基于改进YOLOv5的火龙果成熟度识别方法

为实现自然环境下不同成熟度火龙果在不同光照、不同遮挡场景下的精确快速识别,提出了一种基于对YOLOv5的网络模型改进的一种检测模型（PITAYA-YOLOv5）。首先,使用k-means++算法重新生成火龙果数据集的锚框,提高了网络的特征提取能力;其次,将CSPDarkNet替换成PPLCNet作为骨干网络,并加入SE注意力模块（Squeeze-and-Excitation block）,在降低网络参数量的同时保持检测精度;同时加入加权双向特征金字塔网络（Bi-FPN）替换YOLOv5的特征融合网络,提高网络对不同尺度特征图的融合效率;引入αDIoU损失函数,提高了模型的收敛效果。试验结果表明：PITAYA-YOLOv5目标检测模型的平均精度均值为94.90%,较原模型提高1.33个百分点,F1值为91.37%,较原模型提高1.12个百分点,平均检测速度达到20.2 ms,占用内存仅有8.1 M。针对枝条遮挡和果间遮挡下的火龙果检测能力明显增强。对比Faster R-CNN、CenterNet、YOLOv3、YOLOv5以及轻量化骨干网络ShuffleNetv2,该模型具有良好的检测精...     

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。     

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。     

基于改进YOLOv5s算法的虾脊兰炭疽病识别

虾脊兰(Calanthe discolor Lindl.)炭疽病严重影响作物品质,必须在种植区进行海量植株的快速准确识别。然而由于背景环境复杂、种植密集与病叶形态的多样,传统的人工及机器学习识别均难于在精度与速度上满足要求。针对这一问题,本文提出了一种改进的虾脊兰炭疽病识别方法。本方法 YOLOv5s (You Only Live Once v5s)网络作为基础,引入注意力机制以提升病变部位的识别能力,利用样本变换方法适应多叶片形态的多样性,并针对改进了冗余的边界框的消除机制降低了误判与漏判。在实验中,本文构建了虾脊兰样本数据集作为测试数据,并将本方法与传统的深度目标识别方法进行对比,在测试数据集上平均准确率最高达95.4%,模型存储空间为13.78MB,每秒传输帧数为91f/s。平均准确率比FasterR-CNN、YOLOv3、YOLOv4、YOLOv5l、YOLOv5s分别高出0.97%、8.06%、1.82%、0.58%、1.81%。结果表明本文提出的方法在识别精度、识别速度上均获得了较大的提升,并仅需较小的模型部署,以上特征使得本方法更加适用于虾脊兰炭疽病识别的实际工作。     

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。     

改进的基于YOLOv5s苹果树叶病害检测

针对目前在复杂环境下苹果树叶病害检测准确度低、鲁棒性差、计算量大等问题,提出一种改进的基于YOLOv5s苹果树叶病害的检测方法。首先,该方法在YOLOv5s网络基础上,选择考虑方向性的SIoU边框损失函数替代CIoU边框损失函数,使网络训练和推理过程更快,更准确。其次,在特征图转换成固定大小的特征向量的过程中,使用了简单化的快速金字塔池化(SimSPPF)替换快速金字塔池化(SPPF)模块,在不影响效率的情况下丢失的信息更少。最后在主干网络中使用BoTNet(bottleneck transformers)注意力机制,使网络准确的学习到每种病害的独有特征,并且使网络收敛更快。结果表明,相比于基准网络YOLOv5s,改进后的YOLOv5s网络mAP精度为86.5%,计算量为15.5GFLOPs,模型权重大小为13.1 MB,相对于基准YOLOv5s,平均精度提升了6.3百分点、计算量降低了0.3GFLOPs、模型权重压缩了1 MB。并适用于遮挡、阴影、强光、模糊的复杂环境。本研究所提出的方法,在降低了网络大小、权重、计算量的情况下提高了复杂环境下苹果树叶病害的检测精度,且对复杂环境具有一...     

