基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi-head self-attention,多头自注意力)替换了SPPF(Spatial pyramid pooling-fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self-attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。     

基于改进轻量化YOLO v5n的番茄叶片病害识别方法

针对现有番茄叶片病害识别存在背景复杂、识别准确率低、模型参数量大、计算量大以及难以部署至移动设备或嵌入式设备等问题,提出一种改进的轻量化YOLO v5n的番茄叶片病害识别方法。首先收集细菌性斑疹病、早疫病、晚疫病、叶霉病、斑枯病、褐斑病等6种常见番茄叶片病害图像以及番茄健康叶片图像,对图像进行镜像翻转、高斯模糊等数据增强方式增加样本多样性,提升模型识别和泛化能力。接着在YOLO v5n网络基础上,选择采用轻量化的C3Ghost模块替换C3模块以压缩卷积过程中的计算量、模型权重和大小,同时在颈部网络中融合轻量级卷积技术GSConv和VOV-GSCSP模块,在增强特征提取能力的同时降低模型参数量。最后引入PAGCP算法对改进后的模型进行全局通道剪枝压缩参数量并减少训练开销。试验结果表明,改进后的YOLO v5n平均精度均值达到99.0%,参数量减少66.67%,计算量降低了2.6 G,模型权重压缩了2.23 MB。本研究提出的番茄叶片病害识别方法在降低了模型大小、参数量、计算量的同时仍保持较高的识别精度,为移动设备上实现番茄叶片病害识别提供技术参考。     

基于改进YOLO v5s算法的大豆叶片虫洞的识别

鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害,提出了一种大豆叶片虫洞的识别方法：以YOLO v5s网络作为基础,在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理,提取虫洞边缘不规则信息;将特征信息输入空间注意力机制,提取时空融合信息,进而捕获野外不同背景下的颜色信息;针对大豆叶片虫洞目标远近不一的问题,重构特征金字塔结构,增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图,并将其与浅层同尺寸特征图进行拼接,提高虫洞目标识别定位的准确性;将融合后的总特征输入目标检测模块,输出单个对象的检测外框,得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试,结果对大豆叶片虫洞的平均识别准确率最高达95.24%,模型存储空间为15.1 MB,每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比,对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。     

一种基于YOLO v5的草莓多阶段目标检测方法

草莓是一种流行性较广的高价值水果,在我国种植面积较广。草莓采摘期较长,同一时间可能存在多种形态的果实,针对这一特殊生长习性,提出一种基于YOLO v5的目标检测算法,在准确识别成熟果实的同时,完成多阶段草莓的检测,用于机器人采摘、成熟期预估和生产管理。使用草莓生产环境下图像建立数据集,利用深度学习网络提取草莓生长期各阶段特征。将YOLO v5n、YOLO v5s、YOLO v5m 3种YOLO v5系列的模型和CIoU、EIoU、SIoU、AlphaIoU 4种损失函数计算方法组合,形成了12种算法,在数据集上进行对比试验,结果表明SIoU更适合本研究。将优化后的模型在Jetson Xavier NX和Jetson Nano 2款嵌入式开发板上进行推理效率验证,明确了不同开发板使用的最优模型,Jetson Xavier NX更适合YOLO v5m+SIoU的模型、Jetson Nano更适合YOLO v5s+SIoU的模型,为草莓智能化生产奠定基础。     

基于改进YOLO v5复杂场景下肉鹅姿态的检测算法研究

[目的]肉鹅姿态是预警肉鹅异常行为、评判肉鹅健康状态的重要指标,针对传统养殖场人工观察肉鹅姿态耗时费力且有很大主观性等问题,提出了一种基于深度学习模型自动识别肉鹅姿态的检测算法。[方法]利用YOLO v5模型对扬州鹅4种姿态(站立、休憩、饮水和梳羽)进行识别;对YOLO v5模型加入SENet、CBAM、ECA三种注意力模块改进网络结构,提高模型的识别能力;设计明暗试验和密集场景试验进一步验证模型在复杂场景下的鲁棒性。[结果]YOLO v5+ECA模型的平均检测精度(mAP)为88.93%,相比YOLO v5提升了2.27%。在识别精度(AP)上,站立姿态为91.85%,休憩姿态为93.42%,饮水姿态为90.02%,梳羽姿态为80.42%。在明暗试验和密集场景试验中,YOLO v5+ECA模型性能表现稳定,漏检现象和误检现象相对较少。[结论]该模型可以实现养殖场复杂场景下肉鹅姿态准确快速检测,为后续肉鹅行为监控和健康防疫提供数据支撑。     

