栏目文章信息

YOLO的改进及应用专题 栏目所有文章列表 (按年度、期号倒序)     一年内发表的文章 |  两年内 |  三年内 |  全部 Please wait a minute... 选择: 导出引用 EndNote Ris BibTeX 显示/隐藏图片 Select 1. 改进YOLOX的轻量级安全帽检测方法 吕志轩, 魏霞, 马志钢 计算机工程与应用    2023, 59 (1): 61-71.   DOI: 10.3778/j.issn.1002-8331.2204-0405 摘要 （203）      PDF（pc） （1424KB）（113）    可视化    收藏 针对施工环境下安全帽数据集少，被检测物体目标小和现有检测模型参数量大导致的模型鲁棒性差，准确率低，训练时间长问题，提出了一种改进YOLOX网络的安全帽检测方法。使用在线困难样本挖掘（OHEM）寻找数据集中的困难样本，结合马赛克（Mosaic）方法对困难样本拼接来扩充训练集数量；在模型预测端（prediction）加入分支注意力模块，将网络输出分为两部分输入模块来提取空间层面和通道层面上关键信息；提出一种新的余弦退火算法，初始时加入预热（warm up），过程中逐段减小学习率曲线的振荡幅度，训练中减小模型的收敛时间。实验结果表明，与原方法相比，改进安全帽检测方法对安全帽检测的mAP、准确率、召回率分别提高了6.77、2.52、9.14个百分点，训练中使用CDWR余弦退火算法在同周期下损失值减少了0.5~1.0，与原算法相比训练收敛时间减少约50%。 参考文献 | 相关文章 | 多维度评价 Select 2. 改进YOLOv5s的小目标烟雾火焰检测算法 王一旭, 肖小玲, 王鹏飞, 向家富 计算机工程与应用    2023, 59 (1): 72-81.   DOI: 10.3778/j.issn.1002-8331.2207-0087 摘要 （291）      PDF（pc） （1664KB）（159）    可视化    收藏 针对复杂环境中，烟雾火焰检测存在精度低，小目标检测困难等问题，提出一种改进的基于YOLOv5s的小目标烟雾火焰检测算法。基于公开数据集自建了9?981张不相似的烟雾火焰图像数据集，解决现有数据集的限制，提高了模型的训练效率与泛化能力；在网络中添加3-D注意力机制SimAM，增加算法的特征提取能力，而且没有增加额外的参数；修改网络中的Neck结构，将三尺度检测改为四尺度检测，并结合了加权双向特征金字塔网络（BiFPN）结构，对特征融合过程进行修改，提高小目标的检测能力与特征融合能力；通过遗传算法来优化网络中的部分超参数，进一步模型的检测能力。实验结果表明，改进后的算法比原始YOLOv5s算法平均检测精度提高了7.2%，同时对小目标检测精度更高，误检漏检等情况减少。 参考文献 | 相关文章 | 多维度评价 Select 3. 改进YOLOv5的交通标志检测算法 胡昭华, 王莹 计算机工程与应用    2023, 59 (1): 82-91.   DOI: 10.3778/j.issn.1002-8331.2207-0307 摘要 （344）      PDF（pc） （1654KB）（147）    可视化    收藏 交通标志检测在自动驾驶、辅助驾驶等领域是一个重要的环节，关乎到行车安全问题。针对交通标志中存在目标小、背景复杂等难点，提出一种基于改进YOLOv5的算法。提出区域上下文模块，利用多种扩张率的空洞卷积来获取不同感受野，进而获取到目标及其相邻区域的特征信息，相邻区域的信息对交通标志小目标检测起到重要补充作用，可以有效解决目标小的问题；在主干部分引入特征增强模块，进一步提高主干的特征提取能力，利用注意力机制与原C3模块结合，使网络更能聚焦小目标信息，避免复杂背景的干扰；在多尺度检测部分，将浅层特征层与深层检测层进行特征融合，可以同时兼顾浅层位置信息与深层语义信息，增加目标定位与边界回归的准确度，更有利于小目标检测。实验结果表明，改进后的算法在交通标志检测数据集TT100K上取得了87.2%的小目标检测精度、92.4%的小目标召回率以及91.8%的mAP，与原YOLOv5算法相比较，分别提升了3.5、4.1、2.6个百分点，检测速度83.3?frame/s;在CCTSDB数据集上mAP为98.0%，提升了2.0个百分点，检测速度90.9?frame/s。因此，提出的改进YOLOv5算法可以有效提高交通标志检测精度以及召回率，且检测速度相当。 参考文献 | 相关文章 | 多维度评价 Select 4. YOLOv5目标检测的轻量化研究 何雨, 田军委, 张震, 王沁, 赵鹏 计算机工程与应用    2023, 59 (1): 92-99.   