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YOLO v5s的温室番茄检测模型轻量化研究

番茄检测模型的检测速度和识别精度会直接影响到番茄采摘机器人的采摘效率,因此,为实现复杂温室环境下对番茄精准实时的检测与识别,为采摘机器人视觉系统研究提供重要的参考价值,提出一种以YOLO v5s模型为基础,使用改进的MobileNet v3结构替换主干网络,平衡模型速度和精度。同时,在颈部网络引入Ghost轻量化模块和CBAM注意力机制,在保证模型检测精度的同时提高模型的检测速度。通过扩大网络的输入尺寸,并设置不同尺度的检测网络来提高对远距离小目标番茄的识别精度。采用SIoU损失函数来提高模型训练的收敛速度。最终,改进YOLO v5s模型检测番茄的精度为94.4%、召回率为92.5%、均值平均精度为96.6%、模型大小为7.1 MB、参数量为3.69 M、浮点运算(FLOPs)为6.0 G,改进的模型很好地平衡了模型检测速度和模型识别精度,能够快速准确地检测和识别复杂温室环境下的番茄,且对远距离小目标番茄等复杂场景都能实现准确检测与识别,该轻量化模型未来能够应用到嵌入式设备,对复杂环境下的温室番茄实现实时准确的检测与识别。     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

基于YOLOv5改进模型的柑橘果实识别方法

为实现在自然环境下对柑橘果实的识别,提出一种基于YOLOv5改进模型的柑橘识别方法。通过引入CBAM(convolutional block attention module,卷积注意力模块)注意力机制模块来提高网络的特征提取能力,改善遮挡目标与小目标的漏检问题;采用α-IoU损失函数代替GIoU损失函数作为边界框回归损失函数,提高边界框定位精度。结果显示：本研究提出的模型平均精度AP值达到91.3%,在GPU上对单张柑橘果实图像的检测时间为16.7 ms,模型占用内存为14.5 Mb。结果表明,本研究基于YOLOv5的改进算法可实现在自然环境下快速准确地识别柑橘果实,满足实时目标检测的实际应用需求。     

基于改进YOLOv4算法的番茄叶部病害识别方法

为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。     

改进YOLOv5s的无人机鼠洞目标检测

[目的]针对自然场景下无人机拍摄的图像中鼠洞目标占比小,与地物高度融合且容易受阴影等各类因素影响,导致误识别率高的情况,需要对目标检测算法进行改进,以提高鼠洞定位精度。[方法]以YOLOv5s为基础算法进行优化改进,在Backbone主干网络的C3模块融合轻量ECA注意力机制模块,从通道方面更好关注特征信息,降低漏检率;在特征金字塔FPN中引入转置卷积学习最佳上采样方法,恢复卷积运算中丢失的有用信息;用SIoU替换CIoU损失函数来有效减少冗余框,同时加快预测框的收敛和回归。其次,做消融实验来验证3种改进策略的有效性并对比模型改进前后在不同场景下的识别情况。[结果]改进的YOLOv5s比原始模型的P、R和mAP分别提高了3.3%、3.7%和3.5%,FPS达到了56.7,且在特殊场景下无漏检、错检的情况,可以保证鼠洞检测的准确性和实时性。对比其它算法在平均检测精度、体积和速度上都较有优势。[结论]本文改进的算法能满足在复杂场景下的鼠洞检测,实现精确定位,为鼠害监测提供鼠洞检测方面的支撑。     

基于YOLOv5s的筐装禽蛋上料机器人视觉定位方法

针对国内禽蛋制品加工过程中,散装蛋水中上料时筐装蛋搬运自动化程度低的问题,设计一种自动上料机器人的视觉定位方案。该方案采用YOLOv5s和图像处理相结合的方法,在复杂环境中对散装禽蛋筐进行定位识别。建立最佳分割阈值T与图像平均灰度值M之间的关系模型,使用动态阈值分割法对图像中的堆垛整体进行分割,通过堆垛最小外接矩形的长宽比区分2种筐装禽蛋堆垛类型,堆垛类型识别准确率为100%。使用YOLOv5s对堆垛顶层的单个蛋筐进行定位识别,模型识别精确率为98.48%,检测单幅图片用时为0.005 4 s。根据YOLOv5s输出的定位结果对图片进行裁剪,通过图像分割将蛋筐边框分割出来并用Canny算子检测其边缘信息,计算所有蛋筐旋转角度,平均角度误差为0.41°。结合蛋筐高度得出筐装禽蛋堆垛中所有蛋筐的位姿信息。结果表明,基于YOLOv5s和图像处理的筐装禽蛋定位方法可以准确识别出筐装禽蛋堆垛中所有蛋筐的位姿信息,该系统具有较好的鲁棒性和可行性。     