基于YOLO v5的水稻害虫分类

针对水稻害虫识别过程中存在的检测难度大、模型精度低、计算量大等问题,以稻纵卷叶螟等14类水稻害虫为研究对象,改进了YOLO v5检测算法,引入高效通道注意力机制(efficient channel attention, ECA)与EIoU(efficient-IoU)损失函数,并结合Ghost卷积,提出了一种基于改进的YOLO v5水稻害虫识别方法：(1)通过引入ECA注意力机制实现对水稻害虫识别过程中重要信息的处理,采用跨通道信息交互,保证模型性能和降低复杂度;(2)引入EIoU损失函数代替CIoU(complete-IoU)损失函数,从而降低原有CIoU损失函数存在的回归精度问题;(3)利用Ghost卷积替换CBS模块及C3模块中的标准卷积,实现模型轻量化处理。结果表明,改进后的模型较原始YOLO v5模型精度略微提升,参数量减少,模型体积降低至7.38 MB,较原模型减少了46%,与YOLO v7、Faster-RCNN模型相比,mAP比YOLO v7高1.49百分点,比Faster-RCNN高12.89百分点,且本研究模型体积最小,检测速度满足实时性要求,使水稻害虫检测识别能够...     

基于改进YOLO v5的苹果叶部病害检测

针对YOLO v5检测模型存在的漏检率和误检率问题,改进目标检测技术,提升苹果叶部病害早期发现及定位的准确性和速度,从而减少经济损失。先采用加权双向特征金字塔网络(BiFPN)特征融合方法,有效改善PANet对多尺度特征融合的不良影响,并引入Transformer机制,有效改进原始网络结构,使其专注于有用的信息,并增强特征融合效果。再使用ATCSP模块和自上而下的特征融合方法,增强模型对多尺度疾病的检测效果,并将强大的语义信息传达至模型底层,进一步提高检测精度。使用数据集由实验室采集的苹果树叶样本构成,包含3 331张标记图像的矩形位置来标记病害。由于图像亮度分布不均匀,采用直方图均衡化和改进的直方图均衡化处理,使图像对比度得到增强,大幅降低后续图像特征提取的计算量。在训练和测试过程中,还对原始病害图像进行旋转、随机亮度增强、随机色度增强、随机对比度增强和锐化等数据增强操作。结果表明,改进的YOLO v5检测算法可以显著提高苹果叶部病害检测的精度,对比原始算法,平均精度mAP@0.5提高20.8%。改进YOLO v5苹果叶部病害检测算法能够及时发现和定位苹果叶部病害,进而为深度学习技术...     

基于改进YOLO v5的橙子果实识别方法

针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题,提出一种改进的YOLO v5方法。首先,在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块,加强网络对特征信息的提取能力;其次,在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积,能够在保证精度的前提下,降低模型参数量;再次,在预测头前加入ECA(efficient channel attention)注意力模块,能够更加准确定位目标信息;最后,引入EIOU(efficient intersection over union)损失函数加速预测框的收敛,提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见,所提出的改进网络在橙子检测上更有优势,能为今后智能采摘机器人的研发提供理论支撑和技术参考。     

基于YOLO v5s目标检测算法的烤烟鲜叶成熟度识别方法

新鲜烟叶的成熟度对烤后烟叶的质量有显著影响,可于烘烤前完成不同成熟度的新鲜烟叶分选,并对各成熟度采用特定烘烤工艺,以提高烘烤后的烟叶质量。以云烟87的新鲜烟叶为试验样本,将采集的新鲜烟叶分为上部叶、中部叶、下部叶,并依据不同部位成熟度划分为欠熟、成熟、过熟。采用YOLO v5s目标检测算法,利用卷积神经网络提取新鲜烟叶的不同成熟度特征,完成不同部位新鲜烟叶的成熟度识别试验,并与Faster-RCNN、Mask-RCNN检测模型的测试结果进行对比。结果表明,YOLO v5s对云烟87不同部位新鲜烟叶成熟度检测的总体mAP值分别为99.1%、97.5%、98.5%,单幅图像检测平均时间为29～30 ms。3种模型的对比试验中,Mask-RCNN、Faster-RCNN测试的mAP值均低于YOLO v5s,单幅图像检测平均时间均远高于YOLO v5s。采用YOLO v5s训练的不同部位新鲜烟叶的检测模型,在检测速度与精准度方面基本满足对新鲜烟叶成熟度识别的生产要求。     

