n模型的mAP、FPS、Parameters分别为93.31%、83.3、1.765;10^(6),可以更好地满足红外图像热斑检测的任务需求。

摘要：目标建立一种新的基于全局-局部注意机制和yolov5的宫颈病变细胞检测模型(Trans-yolov5),为准确、高效地分析宫颈细胞学图像并做出诊断提供帮助。方法使用共含有7410张宫颈细胞学图像且均包含对应真实标签的公开数据集。采用结合了数据扩增方式与标签平滑等技巧的yolov5网络结构实现对宫颈病变细胞的多分类检测。在yolov5骨干网络引用CBT3以增强深层全局信息提取能力,设计ADH检测头提高检测头解耦后定位分支对纹理特征的结合能力,从而实现全局-局部注意机制的融合。结果实验结果表明Trans-yolov5优于目前最先进的方法。mAP和AR分别达到65.9%和53.3%,消融实验结果验证了Trans-yolov5各组成部分的有效性。结论本文发挥不同注意力机制分别在全局特征与局部特征提取能力的差异,提升yolov5对宫颈细胞图像中异常细胞的检测精度,展现了其在自动化辅助宫颈癌筛查工作量的巨大潜力。

摘要：针对使用yolov5模型检测路面裂缝未能充分考虑裂缝尺度差异大、目标小的特性以及与背景不易区分等因素导致检测精度低的问题,提出了一种基于改进yolov5的路面裂缝检测算法.首先,引入Swin Transformer模块到yolov5模型中,提升网络全局特征提取能力.其次,在主干网后增加膨胀卷积模块,旨在特征融合前提取主干网全局特征信息.最后,通过加入注意力机制模块来增强模型对检测目标的关注力并削弱背景干扰因素的影响.实验结果表明,改进yolov5模型在路面裂缝数据集中检测精度有较大提升,相比原模型平均精度均值提升了3.4个百分点,其中龟裂精度提升最明显,且检测裂缝的平均精度均值高于其他典型的一阶段目标检测算法,证明了改进yolov5模型的有效性.

摘要：无人机航拍图像中小目标实例多、尺寸变化剧烈且存在密集遮挡等问题,为解决现有目标检测算法难以检测到航拍图像中的小目标物体,提出了一种针对密集小目标的RDS-yolov5检测算法。在yolov5的三个检测层上新增一个小目标检测层,以保留更丰富的特征信息,增强网络对小目标特征的提取能力,并改善误检漏检情况;为了提高网络的多尺度特征表征能力以及抑制冲突的产生,设计了具有等级制的残差结构的多尺度特征提取模块C3Res2Block;使用解耦检测头Decoupled Head避免不同任务之间的差异所带来的预测偏差,提升了模型的定位精度和检测精度;采用软化非极大值抑制Soft NMS算法对候选框的置信度进行优化,提高模型对密集小目标的检测精度。通过VisDrone数据集的实验结果表明,与基准模型yolov5相比,RDS-yolov5在mAP0.5上提升了12.9个百分点,mAP0.5:0.95上提升了10.6个百分点,与目前主流的目标检测算法相比也取得更优的检测精度,能够有效完成无人机航拍图像的密集小目标检测任务。