摘要：为协助高校学生查找教室空座分布情况和辅助教师考勤,设计基于视频监控的教室人数统计方法。由于视频监控教室场景下的学生都是处于坐立状态,躯干部分被桌椅遮挡,无法进行全身轮廓检测,并且学生都是低头学习,也无法选择人脸识别进行计数,而选择人头这一部位作为检测目标更加适合教室场景。首先采用yolov5s网络作为人头检测识别的模型,在自制人头数据集上对网络进行训练,利用训练好的yolov5s网络提取不同视频监控下人头的特征和位置信息,实现对学生人头的识别,然后针对视频和图片分别设计人头计数方法。实验结果表明,所提出的人数统计方法能够很好地应用于教室场景中,在保证较高准确率的同时,能够实时准确地检测到摄像头范围内多个角度的人头,进而统计当前教室的人数。

摘要：煤炭资源是我国主要的能源来源,安全生产是促进煤炭行业可持续发展的重要前提。煤矿现场作业许可系统可进一步完善整个煤矿作业安全管理体系,其中安全帽智能识别与预警是该系统的核心功能之一。文章研究安全帽智能识别及预警与煤矿现场作业许可系统的融合,基于Roboflow平台的安全帽检测数据集,以yolov5s为网络模型,设计合理的识别与预警接口,解决在井下工作环境恶劣且监督范围大的情况下,人工监督方式存在的漏检和误检的问题。该研究成果的应用拓展了yolov5s的应用场景,进一步提高了煤矿现场作业的安全性。

摘要：针对无人机航拍视角下图像目标特征尺寸小且存在背景复杂、分布密集的问题,提出了一种基于yolov5的轻量化无人机航拍小目标检测改进算法GA-YOLO。该算法改进了Mosaic数据增强方法和网络整体结构,并增加了微小物体检测头,同时设计了轻量化的全局注意力模块和并行结构的空间通道注意力机制模块,提高了网络的全局特征提取能力和训练过程中卷积通道之间的竞争和合作关系。以4.0版本的yolov5s为基准,在公开无人机航拍数据集Vis Drone2019-DET上实验,结果表明,改进后的模型相较于原模型,参数量下降了48%,计算量下降了26%,而m AP@0.5提高了4.9个百分点,m AP@0.5:0.95提高了3.3个百分点,有效地提高了无人机空中视角下对密集型小目标的检测能力。

摘要：针对遥感图像中军事飞机目标检测存在的精度低、漏检和虚警率高等问题,提出了一种基于yolov5s的轻量化遥感图像军事飞机目标检测算法——YOLO-Military Aircraft Recognition(YOLO-MAR)。提出新的网络结构,完成多尺度感受野权重调整,重设计特征提取网络和特征融合网络,实现小目标特征权重增加,并进行轻量化处理;使用FPGM对重构后的模型进行剪枝,极大地降低了模型的参数量和体积;使用sIoU Loss作为模型的损失函数,使模型的收敛速度加快并提升检测的精度。结果表明,在公开军用飞机数据集MAR20上,YOLO-MAR相比于原yolov5s,模型体积降低至3.95 MB,缩小了71.5%,经过剪枝后的模型体积最小可缩减至0.2 MB,模型平均检测精度最高可达91.7%,提高了2.34%,并且在检测效果、模型体积、参数量和计算量等方面具有先进性,能够对军用飞机目标进行高质量实时检测。

摘要：为了进一步提高在背景复杂且目标距离远的情况下交通标志识别算法的识别准确率,在yolov5s算法的基础上提出了一种改进的交通标志识别算法MAFM-YOLO。首先,在颈部网络设计了基于空洞混合注意力机制的多尺度注意力特征融合模块,使网络在特征融合阶段能够高效保留图像中的细节信息,对小目标更加的敏感。其次,在回归阶段采用归一化Wasserstein距离改进原有的损失函数,提高了边界框的回归性能,从而进一步提高网络的识别性能。在TT100K数据集上的实验结果表明,MAFM-YOLO较基准模型在精确率、召回率和平均精度均值上分别实现了9.4%、3.3%、6.3%的提升。