YOLOv5
文章平均质量分 93
人工智能_SYBH
专注于大学生项目实战开发,讲解,毕业答疑辅导,高校老师/讲师/同行合作。以及产品测评宣传、工具推广等合作。全网粉丝10万+,掘金/知乎/华为云/阿里云/51CTO等平台优质创作者。
展开
-
YOLOv5改进策略|YOLO模型优化|使用 YOLOv5 和集成学习进行实时头盔违规检测、头盔检测.模型优化
摩托⻋相关伤害是全球交通相关死亡的主要原因之 一。1994年,据估计摩托⻋发生致命事故的可能性是乘 用⻋的11倍,到2007年增加到27.5倍[1]。严重的钝器外 伤是摩托⻋事故中死亡的主要原因,它会对骑乘者的身体 造成内外部损伤。这种创伤通常会导致头部、颈部、胸部 和身体中轴⻣骼系统其他部位受伤。1]。佩戴头盔可以减 少此类伤害的可能性。大量医学和非医学研究发现,使用 头盔可以在降低摩托⻋事故造成的伤害和死亡严重程度方 面发挥重要作用。原创 2024-06-15 21:39:13 · 70 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化| YOLOv5头盔检测、骑电车是否戴头盔检测.精确度、召回率和 mAP 分数分别为 0.848、0.599 和 0.641
摩托⻋事故对骑手和乘客构成重大威胁,其中头部受伤是此 类事故中最常⻅和致命的伤害类型。骑摩托⻋时戴头盔已被 证明可以减少严重头部受伤和死亡的⻛险显着增加。然而,尽管佩戴头盔 的好处众所周知,但遵守头盔法在世界许多地区仍然是一个 重大挑战[1]。不遵守头盔法可能归因于多种因素,包括缺乏 对使用头盔重要性的认识、佩戴头盔引起的不适以及不鼓励 佩戴头盔的文化或社会规范[2]。在某些司法管辖区,头盔可 能买不起或难以获得,从而进一步加剧了这一问题。不遵守 头盔法会使骑手和乘客在事故中面临严重受伤或死亡的危 险。原创 2024-06-15 21:30:30 · 76 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化| YOLOv5农作物开花检测,花朵检测,准确度高达 81.9%
美国 (US) 特种作物产量占美国作物总价值的 30% 至 40%(USDA,2019)。但面临人工疏花劳动力短缺、 授粉蜜蜂短缺等多种挑战,对全球粮⻝安全构成重大威 胁。由于农业机器人有取代/减少人类劳动力的潜力, 因此迫切需要开发用于农业作物负荷管理的自动化和机 器人平台(Bochtis 等人,2020)。树果生产中的作物负荷管理是一种平衡行为,既减少当 前季节的作物负荷以获得所需的果实大小和质量,又为 下一季节实现充足的回报开花(Terence Robinson 和 Hoying,2016)。原创 2024-06-15 21:19:11 · 211 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化| YOLO非法物品检测、违禁品检测识别、机场安检系统、X射线违禁物自动检测,准确率提升为92.1%
使用X射线扫描行李、包裹等来检测违禁物品是确保公共安 全(例如防止恐怖袭击、打击走私非法物品等)的重要要 求。X射线是波⻓比可⻅光短的电磁波,能够穿透大多数材 料;X 射线扫描仪利用这一基本特性来筛查行李或包裹等物 品(例如,在机场、邮局/海关等处)。人类操作员能够检测 到各种潜在威胁,例如使用扫描机生成的高分辨率图像来识别爆炸物、武器或尖锐 物体 [1]。原创 2024-06-14 22:59:40 · 438 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化|YOLOv5无人机检测识别、YOLOv5飞机检测识别、鸟类检测识别.准确率为96.2%
由于无人机应用的增⻓,无人机 (UAV) 在遥感和高级监视 应用中得到广泛采用。根据行业洞察,到 2026 年,全球无 人机市场预计将达到 480 亿美元[1]。由于其灵活性和移动 性,无人机在许多日常和工业应用中被广泛考虑,并且在配 备先进的人工智能(AI)技术时,其能力得到进一步增强。这一进步及其日益广泛的使用引起了人们对公共场所安全的 严重担忧,因为我们已经看到了无人机对基础设施造成损害 的多起实例[2][3]。因此,有效的检测系统对于防止恶意活动 是必要的[4]。原创 2024-06-14 22:51:48 · 500 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化| 基于密集通道压缩的目标检测 用于特征空间固化
