摘要：为解决柑橘经过套袋后其形状从圆形变为条状导致当前目标检测算法对套袋柑橘检测难度增大,同时目标检测算法性能依赖于有标记样本数量的问题。该研究设计了一种基于教师学生模型的SPM(Strip Pooling Module)-yolov5算法,在yolov5的骨干网络中加入条带注意力模块使模型更加关注条状的套袋柑橘与树枝,同时教师学生模型为半监督方法,使目标检测算法可利用无标记样本提升模型的性能,降低对有标记样本的依赖。试验结果表明,该算法在套袋柑橘与树枝检测的平均精度均值分别为77.4%与53.6%,相比yolov5分别提升了7.5个百分点与7.6个百分点,套袋柑橘检测的精度与召回率达到94.0%与76.2%。因此,基于教师学生模型的SPM-yolov5算法精度高、速度快,能有效用于套袋柑橘检测。

摘要：小目标检测在计算机视觉领域具有重要意义,但现有方法在应对小目标的尺度变化、目标密集和无规则排列等挑战时经常出现漏检和误检的问题。为解决这些问题,提出基于改进yolov5算法的ATO-YOLO。为提升检测模型的特征表达能力,提出一种结合注意力机制的自适应特征提取模块(adaptive feature extraction,AFE),通过动态调整权重分配突出关键目标的特征表示,提高目标检测任务在不同场景下的准确性和鲁棒性。设计一种三重特征融合机制(triple feature fusion,TFF),能够在不同尺度下充分利用多尺度信息,将多个尺度的特征图融合,以获取更全面的目标特征,提升对小目标的检测效果。引入一种输出重构模块(output reconstruction,ORS),通过去除大目标检测层并增加小目标检测层,实现精确定位和识别小目标,并且相对于原模型复杂度更低,检测速度更快。实验结果表明,ATO-YOLO算法在VisDrone数据集上的mAP@0.5达到了38.2%,较原yolov5提升了6.1个百分点,且FPS较改进前提升了4.4%,能够快速准确地对小目标进行检测。

摘要：针对水下海洋生物检测任务存在的目标间相互遮挡、对细长型目标检测精度低、小目标众多等问题,提出一种基于yolov5的水下目标检测算法。该算法通过引入可变形卷积、空洞卷积和注意力机制来重新设计主干网络,增强特征提取能力,解决目标间相互遮挡和对细长型目标检测精度低的问题;同时,提出加权显示视觉中心特征金字塔模块,解决特征融合不充分问题,降低小目标漏检率;并调整yolov5算法的网络结构,增加融合注意力机制的小目标检测层,提升对小目标物体的检测能力。实验结果表明:改进后的yolov5算法在URPC数据集上的平均精度均值达87.8%,较原始yolov5算法提高了5.3百分点;同时检测速度保持在34 frame/s;在水下目标检测任务中能够有效提高精确度,降低漏检率和错检率。

摘要：针对如何提高在复杂场景下红外目标检测性能以及如何平衡算法的轻量化与精确度等问题,提出了一种基于yolov5的轻量化红外目标检测算法。该算法设计一种融合并行卷积的Ghost特征提取模块,利用结构重参化的思想,在推理时将模型简化,降低模型的复杂度且加快推理速度;同时对网络进行剪枝,增加了小目标检测层,提高了模型对复杂场景的检测性能;在特征融合模块设计了一种混洗Ghost模块,将Ghost特征和标准卷积特征进行混洗,尽可能减少Ghost特征对网络性能的负面影响;设计了一个解耦检测头模块,将分类与检测任务进行分解,提高了网络在复杂环境下的定位检测能力。实验结果表明,与yolov5s相比,提出的算法mAP提高了4.7个百分点,参数量降低了42.7%,推理延时减少了8.5%,能够在检测性能和轻量化上达到理想平衡。

摘要：随着人类经济社会的快速发展及生态环境的不断改善,在新机场不断地建设、各种飞行器数量与飞行频率不断增加的同时,鸟类数量也在不断地增加,于是机、鸟二者间产生了激烈的空间竞争关系,并因此而导致了鸟击事件的上升问题。面对严峻的鸟击风险防范形势,传统方法通常会在使用一段时间后就会失去原有的效果,主要原因是鸟类惯性适应症的问题。为了解决上述问题,设计了一种基于物联网的机场驱鸟联动系统,并在该系统上提出了基于改进yolov5s的机场鸟类目标检测算法,以提高驱鸟设备的使用效果。由于捕捉用的摄像头位置是固定的,飞鸟则是在不同高度飞行,目标不仅尺度变化较大,而且密集目标出现运动模糊问题,为此改进的算法在yolov5基础上加入ODConv全维动态卷积以提升网络在区域覆盖范围大的图像中找到感兴趣的区域。此外,算法中还改进了输出端预测头以提高群体目标中小目标的检测精度。实验结果表明,算法相较于yolov5s精确率提升了约4.6%,召回率提升约3.9%,实现了在满足检测速度要求的同时有效地提高了对飞鸟的检测精度。

