摘要：文章针对无纺布制造中人工依赖的刺针缺陷问题提出了基于yolov5算法的实时检测及更换设备。硬件系统包括图像采集、处理、退针和装针模块,通过深度学习提高了检测效率和准确性,同时满足了稳定性、实时性、可拓展性等需求。软件界面设计通过数据可视化管理和分析检测数据。总体而言,智能设备通过引入先进技术,在提高无纺布产业效率的同时,降低了成本,为可持续发展带来助力。

摘要：肺癌已发展成为人类死亡率最高的癌症之一,肺结节是肺癌最重要的早期表现。随着肺部结节低剂量CT筛查的广泛开展,放射科医师的X线诊断工作量不断增加。基于深度学习的肺结节自动检测有效解决了主观性和疲劳性导致的误诊风险。为了进一步提高卷积神经网络模型对肺结节的检测效果,设计了一种改进的yolov5算法。首先,在所提出的方法中使用引入随机正则化思想的GELU激活函数。然后,在特征提取网络中加入CA注意机制,提高特征表达能力。其次,Ghost模块的引入减少了14.9%的参数数量,提升了19.7%的速度。最后,设计了小物检测层,提高了直径小于10 mm的微小肺结节的检测精度。实验在公开的LUNA16上进行。结果表明,与原始yolov5网络相比,所提方法的Precision从83.2%提高到87.5%,Recall从77.0%提高到86.8%,AP从81.0%提高到88.1%,改进后的yolov5网络具有更强的特征表达能力,速度快,能够有效提高肺小结节自动检测的灵敏度。

摘要：当前yolov5算法在口罩识别检测任务中,当光线昏暗时会出现个别目标无法正确识别,同时也存在网络参数量大、在移动设备上运行速度慢的问题。对比通过将空间可分离卷积和深度可分离卷积进行自适应特征融合,设计一种融合注意力的SDC模块,其减少了网络模型的参数量,增强了网络的特征提取能力,提高了模型检测精度。使用随机遮挡和自适应对比度的数据增强方法,模拟了实际场景中存在目标遮挡或光线昏暗等现象。选用SIoU Loss作为边框回归损失函数,提高了网络训练速度和推理准确性。实验结果表明,相较于原始的yolov5算法,其平均精度均值(mAP)提高了1.3个百分点,检测帧率(FPS)提升约140%,能够更好地满足口罩检测任务的准确性和实时性。

摘要：本文设计了一种基于Fusion-CBAM目标检测算法,对其模型结构进行优化以解决复杂场景下的目标遮挡问题。实验结果表明,与原始的yolov5方法相比,该方法添加具备channel-Spatial dimensional interaction的注意力模块,以引导模型关注被遮挡的施工机械目标,进一步提升了算法的检测性能。

摘要：基于视频的目标检测在恶劣天气情况下识别效果较差,故需弥补视频缺陷、提高检测框架的鲁棒性。针对此问题,文中设计了一个基于雷达和视频融合的目标检测框架,利用yolov5(You Only Look Once version 5)网络获得图片特征图与图片检测框,利用基于密度的聚类获得雷达检测框,并将雷达数据进行编码,得到基于雷达信息的目标检测结果。最后将两者的检测框叠加得到新ROI(Region of Interest),并得到融合雷达信息后的分类向量,提高了在极端天气下检测的准确率。实验结果表明,该框架的mAP(mean Average Precision)达到了60.07%,且参数量仅为7.645;10^(6),表明该框架具有轻量级、计算速度快、鲁棒性高等特点,可以被广泛应用于嵌入式与移动端平台。

摘要：学生上课状态与课堂效果紧密相关,而学生疲劳状态监测是课堂管理中普遍存在,又亟待解决的问题。文章基于yolov5与dlib设计并实现一个课堂疲劳状态监测系统。首先,除利用相关数据集外,文章额外标注了1000张图像,加入训练集中;其次,使用merge-NMS优化多目标检测框;然后,利用dlib获取眼睛与嘴巴张合宽度,计算得到眨眼次数与打哈欠次数,结合简化的Perclos计算疲劳指数;最后,利用PySide2实现可视化,并转发监测结果给管理员。

摘要：大多数传染性疾病都以飞沫作为主要传播途径,并伴随发热症状,因此,在人员密集场所实时检测人员体温及口罩佩戴情况能够有效预防病毒传播。文章在yolov5模型的基础上加入CBAM模块,用以融合更多尺度的特征信息,进而在图像中更精准地定位人像。提出基于人像的灰度极值定位算法以更加精准的定位目标额头中心,并结合改进yolov5模型构建体温与口罩佩戴双检测系统。实验结果表明,该系统能够在有效距离内对多目标进行实时、准确的体温与口罩佩戴情况检测,在保护公众卫生健康方面具有一定的应用价值。

摘要：针对有雾场景下的道路病害数据集较少,导致基于深度学习的目标检测模型在有雾场景下的道路病害检测过程中出现的过拟合、低鲁棒性和低准确率等问题,提出一种基于AECR-yolov5融合机制的雾天路面病害检测算法。首先,根据道路路面病害的特性,设计一种以病害类别为判别依据的数据集扩充方法,并以此方法获得扩充训练集;同时,使用大气散射模型将清晰图与双边滤波处理后的深度图进行合成,从而增强合成雾图的可信性。然后,根据任务依赖不定性对去雾网络和检测网络的损失函数进行加权融合,获得耦合损失函数,促进两者的有效融合;最后,通过改变输入和网络结构进行实验,结果表明,输入为扩充雾图训练集且网络结构为AECR-yolov5融合模型时,其在测试集上的mAP均高于其他组合方式。

摘要：为解决偏振暗光场景下常见目标识别结果准确性不高的问题,提出了基于卷积神经网络的偏振度图像与可见光图像融合算法,设计了新的损失函数以形成无监督学习过程,引入拉普拉斯算子提高融合图像的质量,最终将被测目标的偏振信息与可见光信息有效结合;提出了基于改进的yolov5算法对融合后的目标进行目标检测,在网络框架中加入CA注意力机制,将通道注意力机制与空间注意力机制相结合;在自制的数据集上对提出的网络进行训练测试,结果表明,融合图像在主客观上都达到了较好的视觉效果,将改进的yolov5算法相比最优的yolov5s模型,精确率和召回率分别达到了89.3%和82.5%,均值平均精度分别提高了2.6%和1.8%。

摘要：针对疫情防控下人脸识别应用出现人脸漏检、移动端平台的计算能力不足和硬件资源受限等问题,提出一种yolov5改进的轻量级口罩人脸检测模型.设计轻量化的C3Ghost模块替换原网络中的C3模块以压缩卷积过程的计算量和模型大小,在主干网络中添加注意力机制以提高网络的特征提取能力,并改进边框回归损失函数以提高检测速度和精度.实验结果表明,改进后的模型计算量和参数量分别降低了29.79%和33.33%,模型权重文件大小仅有2.8 M,减轻了对硬件条件的依赖,同时模型的检测率达到了96.6%,相比现有轻量级模型优势突出,能够有效地应用于人脸识别之中.