在YOLO系列算法的⻣干网络中,无论YOLOv4、YOLOv5和 YOLOX中采用的CSPNet结构,还是YOLOv7中采用的ELAN结 构,最关键的组成部分都是瓶颈结构[18],如图1所示。在主干网络中,有很多创新的结构,例如 YOLOv3[35]中的Darknet-53、YOLOv4[3]中的Modified CSP、 YOLOv5[8]和YOLOX[11]中的Modified CSP v5以及Elan[42], YOLOv7[40]中的VoVNet[23]、CSPVoVNet[39]。原创 2024-06-14 22:41:31 · 266 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化| YOLOv5智能家居设备检测.准确率95.13%
随着智能家居设备的不断普及,人们对更高的性能和更好的用戶体验的要求越来越 高,为了满足这些期望,人机交互技术在智能家居领域的应用变得至关重要。该技 术提供准确、自然、便捷的交互,提高设备的可用性和易用性。此外,它还使智能 家居设备能够更好地了解用戶的需求和意图,提供智能、高效和个性化的服务,最 终提高他们的生活质量。为了提高人机交互的精准性和便捷性,计算机视觉技术对于视觉检测至关重要。在用戶端,检测他们的行为和需求对于智能家居设备准确响应并提供定制服务至关 重要。原创 2024-06-14 22:36:48 · 660 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化| YOLOv5棉花开花检测、植物开花检测,准确率提升到96%
由于全球人口的快速增⻓,对可持续农业的需求给农业 部⻔带来了巨大压力。由计算机视觉 (CV) 和机器学习 (ML) 支持的精准农业技术已成为有前途的解决方案,可以监测 作物健康、土壤特性和产量,并为农业可持续发展做出有 效的决策。数据将通过现场的异构传感器和设备(例如流 动站上的湿度传感器和摄像头)收集。然而,农场中连接 到互联网的大量对象导致产生大量非结构化和结构化数 据,必须以连续且易于分析的方式存储、处理和提供这些 数据(吉尔伯森和范尼科克,2017年)。原创 2024-06-14 22:31:12 · 560 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化|YOLOv5红绿灯检测、信号灯检测、交通灯分类、红绿灯识别
自动驾驶汽⻋ (AV) 有潜力提供安全、高效且便捷的交 通。据研究,加拿大和美国 30% 至 40% 的交通事故发生 在十字路口附近 [1]。因此,自动驾驶汽⻋有机会通过关注 交叉口处理来提高道路安全。为了在十字路口安全地自主 运行,自动驾驶汽⻋需要能够准确可靠地检测交通信号灯 (TL)。基于相机的 TL 检测提供有关给定光状态的有用语义信 息。然而,有必要在 3D 空间中定位 TL,因为在适当的相 机覆盖范围内,不同距离的多个交叉点可能在单个图像中 可⻅。原创 2024-06-14 21:54:35 · 283 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化| YOLOv5手势检测、YOLOv5手语识别 .准确率为 92%
尽管已有多个手语数据集,包括欧洲手语数据集 (Kopf 等人,2021),但仍然需要涵盖不同手语 和方言的更多注释数据集。在本文中,我们提出了 一个新的丹⻨手语注释数据集,称为 ADDSL (DDSL 的早期介绍可参⻅ Kristoffersen 和 Troelsgard,2010),其中包含 36 个类别的图 像,包括字母和数字。我们还提出了一种基于 YOLOv5 的 ADDSL 模型,它在我们的测试集上实现 了高精度和推理速度。本文的其余部分安排如下。第二节提供了手语识别 相关工作的更详细概述。原创 2024-06-14 21:45:52 · 684 阅读 · 0 评论 -
YOLOv5改进策略|YOLO模型优化| YOLOv5 识别肺癌、疾病监测、肿瘤检测、癌症检测.完整源码
由于许多科学变量,技术的不断发展给人们的生活方式带来了变化。生活方式的改变导致人类遗传细胞(脱氧核糖 核酸(DNA))的结构和功能发生变化[1]。结构改变的 DNA 被分配到两个新细胞中,从而形成重复的 DNA,用于 替换旧的 DNA 和垂死的 DNA,这一过程称为突变 [2]。由于突变机制受到辐射、吸烟、石棉纤维吸入和饮酒行为等 多种因素的影响,DNA细胞的错误突变通常会导致癌症的形成[3]。在美国,不仅男性 (14%),还有 13% 的女性都受 到肺部肿瘤的影响 [4]。原创 2024-06-14 21:38:43 · 197 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5深度学习辅助跟踪 细胞内蛋白质生⻓动力学的研究,准确率0.893