摘要：为解决白酒瓶盖封装表面质量检测和算法参数庞大难部署的问题,对yolov5s进行改进并提出了更轻量化和高精度的SEGC-YOLO算法。首先,采用ShuffleNet V2替换原始骨干网络,有效简化参数,引入高效通道注意力机制增强骨干网络。再使用基于GhostNet改进的GhostConv和C3-Ghost模块增强颈部网络,减少颈部参数量。另外,使用CARAFE算子替代最近邻插值上采样算子,利用自适应内容感知的上采样预测核提升颈部网络的信息表达能力,进而提升检测精度。最后,训练应用Adam梯度优化器来提高检测精度。实验结果表明:所提SEGC-YOLO算法在不同交并比(IoU)阈值下的平均精度均值mAP@0.5为84.1%和mAP@0.5∶0.95为49.0%,分别优于原始yolov5s算法1.2个百分点和0.5个百分点,并且浮点运算数(FLOPs)比原始算法减少了69.94%、参数量减少了71.15%和模型文件大小减小了69.66%,更加精准和轻量化。所提SEGC-YOLO可以快速、精准地检测瓶盖表面缺陷,为相关领域快速缺陷检测和设备部署提供了数据和算法支持。

摘要：交通灯检测算法作为自动驾驶任务中的一个重要环节,直接关系到智能汽车的行车安全。因为交通灯尺度小且环境复杂,给算法研究带来了困难。针对交通检测存在的痛点,提出改进yolov5的交通灯检测算法。首先使用可见标签比确定模型输入;然后引入ACBlock结构增加主干网络的特征提取能力,设计SoftPool减少主干网络的采样信息损失,使用DSConv卷积核减少模型参数;最后设计了记忆性特征融合网络,高效利用了高级语义信息和底层特征。对模型输入和主干网络的改进,直接提高模型在复杂环境下对特征的提取能力;对特征融合网络的改进,使模型能够充分利用特征信息,增加对目标定位和边界回归的精准度。实验结果表明,改进后的方法在BDD100K数据集上取得了74.3%的AP和111frame/s的检测速度,比yolov5提高11.0个百分点的AP;在Bosch数据集上取得了84.4%的AP和126frame/s的检测速度,比yolov5提高9.3个百分点的AP。鲁棒性测试结果表明,改进后的模型在各种复杂环境中对目标的检测能力都有显著提升,鲁棒性增加,做到了高精度实时检测。

摘要：虽然现在的深度学习技术在大中目标检测领域取得了惊人的进步,但是由于小目标的尺寸有限以及卷积网络的局限性,导致小目标检测仍然是一个具有挑战性的问题。通过改进yolov5算法,提出了一种针对小目标的YOLO-S模型。在原来三层输出层的基础上,利用级联网络,添加一个专门针对于小目标检测的输出层。为了补充上下文信息以及抑制多尺度特征融合冲突,设计了一种新的上下文信息提取模块CFM(Context Feature Module)以及基于通道和空间特征细化的模块FSM(feature specify module)。上采样方式由原来的最邻近插值替换为新设计的Transpose模块,可以将信息最大化恢复。数据集采用专门针对于小目标的VisDrone2019来验证算法的有效性。实验结果表明,YOLO-S比yolov5的mAP@0.5提高了6.9个百分点。

摘要：针对我国发生多起雾炮车违规喷雾空气自动监测站事件,雾炮车数据集空白,雾炮车所喷的雾的形状各异难以标注,监测实时要求高,准确率高等问题。本研究建立了雾炮车喷雾数据集,设计了一种雾的标注方式,并在yolov5网络基础上,提出了一个嵌入注意力机制的轻量级雾炮车检测网络。首先,利用K-means++计算出更适合任务的锚框;其次,嵌入注意力机制(CA)模块,用于提升网络特征提取能力;然后将Neck处Conv修改GSConv,并将C3模块更换为GSC3模块,以降低模型参数;最后,将NMS替换为Soft NMS,用于减少漏检增强检测稳定性。实验结果表明,所提标注方式较其他标注方式提升了总体mAP13%;所提网络的参数量仅为yolov5s的83%并达到67.8%的mAP。与主流目标检测网络相比,所提网络在保持精度提升的同时降低了参数量,并保持了检测速度。

摘要：听力障碍者需要通过手语等方式才能进行沟通交流,但是大部分听力正常的群众不会解读手语。为解决该问题,创建了手语数据集,并提出一种基于yolov5改进的手语识别模型。该模型采用轻量级网络结构MobileNetV3替换了yolov5目标检测算法的骨干网络,取得了很好的效果。经过测试,改进后的模型在手语识别数据集中检测平均精度均值(mAP)达到98.5%,召回率(Recall)为0.92,F1(F1 score)分数为0.929。研究提出的模型在提高训练速度、减少参数量的同时,提高了手语识别的精度,满足实际检测需求。