基于轻量化改进型YOLOv5s的玉米病虫害检测方法

针对复杂环境下目前现有的玉米病虫害检测方法的精度不理想、模型复杂、难以在移动端部署等问题,本研究提出了基于轻量化改进型YOLOv5s的玉米病虫害检测方法。首先,采用轻量级网络GhostNet替换原始YOLOv5s模型中特征提取网络和特征融合网络的卷积层,降低模型的计算量和参数量,提高运行速度,以满足移动端的部署要求;其次,为弥补GhostNet所带来的检测精度下降缺陷,在模型的主干特征提取网络中引入注意力机制,更加全面地评估特征权值,以增强玉米病虫害的特征,减弱无关信息的干扰,提升检测性能;最后,将模型的损失函数由CIOU替换为EIOU,以增强模型对目标的精确定位能力,从而提升模型的收敛速度和回归精度。试验结果表明,改进模型相比原始YOLOv5s模型在对供试玉米病虫害检测中,P、R和mAP分别提高了1.9个百分点、2.2个百分点和2.0个百分点,分别达到了94.6%、80.2%和88.8%;在保持较高检测精度的同时,模型的计算量、参数量和模型大小分别减少了50.6%、52.9%和50.4%,解决了检测模型在移动端的部署问题。     

基于YOLO v4卷积神经网络的农田苗草识别研究

农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关.复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效.为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方法,首先使用多苗期、多时段和单一拍摄角度的图像采集方式并配合数据增强方法制作一个特征丰富的数据集.通...     

基于改进YOLOv5s模型的山地果园单轨运输机搭载柑橘的检测

由于山地果园运输机立地条件差,实时作业信息的获取、反馈、集中化管理较为困难,为了解7SYDD–200型山地果园单轨运输机搭载货物情况,合理调度运输装备,建立了基于改进的YOLOv5s模型的运输机搭载柑橘果筐的检测方法：在果园自然光环境下使用RGB相机(HSK–200)采集运输机搭载柑橘果筐的图像数据;建立和优化YOLOv5s模型,部署至嵌入式设备,实现对搭载过程中的“空果筐”“柑橘”“满果筐”状态的检测。在模型的颈部网络引入CBAM注意力机制,加强模型提取语义信息的能力,解决检测过程中出现的“双重标签”的问题,使用批归一化(BN)层稀疏的尺度因子衡量各通道对模型的表征能力,并对表征能力弱的通道进行剪枝压缩,以克服基模型YOLOv5s检测速度慢的问题,通过多尺度训练策略对模型进行微调,提高模型检测准确率。试验结果表明：改进YOLOv5s模型的检测方法在柑橘搭载数据集上平均精度均值(m AP)为93.3%;模型的浮点数运算量和大小分别为9.9GFLOPs和3.5 MB,比YOLOv5s的提高60.3%和21.3%;在嵌入式平台Jetson Nano部署,其检测速度为78 ms/帧。     

基于改进YOLOv5s的番茄叶片病害检测方法

为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明：YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精...     

基于YOLO v2的莲蓬快速识别研究

受莲蓬形状外观和生长环境影响,传统计算机视觉算法识别莲蓬存在效率与精度不佳的问题。本文研究采用YOLO v2算法进行莲蓬识别的方式,通过扩充莲蓬检测数据集、K-means维度聚类、深度可分离卷积网络结构和多分辨率图像对模型微调等方法实现提高识别精度、鲁棒性与识别速度。对比Darknet-19、Tiny Darknet与DS Tiny Darknet算法,结果表明,本文研究的识别方式可以达到102.1 fps的识别速率,可实现在复杂环境下对莲蓬的快速识别,满足莲蓬采摘机器人在采摘过程中对实时视觉信息的需求。     