基于 YOLOv5s 和 Android 的苹果树皮病害识别系统设计

【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于 Android 的苹果树皮病害识别 APP 以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病 3 种病害的图片 数据,经扩增和标注后按照 8 ∶ 2 比例进行训练集和测试集的划分。使用 YOLOv5s 算法训练苹果树皮病害识别 网络模型,对训练得到的轻量级网络模型进行 Android 端部署,并设计相应 APP 界面,实现对轮纹病、腐烂病、 干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在 88.7%,召回率稳 定在 85.8%,平均精度值稳定在 87.2%。其中腐烂病准确率为 93.5%,干腐病准确率为 88.2%,轮纹病准确率为 84.3%。将其在 Android 端部署后,每张病害图片处理时间均小于 1 s,检测置信度为 87.954%。该轻量级识别系 统不仅实现了 3 种病害的快速检测,也保证了较高的识别精度。【结论】YOLOv5s 网络权重模型小,能够轻松 实现 Android 端的部署,且基于 YOLOv5s 设计的 APP 操作简单、检测精度高、识别速度快,可以有效辅助果园 精准管理。     

基于改进YOLOv5网络的疏果前苹果检测方法

为了实现自然环境下疏果前苹果的快速识别和精确定位,满足果园智能化种植需求,提出了一种基于改进的YOLOv5深度学习的检测模型。首先,为了解决苹果的尺度大小不一带来的问题,改进目标检测层,在YOLOv5的第17层之后对特征图进行上采样,在第20层将网络提取到的特征图与Backbone网络中的第2层特征图进行融合操作,以生成不同尺寸的检测层。其次,为了克服复杂环境的影响,改进特征融合网络,使用BiFPN(Bidirectional Feature Pyramid Network))进行特征融合,来更有效地提取目标信息。最后,将采集到的苹果图像进行不同网络模型检测效果对比试验。试验表明,改进的模型经过8 274幅图像训练,在2 759幅测试集上的检测准确率为94.2%,召回率为95.2%,F₁值为94.7%;相比YOLOv3、YOLOv4、原YOLOv5网络,准确率分别提高了4.4%、7.0%、2.3%,F₁值分别提高6.1%、6.5%、2.6%;相比YOLOv3、YOLOv4网络,图像的检测速度分别提高了13.5、21.4 ms/幅。结果表明,在...     

基于YOLOv4网络的棉花顶芽精准识别方法

为实现非接触、低成本、精准识别棉花顶芽,提出一种基于YOLOv4网络在复杂环境下对棉花顶芽进行精准识别的方法。利用K-means算法对棉花顶芽数据集进行聚类,优化先验框改善网络检测精度和速度,得到最优权值模型。对聚类前后模型以及与其他目标检测模型在棉花顶芽检测性能上进行了对比试验,并探究了顶芽在逆光和遮挡环境下,不同模型的检测性能。结果表明：该模型在测试集的平均检测精度（AP）、精确率（P）、召回率（R）、调和平均值（F₁）比原模型分别提高0.36%、1.73%、0.52%、1.16%,单张图像平均检测时间缩短0.28 s;对比SSD、YOLOv3、Tiny-YOLOV4模型,该模型检测精确率和F₁值最高,性能均衡;在自然场景处于逆光状态下,YOLOv4模型检测顶芽效果好于其他模型,且逆光环境对检测影响小;在遮挡条件下各个模型检测精度均有不同程度下降。