针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题,文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNe...针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题,文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNeck)结构重新构建特征提取网络,减少模型的参数量和计算复杂度。在特征融合部分采用GSConv(Ghost-Shuffle Convolution)轻量级卷积和VoV-GSCSP(VoVNet-Ghost Shuffle-Cross Stage Partial)结构分别替换原始卷积和CSP(Cross Stage Partial)模块,在保证精度的同时使模型轻量化效果最佳。采用角度惩罚度量的SIoU(SCYLLA-Intersaction over Union)损失优化边界框损失函数,提升了轻量化后的模型精度和泛化能力。实验结果表明,改进YOLOv5s-GGS(YOLOv5s-GhostNet GSConv SIoU)模型相较于原始网络模型的精确度、召回率和平均精度均值(mean Average Precision,mAP)分别提高了7.0百分点、3.5百分点和3.8百分点,参数量、计算复杂度和权重降低了42%以上。相较于主流目标检测模型,所提模型具有更高的检测精度以及更少的模型体积,实现了模型的轻量化,精度提升较大,推理速度较快,更适合部署于移动设备。展开更多
为更好调节皮革真空干燥机温度控制效果,提出一种基于改进Yolov5网络的经皮革真空干燥机干燥的皮革图像缺陷检测方法。其中,首先对Yolov5网络的主干网络和损失函数进行改进,然后采用改进的Yolov5网络对经皮革真空干燥机干燥的皮革图像...为更好调节皮革真空干燥机温度控制效果,提出一种基于改进Yolov5网络的经皮革真空干燥机干燥的皮革图像缺陷检测方法。其中,首先对Yolov5网络的主干网络和损失函数进行改进,然后采用改进的Yolov5网络对经皮革真空干燥机干燥的皮革图像进行缺陷检测;最后将该网络用于经皮革真空干燥机干燥的皮革裂缝图像等的缺陷检测中。结果表明,改进后的Yolov5网络的精确率、召回率和m A P分别取值为96.47%、95.19%和97.32%,相较于改进前,分别提升14.15%、28.02%和19.63%;对比于传统的卷积神经网络和改进双边滤波检测算法,本网络的精确率、召回率和m A P明显更高。综合分析可知,采用本网络可实现对皮革真空干燥机干燥后的皮革进行图像检测,从而为后续的干燥机温度控制提供参考。展开更多
近年来,由于基于图像识别的粉尘检测方法不存在安装和检测范围局限性等问题,因此得到了充分重视和发展,但现有方法实时性和准确性仍需提升。为此,提出了一种基于改进YOLOv5算法的粉尘图像检测方法。首先,对现有YOLOv5算法主干网络以及N...近年来,由于基于图像识别的粉尘检测方法不存在安装和检测范围局限性等问题,因此得到了充分重视和发展,但现有方法实时性和准确性仍需提升。为此,提出了一种基于改进YOLOv5算法的粉尘图像检测方法。首先,对现有YOLOv5算法主干网络以及Neck网络进行改进,将轻量化网络GhostNet替换原有主干网络,以降低网络参数,再输出3个特征层;然后,针对主干网络输出的3个特征层,施加注意力机制CA,增加网络精度;最后,设计消融实验和对比实验验证改进算法的有效性。结果表明:改进算法的平均检测精度mAP(mean Average Precision)能达到92.11%,检测速度达37帧/s。展开更多
现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over U...现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。展开更多
针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提...针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提升对聚集目标的关注,解决因遮挡导致的检测效果差的问题;将颈部网络中的FPN(Feature Pyramid Network)+PAN(Path Aggregation Network)结构改为结合了跨尺度特征融合方法思想的特征融合结构,增强模型不同方向上的多尺度融合能力,使目标多尺度特征有效融合,提升对小目标的识别能力;使用SIoU(Structured Intersectionover Union)定位损失函数代替CIoU(Complete Intersection over Union)损失函数,以提高边框回归精度。实验结果表明,改进后的YOLOv5s模型准确率P和召回率R分别为94.7%和91.2%,平均精度值mAP为95.6%,相较于原始YOLOv5s模型分别提升6%、7%和6.5%。该方法使电动自行车头盔佩戴检测准确率得到了明显提升。展开更多
针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目...针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目标特征的关注度。采用动态蛇形卷积(Dynamic Snake Convolution,DSConv)替换主干网络中的部分C3模块,有效提升了微弱特征的提取能力。通过采用归一化Wasserstein距离(Normalized Wasserstein Distance,NWD)优化的EIoU(Efficient Intersection over Union)损失函数降低了对小目标位置偏差的敏感性,提高了小目标的检测性能。引入解耦头优化模型头部,解决了分类与回归任务间的冲突,从而减少了错检和漏检情况的发生,提升了小目标的分类和定位准确性。在NEU-DET(Northeastern University Detection)数据集上的实验验证了所提算法的有效性,其平均精度均值(mean Average Precision,mAP)为80.4%,较原始算法提升了5%,且保持61.72 frame·s^(-1)的检测速度。结果表明,改进算法在检测速度和精度方面均优于其他对比算法,证明了其在高效检测小目标钢材表面缺陷方面的优越性。展开更多