DOI: 10.3778/j.issn.1002-8331.2206-0231 摘要 （311）      PDF（pc） （906KB）（116）    可视化    收藏 现有目标检测算法通常存在体积较大、结构复杂等问题，致使室内机器人作业过程中识别速率与精度较差。针对这一问题，以室内目标检测为基础，提出了一种改进的YOLOv5s轻量化检测方法。该方法主要是在YOLOv5s网络的基础上引入ShuffleNet v2特征提取机制来实现网络的轻量化，同时采用加权双向特征金字塔BiFPN和边框回归损失EIOU获取特征信息更为丰富的特征图，来提升目标检测精度，从而得到一种新的室内目标检测模型。研究结果表明，改进后的模型参数量明显减少，模型复杂度减少了46%，平均精确率均值mAP提升到63.9%，实现了轻量化和检测准确率的平衡，该研究为目标轻量化研究提供了参考。 参考文献 | 相关文章 | 多维度评价 Select 5. 改进YOLOX网络的轴承缺陷小目标检测方法 李亚东, 马行, 穆春阳, 李建东 计算机工程与应用    2023, 59 (1): 100-107.   DOI: 10.3778/j.issn.1002-8331.2206-0100 摘要 （224）      PDF（pc） （1007KB）（119）    可视化    收藏 针对深度学习模型在工业轴承表面缺陷检测中多目标情形下的小目标漏检率高、模型特征融合不充分的问题，基于YOLOX提出一种多注意力特征加权融合的小目标缺陷检测算法。在骨干网络引入特征提取更加细粒度的Res2Block模块，同时嵌入自注意力机制，增加隐性小目标的区域特征，减少漏检率；设计内嵌坐标注意力并作为加权条件的双路金字塔特征融合网络，提升浅层细节特征和深层高级语义特征的交互融合能力；后处理阶段引入Focal Loss损失函数，增加模型对正样本目标的学习，进一步减少漏检率。实验结果表明，与原YOLOX算法相比，改进算法在自制小型列车轴承表面缺陷数据集上mAP提高了4.04个百分点，对小目标的识别率明显提升。 参考文献 | 相关文章 | 多维度评价 Select 6. 改进YOLOv5s的无人机目标检测算法 宋谱怡, 陈红, 苟浩波 计算机工程与应用    2023, 59 (1): 108-116.   DOI: 10.3778/j.issn.1002-8331.2205-0200 摘要 （228）      PDF（pc） （1276KB）（120）    可视化    收藏 无人机在情报、侦察和监视领域，目标自动检测可为侦察等任务提供准确的目标位置及类别，为地面指挥人员提供详尽的目标信息。针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点，提出一种改进YOLOv5s目标检测算法。将压缩-激励模块引入到YOLOv5s算法中，提高网络的特征提取能力；引入双锥台特征融合（bifrustum feature fusion，BFF）结构，提高算法对较小目标的检测检测精度；将CIoU Loss替换GIoU Loss作为算法的损失函数，在提高边界框回归速率的同时提高定位精度。实验结果表明，改进后的YOLOv5s取得了86.3%的平均均值精度（mAP），比原算法YOLOv5s提高了16.8个百分点，在复杂背景下仍能显著提升无人机图像目标检测性能。 参考文献 | 相关文章 | 多维度评价 Select 7. 基于YOLOv5的道路目标检测算法研究 王鹏, 王玉林, 焦博文, 王洪昌, 于奕轩 计算机工程与应用    2023, 59 (1): 117-125.   DOI: 10.3778/j.issn.1002-8331.2206-0316 摘要 （208）      PDF（pc） （1096KB）（128）    可视化    收藏 为提高道路目标检测精度，基于YOLOv5网络模型，引入自底向上的PANet网络结构，以增强特征融合；采用具有方向感知与位置信息的目标注意力机制，以增强对目标位置的感知能力；增加了一个YOLO检测头，以增强对小目标的学习能力。采用改进的CIOU（ICIOU）目标回归损失函数，使得整个模型对图像特征的学习能力和目标检测精度显著提升。实验结果表明，该模型在华为SODA10M数据集下的mAP达到了68.2%，相比原YOLOv5网络mAP提升了15.4个百分点，检测精度得到了明显提升。在此基础上，对图像尺寸对检测时间和精度的影响进行探索，结果表明适当增大图像输入尺寸，可以在检测速度下降不大（23.3个百分点）的前提下，使得mAP明显提升（3.8个百分点）。 参考文献 | 相关文章 | 多维度评价