火灾是一种极具破坏性的灾害,对火焰和烟雾的检测有助于及时发现火灾,以便采取有效措施将损失最小化.现有的算法对火焰烟雾的检测精度较低,不能做到精确识别小目标火焰和烟雾.为了进一步提高检测准确率,提出了基于YOLOv5s算法进行改进...火灾是一种极具破坏性的灾害,对火焰和烟雾的检测有助于及时发现火灾,以便采取有效措施将损失最小化.现有的算法对火焰烟雾的检测精度较低,不能做到精确识别小目标火焰和烟雾.为了进一步提高检测准确率,提出了基于YOLOv5s算法进行改进的火焰烟雾检测算法FS-YOLO.首先,在主干网络的C3模块中融合CA注意力机制来增强模型对图像特征的感知能力;其次,为了实现高效多尺度特征融合,将双向加权特征金字塔网络(BiFPN)用于颈部的多尺度信息融合;此外,在主干网络中加入由混合卷积层和普通卷积层组成的CSPCM模块,以便通过少量计算代价来提取火焰烟雾显著特征;最后,为提高边界框回归准确率,采用了基于最小点的MPDIoU损失函数和ReLU激活函数加速网络的训练和推理.在Fire and Smoke数据集上的实验结果表明:FS-YOLO达到了mAP@0.5上0.606和mAP@0.5-0.95上0.275的检测精度,相较于YOLOv5s分别提升5.21%和8.27%,FS-YOLO在实际运行中的速度为303 FPS,实现了高精度快速的实时火焰烟雾检测.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
为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增...为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增强交并比(enhanced intersection over union,EIOU)损失函数替换原YOLOv5s网络的完整交并比(complete intersection over union,CIOU)损失函数,利用自建的黄斑病数据集,对YOLOv5s-GCE模型进行消融和对比实验,并将该模型部署在RK3588S人工智能开发板上进行测试。结果表明:相比于原始YOLOv5s模型,YOLOv5s-GCE模型的平均精度均值(mean average precision,mAP)为92.7%(提高2.7%),复杂度显著降低,参数量、权重大小和浮点运算量(giga floating-pointoperations per second,GFLOPs)分别降低44.7%、43.4%和47.2%;YOLOv5s-GCE模型的整体性能优于SSD、YOLOv7、YOLOv8n和Faster R-CNN典型的目标检测模型。部署在RK3588S开发板上的YOLOv5s-GCE模型检测速度可达每秒30.49帧,mAP值为90.2%,可以满足糙皮侧耳黄斑病实时检测需求,研究结果为后续研发食用菌病害智能检测装置提供参考。展开更多
文摘火灾是一种极具破坏性的灾害,对火焰和烟雾的检测有助于及时发现火灾,以便采取有效措施将损失最小化.现有的算法对火焰烟雾的检测精度较低,不能做到精确识别小目标火焰和烟雾.为了进一步提高检测准确率,提出了基于YOLOv5s算法进行改进的火焰烟雾检测算法FS-YOLO.首先,在主干网络的C3模块中融合CA注意力机制来增强模型对图像特征的感知能力;其次,为了实现高效多尺度特征融合,将双向加权特征金字塔网络(BiFPN)用于颈部的多尺度信息融合;此外,在主干网络中加入由混合卷积层和普通卷积层组成的CSPCM模块,以便通过少量计算代价来提取火焰烟雾显著特征;最后,为提高边界框回归准确率,采用了基于最小点的MPDIoU损失函数和ReLU激活函数加速网络的训练和推理.在Fire and Smoke数据集上的实验结果表明:FS-YOLO达到了mAP@0.5上0.606和mAP@0.5-0.95上0.275的检测精度,相较于YOLOv5s分别提升5.21%和8.27%,FS-YOLO在实际运行中的速度为303 FPS,实现了高精度快速的实时火焰烟雾检测.
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。
文摘为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增强交并比(enhanced intersection over union,EIOU)损失函数替换原YOLOv5s网络的完整交并比(complete intersection over union,CIOU)损失函数,利用自建的黄斑病数据集,对YOLOv5s-GCE模型进行消融和对比实验,并将该模型部署在RK3588S人工智能开发板上进行测试。结果表明:相比于原始YOLOv5s模型,YOLOv5s-GCE模型的平均精度均值(mean average precision,mAP)为92.7%(提高2.7%),复杂度显著降低,参数量、权重大小和浮点运算量(giga floating-pointoperations per second,GFLOPs)分别降低44.7%、43.4%和47.2%;YOLOv5s-GCE模型的整体性能优于SSD、YOLOv7、YOLOv8n和Faster R-CNN典型的目标检测模型。部署在RK3588S开发板上的YOLOv5s-GCE模型检测速度可达每秒30.49帧,mAP值为90.2%,可以满足糙皮侧耳黄斑病实时检测需求,研究结果为后续研发食用菌病害智能检测装置提供参考。
