摘要：为提升沥青路面病害自动化识别的准确率,提出一种特征网络增强算法(YOLO-EH)。该网络包含一种可以与CBAM注意力机制进行结合的新型特征增强模块(FEM)以及一种可以对FPN添加反馈链接的新型逆向二次循环特征金字塔网络(RCFPN)。实验结果表明,与原yolov5算法相比,YOLO-EH对于同一批路段数据在平均病害识别准确率上提高了2.6个百分点,验证了其准确性与有效性。

摘要：针对现有多目标跟踪算法参数量和计算量大,难以满足移动设备实时性要求的问题,本文通过改进JDE跟踪算法,提出了一种道路车辆多目标跟踪算法。首先,设计关联融合网络来解决JDE算法中多任务学习存在的竞争问题,提高算法的跟踪精度,减少身份切换次数;其次,使用改进的EfficientNetv2重新构建yolov5的特征提取网络,降低模型复杂度,提高模型实时检测速度;最后,使用改进的yolov5检测算法与JDE跟踪算法结合,实现道路车辆多目标跟踪。实验结果表明,提出的方法相比原JDE跟踪算法,MOTA提高0.3个百分点、跟踪速度提高约43.2%,可以满足实际自动驾驶场景中对车辆跟踪的速度要求。

摘要：金刚石线上固着的金刚石颗粒数量、位置分布和分布密度等是衡量金刚石线表面质量的重要参数,也是衡量金刚石线切割能力的重要指标。针对金刚石颗粒微小、密集、粘连等现象导致其特征难以提取、识别准确率低等问题,本文采用深度学习技术,提出一种基于改进的yolov5金刚石线表面质量检测方法。首先在图像处理阶段,使用阈值分割技术初步划分大、小颗粒;其次在主干网络部分,添加CA(coordinate attention)注意力模块,获取更高质量的粘连颗粒中单粒边界特征;再次设计C2(CA+CBL)模块,用特征融合保留不同层之间的语义信息,进而提升密集小目标的检测精度;最后用一个卷积代替CSP2_X结构,降低计算量,同时将不同尺度的输出特征图感受野缩小,避免颗粒特征虚化,从而影响颗粒的检测精度。实验表明,改进的网络模型,能够有效识别形状不一、大小不一、粘连和密集的金刚石颗粒图像,微粒平均精度(AP)达到83.80%,大颗粒平均精度达到90.70%,平均精度均值(mAP)达到87.20%。

摘要：针对嵌入式平台资源受限条件下的高准确率、轻量化实时船舶目标检测需求,提出基于改进yolov5的船舶目标检测方法。采用GhostNet网络结构,对yolov5的backbone主干网络层整体架构进行压缩,减少网络的复杂度和计算量,实现算法的轻量化设计;在C3模块中引入了注意力机制(Squeeze-and-Excitation,SENet),加强对船舶目标的特征感知;使用更加平滑的Mish函数改进yolov5的Swish激活函数,使得特征信息可以在更深的网络层流动。实验结论表明,提出的方法将yolov5模型参数量压缩27%,部署到嵌入式AI推理平台NVIDIA Jetson TX2可以实现高速检测,检测帧率为22帧/秒,平均检测精度mAP@0.5∶0.95高达97.2%,相比yolov5提高了3.5%,表明该算法效果显著,满足实时高精度检测。

摘要：针对现有安全帽佩戴检测干扰性强、检测精度低等问题,提出一种基于改进yolov5的安全帽检测新算法。首先,针对安全帽尺寸不一的问题,使用K-Means++算法重新设计先验框尺寸并将其匹配到相应的特征层;其次,在特征提取网络中引入多光谱通道注意力模块,使网络能够自主学习每个通道的权重,增强特征间的信息传播,从而加强网络对前景和背景的辨别能力;最后,在训练迭代过程中随机输入不同尺寸的图像,以此增强算法的泛化能力。实验结果表明,在自制安全帽佩戴检测数据集上,所提算法的均值平均精度(mAP)达到96.0%,而对佩戴安全帽的工人的平均精度(AP)达到96.7%,对未佩戴安全帽的工人的AP达到95.2%,相较于yolov5算法,该算法对佩戴安全帽的平均检测准确率提升了3.4个百分点,满足施工场景下安全帽佩戴检测的准确率要求。