基于改进型YOLOv5s的番茄实时识别方法

针对现有番茄检测精度低、没有品质检测和部署难度高等问题,提出基于YOLOv5s改进的番茄及品质实时检测方法,并与原始YOLOv5模型及其他经典模型进行对比研究。结果表明,针对番茄大小不同的问题,采用K-Means++算法重新计算先验锚框提高模型定位精度;在YOLOv5s主干网络末端添加GAM注意力模块,提升模型检测精度并改善鲁棒性;应用加权双向特征金字塔网络(BiFPN)修改原有结构,完成更深层次的加权特征融合;颈部添加转换器(transformer),增强网络对多尺度目标的检测能力。改进后的YOLOv5s番茄识别算法检测速度达到72帧/s。在测试集中对番茄检测均值平均精度(mAP)达到93.9%,分别比SSD、Faster-RCNN、YOLOv4-Tiny、原始YOLOv5s模型提高17.2、13.1、5.5、3.3百分点。本研究提出的番茄实时检测方法,在保持检测速度的同时,可降低背景因素干扰,实现复杂场景下对番茄的精准识别,具有非常好的应用前景,为实现番茄自动采摘提供相应技术支持。     

基于YOLOv5改进的咖啡叶片病虫害检测研究

为准确识别自然条件下的咖啡叶片病虫害,提出一种基于YOLOv5改进的目标检测算法。该方法通过在主干网络融入ConvNext网络和ECA注意力机制来优化相关网络模型,提高了网络特征提取能力,更好解决了鲁棒性差和对遮挡目标与小目标的漏检问题。结果表明,该方法的检测精度均值(mAP)达到了94.13%,检测速度和精度都具有良好效果,同时模型大小只有17.2 MB,可以满足边缘设备的运行条件。因此,改进后的YOLOv5算法可为自然环境下咖啡叶片病虫害识别提供技术支撑,满足实时目标检测的实际应用需求。     

基于自注意力机制和改进YOLOv5s的小目标生物检测

为了快速准确地检测出小目标生物(海参、扇贝、海星和海胆)在复杂水下环境的位置及所属种类,提出一种基于改进YOLOv5s的小目标生物检测算法。在特征提取阶段,引入基于多头自注意力设计的自注意力残差模块,强化网络全局建模能力的同时,强化目标特征信息;在特征融合阶段,将特征融合网络调整为添加横向连接的双向特征金字塔结构,增强网络融合不同阶段特征信息的能力;在检测阶段,舍弃大目标检测尺度并添加小目标的检测尺度,提升小目标生物的检测精度;最后,引入α–CIoU损失函数作为模型边界框回归损失函数,提高边界框回归精度,进而提高算法检测准确率。定性试验中,几乎所有肉眼可见的水产品目标都被改进模型检出,并正确标记,体现了改进算法的有效性。α值选取试验中,α值为2.0时效果最佳,平均精度均值(mAP)均优于其他值的,达到0.857,较α值为1.0时的提升了0.016。消融试验中,添加任一优化方法均会提升改进模型的检测精度,最终改进模型的mAP达0.873,较原模型的提升了0.032,模型参数量减少了26.8%,仅有5 M。对比试验中,改进模型的mAP较Faster RCNN、YOLOv3、YOLOv4、YOLOv5s、YOLOvX、SSD、NAS–FCOS、改进YOLOv5等的提升了0.020以上;改进模型在本地服务器的检测速度达139帧/s,较YOLOv5s的提升了14帧/s,略逊于以检测速度著称的SSD模型的。可见,改进模型能满足轻量和实时性要求。改进模型也成功部署到安卓移动设备中。     

基于改进YOLOv5s模型的柑橘病虫害识别方法

针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。     

一种基于改进YOLOv5s的电动车头盔佩戴检测方法

为了解决电动车驾乘人员头盔佩戴检测问题,提出了一种基于改进YOLOv5s模型的电动车头盔佩戴检测方法。该方法以YOLOv5s模型为基础,首先使用GhostBottleneck模块替换YOLOv5s中的卷积模块以减少参数量;其次设计了GhostCSP-Bottleneck来优化特征提取结构;最后在主干网络增加注意力机制提升检测精度。实验结果表明,改进后的模型平均准确率均值为84.2%,较YOLOv5s提升了1.3个百分点;模型参数量和体积分别压缩为原来的51.39%和47.95%,在小目标和密集目标场景下具有较好的泛化性;将模型移植到NVIDIA Jetson Xavier NX开发板上,检测速度达到28.2 FPS,满足检测的实时性和准确性要求。