文摘针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题,文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNeck)结构重新构建特征提取网络,减少模型的参数量和计算复杂度。在特征融合部分采用GSConv(Ghost-Shuffle Convolution)轻量级卷积和VoV-GSCSP(VoVNet-Ghost Shuffle-Cross Stage Partial)结构分别替换原始卷积和CSP(Cross Stage Partial)模块,在保证精度的同时使模型轻量化效果最佳。采用角度惩罚度量的SIoU(SCYLLA-Intersaction over Union)损失优化边界框损失函数,提升了轻量化后的模型精度和泛化能力。实验结果表明,改进YOLOv5s-GGS(YOLOv5s-GhostNet GSConv SIoU)模型相较于原始网络模型的精确度、召回率和平均精度均值(mean Average Precision,mAP)分别提高了7.0百分点、3.5百分点和3.8百分点,参数量、计算复杂度和权重降低了42%以上。相较于主流目标检测模型,所提模型具有更高的检测精度以及更少的模型体积,实现了模型的轻量化,精度提升较大,推理速度较快,更适合部署于移动设备。
文摘为解决复杂骑行场景下安全头盔佩戴检测精度不高的问题,文章提出了一种改进的YOLOv5-CSH目标检测算法。该算法在YOLOv5s模型基础上,于主干网络中融合卷积块注意力模块(Convolutional Block Attention Module,CBAM)以增强关键特征提取;采用C3Ghost模块构建轻量化颈部网络,降低模型计算量;增加小目标检测头以提升对远处目标的召回率;引入空间交并比(Spatial Intersection over Union,SIoU)损失函数优化边界框回归。在自建数据集上的实验结果表明,改进后模型的平均精度均值(mean Average Precision,mAP)达到95.2%,较基准模型提升了2.1%,有效改善了小目标漏检问题。所提算法在保证实时性的同时,提升了检测的准确性与鲁棒性。
文摘为更好调节皮革真空干燥机温度控制效果,提出一种基于改进Yolov5网络的经皮革真空干燥机干燥的皮革图像缺陷检测方法。其中,首先对Yolov5网络的主干网络和损失函数进行改进,然后采用改进的Yolov5网络对经皮革真空干燥机干燥的皮革图像进行缺陷检测;最后将该网络用于经皮革真空干燥机干燥的皮革裂缝图像等的缺陷检测中。结果表明,改进后的Yolov5网络的精确率、召回率和m A P分别取值为96.47%、95.19%和97.32%,相较于改进前,分别提升14.15%、28.02%和19.63%;对比于传统的卷积神经网络和改进双边滤波检测算法,本网络的精确率、召回率和m A P明显更高。综合分析可知,采用本网络可实现对皮革真空干燥机干燥后的皮革进行图像检测,从而为后续的干燥机温度控制提供参考。
文摘近年来,由于基于图像识别的粉尘检测方法不存在安装和检测范围局限性等问题,因此得到了充分重视和发展,但现有方法实时性和准确性仍需提升。为此,提出了一种基于改进YOLOv5算法的粉尘图像检测方法。首先,对现有YOLOv5算法主干网络以及Neck网络进行改进,将轻量化网络GhostNet替换原有主干网络,以降低网络参数,再输出3个特征层;然后,针对主干网络输出的3个特征层,施加注意力机制CA,增加网络精度;最后,设计消融实验和对比实验验证改进算法的有效性。结果表明:改进算法的平均检测精度mAP(mean Average Precision)能达到92.11%,检测速度达37帧/s。
文摘现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。
文摘针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提升对聚集目标的关注,解决因遮挡导致的检测效果差的问题;将颈部网络中的FPN(Feature Pyramid Network)+PAN(Path Aggregation Network)结构改为结合了跨尺度特征融合方法思想的特征融合结构,增强模型不同方向上的多尺度融合能力,使目标多尺度特征有效融合,提升对小目标的识别能力;使用SIoU(Structured Intersectionover Union)定位损失函数代替CIoU(Complete Intersection over Union)损失函数,以提高边框回归精度。实验结果表明,改进后的YOLOv5s模型准确率P和召回率R分别为94.7%和91.2%,平均精度值mAP为95.6%,相较于原始YOLOv5s模型分别提升6%、7%和6.5%。该方法使电动自行车头盔佩戴检测准确率得到了明显提升。
文摘针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目标特征的关注度。采用动态蛇形卷积(Dynamic Snake Convolution,DSConv)替换主干网络中的部分C3模块,有效提升了微弱特征的提取能力。通过采用归一化Wasserstein距离(Normalized Wasserstein Distance,NWD)优化的EIoU(Efficient Intersection over Union)损失函数降低了对小目标位置偏差的敏感性,提高了小目标的检测性能。引入解耦头优化模型头部,解决了分类与回归任务间的冲突,从而减少了错检和漏检情况的发生,提升了小目标的分类和定位准确性。在NEU-DET(Northeastern University Detection)数据集上的实验验证了所提算法的有效性,其平均精度均值(mean Average Precision,mAP)为80.4%,较原始算法提升了5%,且保持61.72 frame·s^(-1)的检测速度。结果表明,改进算法在检测速度和精度方面均优于其他对比算法,证明了其在高效检测小目标钢材表面缺陷方面的优越性。