摘要：针对高速公路视频数据中道路场景复杂、远端车辆目标小等现象,导致车辆逆行检测模型准确率低的问题,提出了一种基于yolov5和DeepSORT的CECAY5D模型框架。框架中设计了一种通道-空间注意力单元CECAC3,用于增强模型对小目标聚集区域的关注程度,提升小目标车辆检测的精度。CECAC3注意力单元是在有效通道注意力模块基础上增加了C3残差模块和空间注意力模块。在高速公路车辆逆行视频数据集下进行对比试验,实验结果表明,逆行检测模型CECAY5D在高速公路监控视频下的检测率和漏检率分别为90%和10%,相比于yolov5+DeepSORT模型,检测率提高了25%,漏检率降低了25%,因此该模型具有较高的检测率和较低的漏检率。

摘要：针对人工照检在鹅蛋孵化成活性检测中存在效率低、劳动强度大、误判率高等缺点,试验提出一种基于改进yolov5的鹅蛋孵化早期成活性检测模型。设计2种不同采样系统获取孵化4~7d的鹅蛋特征图像,通过旋转、改变对比度等增强技术构建数据集。在yolov5模型的基础上,添加SE(Squeeze-and-Excitation)注意力机制模块增强模型特征提取能力,并引入FReLu激活函数替换原有SiLU激活函数,增强空间灵敏度的同时,显著改善图像视觉。使用改进模型对不同采样系统、不同孵化天数的鹅蛋数据集进行训练、测试,并与原始yolov5模型对比。结果显示:选取交并比(IoU)为0.5,2种采样系统的改进yolov5模型检测平均精度均值(mAP_(0.5))分别为96.5%、86.3%,单个鹅蛋平均检测时长为62.3ms、34.6ms;对孵化4 d、5 d、6 d、7 d的鹅蛋数据集分开测试,改进yolov5模型的mAP_(0.5)分别达到了89.6%、95.4%、98.3%、100%,对比原始yolov5模型,改进yolov5模型的mAP_(0.5)、F1因子分别提高了3.1%、4.1%。研究表明,改进yolov5检测模型在保持轻量化的同时,检测精度高、速度快,可实现对鹅蛋孵化早期成活性的无损检测,并为后期基于工业蛋托实现一次性多个种蛋的快速检测提供依据。

摘要：为解决太阳能电池板缺陷类型和尺度多样、小目标难以检测的难题,同时平衡各类缺陷的检测精度和速度,提出了一种改进轻量型yolov5的太阳能电池板缺陷检测方法。首先将网络模型部分卷积块替换为改进后的MobileOne Block模块,减少了模型参数量,提高模型检测速度;同时将主干网络的最后一层替换为SepViT Block,增强模型对全局信息的提取;然后设计了融合SimAM注意力机制的ASFF自适应特征融合模块,在改进多尺度特征提取的同时减轻模型的重量;最后增加P2检测层,提高小目标的检测效率,给模型带来持续的性能提升。实验结果表明,改进算法与原yolov5模型对比,参数量压缩了23.47%,检测速度达到了103 F/S,更好地实现嵌入式使用;检测精度达到了96.2%,比最新的yolov7-tiny提高了5.3%,证明了其优势。

摘要：针对传统传感器对于地下停车场火灾检测不及时、目标检测对小型火焰目标检测效果较差等问题,提出了一种改进的yolov5火灾检测算法。为了提高检测算法对小型火焰目标的检测效果,在yolov5s网络骨干中增加小目标检测层;为了增强火焰特征的表达,提出了一种基于CA注意力机制的间隔注意力结构;为了提升定位精度、降低目标漏检率,将GIoU替换为CIoU。设计了3组消融实验以及1组对比实验用来验证所提算法的有效性。实验结果表明:所提算法在自定义数据集上的mAP_(0.5)、召回率R分别为92%、96.9%。与yolov5s模型相比,所提算法在自定义火焰数据集上的mAP_(0.5)提升了1.8百分点,R提升了2.0百分点。所提算法权重大小仅为16.4 MB,帧率能达到113帧/s,具有较小的模型体积以及较快的检测速度,且能够准确检出小型火焰目标,有效提升了地下停车场火灾防范能力。

摘要：目的 提高工业分拣上常见的纹理多样、随机堆放盒体的检测与识别能力。方法 提出一种基于yolov5的旋转目标检测算法,该算法包括目标分类、位姿角度识别和边界框位置定位3个模块功能。目标分类模块中,通过自建数据集和设计8种目标分类标签以供模型分类学习;位姿角度识别模块对yolov5头网络中添加角度预测分支,引入环形平滑标签角度分类方法,实现分拣盒体的旋转角度精准检测;在边界框位置定位模块上,使用LCIoU回归框损失函数来计算旋转框回归损失,得到紧密包裹目标位置的边界框。结果 改进的yolov5算法在自建数据集上检测精度达到95.03%,在机器人多物体分拣实验中的准确率可达100%。结论 本文算法在盒体处于散乱堆放、密集堆放、堆叠堆放场景下均具有较高的定位与识别精度。