订阅专栏后私信获取完整源码+远程部署抽象的— 准确跟踪细胞和亚细胞结构及其动力学,在理解生物系统 的潜在机制方面发挥着关键作用。本文提出了一种新颖的方法,普 罗格罗特,它将 You Only Look Once (YOLO) 和 ByteTrack 算法 结合在基于检测的跟踪 (DBT) 框架内,以跟踪细胞内蛋白质纳米结 构。我们以 iPAK4 蛋白纤维为代表案例,对 YOLOv5 和 YOLOv8 模型进行了综合评估,揭示了 YOLOv5 在我们的数据集上的优越性 能。原创 2024-06-13 22:28:19 · 615 阅读 · 0 评论 -
YOLOv5改进策略|使用 YOLOv5 治疗帕金森病,92% 的平均分类准确度,提高了 5%
帕金森病(PD)是一种缓慢进展的神经退行性运动障碍, 主要影响运动系统。PD 常⻅的运动和非运动症状包括持续 失去运动控制(例如,颤抖、僵硬、运动缓慢、姿势不稳 定)、嗅觉丧失、认知改变等。帕金森病的类别包括帕金森 病的经典形式及其其他非典型变体,通常称为“帕金森氏综 合症”或“非典型帕金森病”。这些非典型 PD (APD) 更为严 重,通常传播速度更快;与经典 PD 相比,其治疗难度较 小。多系统萎缩 (MSA) 和进行性核上性麻痹 (PSP) 是此类 APD 的两个例子,均包含在本研究中。原创 2024-06-13 22:19:04 · 628 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5交通和道路标志检测,交通标识检测,道路检测,路标检测
目标检测是计算机视觉中的一项关键任务,在自动驾驶、 监控和图像搜索引擎等各个领域都有应用[1]。YOLOv5 (You Only Look Once version 5)是一种流行的基于深度 学习的单阶段目标检测算法,在速度和准确性方面实现了 最先进的性能[2]。然而,最近的研究表明,包括 CNN 在内 的深度学习模型很容易受到对抗性攻击,攻击者可以对输 入图像进行微小的更改,从而误导模型的预测。原创 2024-06-13 22:08:03 · 596 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5木板缺陷检测,木质检测,实现了 92.8% 的准确率,YOLO性能优化
木板缺陷检测 [1-5] 在当今时代非常重要。尤其是在装饰行业[6],木材作为非常重要的原 材料起着直接作用,其质量的好坏。除此之外,消费者更喜欢购买无节疤、无裂纹、无 孔洞的实木材料。为了满足消费者对人造板的需求,木材加工企业必须花费大量的劳动 力来识别木材表面缺陷的类型,去除有缺陷的部分并将剩余材料拼接在一起,这是木材 加工企业流行的方法,这不仅减少了木材的浪费,还提高了公司的盈利能力。然而,利 用大量人员来识别木材表面缺陷可能存在人工成本高、效率低、易受主观判断影响的缺 点[7]。原创 2024-06-13 21:54:43 · 858 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5用于隐私保护的视频对象检测重症监护室的病人监护,患者监测,模型高出 +1.7% mAP@.5
重症监护病房 (ICU) 是一个充满挑战的工作环境,需要大 量的人员配备和对紧急情况的持续警惕。来自多个医疗设备 的数字、曲线和警报虽然意图良好,但通常会造成额外的压 力。因此,严重的倦怠综合症大约存在于50%的重症监护医 生和三分之一的重症监护护士[1],这反过来又被证明与寻求 其他职业机会的意图密切相关。自Covid-19大流行在许多欧 洲国家爆发以来,医疗保健劳动力短缺问题尤为严重。为了减轻医疗保健专业人员和医生的负担,临床决策支持系统和早期预警系统有望帮助医疗保健专业人员做出决策。原创 2024-06-13 21:31:39 · 537 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5鸟类检测,准确率可以达到 87.40%,提升了21.25%,实时检测⻛力发电机附近的⻦类检测,k-means+聚类算法优化鸟类检测
海上⻛电是一种新兴的可再生能源技术,近几十年来经历了快速发展。它 是一种低成本、可再生、无污染的资源,海上⻛电现已成为世界上装机容量最 大的可再生能源之一[1]。然而,这些改进可能会对生态系统产生负面影响,特 别是对海⻦。有许多关于⻦类因与涡轮叶片碰撞以及筑巢和觅⻝栖息地丧失而 死亡的报道。随着⻛力涡轮机的普及,预计死亡人数还会增加。在美国,估计 每年有多达 50 万只⻦类与⻛力涡轮机相撞 [2]。候⻦物种受到公众高度关注, 并受到旨在保护共享自然资源的国际和国家立法的保护[3]。原创 2024-06-13 20:48:32 · 994 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5农业机器人系统:自动化 检测和语音控制.机械臂模块精确控制 幼苗或种子的拾取.农作物识别、水果识别
本文讨论了农业面临的挑战以及如何使用机器人和计算机视觉技术来解决这些挑 战。具体来说,讨论了农业机器人系统(ARS)对农业流程效率的影响。我们在这 项工作中重点关注通过对象检测、语音识别和机器人手臂轨迹来解决 ARS 问题。ARS 是一个使用先进的计算机视觉技术 yolov5 [14] 来准确检测、识别和区分各种植 物物种及其生⻓阶段的系统。该系统设计高效且适应性强,并且可以扩展以适应不 同的农场规模和作物类型。ARS 可用于自动化各种农业任务,包括种植、收割、施肥和检测。原创 2024-06-13 20:37:43 · 650 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5 的模型压缩方法、模型压缩、剪枝、量化
作为一个基本问题,目标检测多年来一直是一个活跃的研究领域。对象检测的主要目标涉及从数据中识别和 定位感兴趣的对象FF某些给定图像中的不同类别。对象检测是许多其他高级计算机视觉任务 [1] 的基础,从语义 分割 [2] 到对象跟踪 [3] 到活动识别 [4]。近年来,卷积神经网络(CNN)等基于深度学习的方法在目标检测任务 中取得了最先进的性能。由于计算能力和尖端算法的进步,物体检测变得更加准确,从而实现了广泛的现实应 用。原创 2024-06-13 20:15:07 · 930 阅读 · 1 评论 -
YOLOv5改进策略|YOLOv5极端施⼯条件下的个⼈防护装备检测.安全帽检测,完整源码+远程部署
如果工人穿戴适当的个人防护装备 (PPE),大多数施工伤亡都是可以避免的。因此,现场安全 检查的任务之一就是检查工人是否穿戴合适的个人防护用品。许多用于自动个人防护装备检 测的人工智能(AI)应用程序也已开发出来并应用于建筑项目,以协助安全官员实时检查工人 的个人防护装备合规性(Nath 等人,2020 年;Wang 等人,2021 年)。然而,这些现有的 PPE检测模型中使用的训练数据是在常规条件的环境中获取的,使得这些模型对极端条件缺乏 良好的鲁棒性。原创 2024-06-13 19:56:03 · 1261 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5草莓成熟度检测,YOLOv5s-Straw在未成熟模型中的平均精度为82.1% 其中,近成熟级为73.5%,成熟级为86.6%,分别提高2.3%和3.7%
传统上,草莓是手工采摘的,但随着劳动力成本的增加,这变得更具挑战性 以及美国和世界各地劳动力老龄化造成的劳动力短缺(Delbridge 等,2021)。近年来,据报道农业现场工人短缺,特别是在 COVID-19 大流行期间 包括水果作物种植(Charlton & Castillo,2021)。为了应对这一挑战,自动化或机器人草莓 正在研究收割方法作为手动收割的有希望的替代方案。原创 2024-06-05 23:22:28 · 997 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5 ⾃主检查和跟踪相关的任务|基于视觉的⽆⼈⽔⾯舰艇⾃主导航 极端海洋条件
近年来,由于海事行业的快速增⻓和对海洋数据的需求 不断增⻓,海洋机器人技术经历了显着增⻓[1]。海洋机器 人,特别是无人水面舰艇(USV),用于执行各种任务,例 如环境监测和海上安全自主监视。USV还用于救援行动以 及港口周围船只的不规则活动检测。为了在复杂且动态的 海洋环境中执行这些任务,需要能够准确捕获环境细节的 先进感知系统。鲁棒、实时的视觉感知系统提高了USV的自 主性和智能化水平[2]。基于视觉的感知系统为USV智能控制提供有关环境的重要 信息。原创 2024-06-05 22:21:25 · 1111 阅读 · 0 评论 -
YOLOv5改进策略|使用联网车辆数据和深度学习模型自动提取相关道路基础设施,整体分类准确率高达 95%,直路的 F1 分数达到了 97%,交叉⼝的 F1 分数达到了 90%
⾼效、准确的道路基础设施测绘对于优化交通系统、增强道路安全以及改善驾驶员和通勤者的 整体出⾏体验⾄关重要 (1)。然⽽,⼀个重⼤障碍阻碍了进展——⼿动识别交叉路⼝的过程既耗时⼜费 ⼒ (2)。这种低效率阻碍了为整个美国道路⽹络创建全⾯且最新的数据库,限制了更智能、数据驱动的 交通管理。⽬前,交叉⼝识别依赖于⽬视检查、利⽤道路和航空 图像 (3)、(4) 基于道路元素模型清单 ‒ MIRE 2.0 (5)。然⽽,正如爱荷华州交通部和交通研究所最近的 ⼀个项⽬所证明的那样,这种⽅法可能会占⽤⼤量资源且耗时。原创 2024-06-04 17:18:53 · 608 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5虫牙龋齿检测,引入平铺和平铺过滤策略来提高小目标检测的网络性能并获得 72.3%准确率。
龋⻮是⼀种多因素慢性⼝腔疾病,给许多国家带来了重⼤的⼝腔健康负担1。根据 2019 年全球 疾病负担,乳⽛龋⻮影响超过 5.2 亿⼉童2,⽽未经治疗的恒⽛龋⻮是最常⻅的健康问题1 3 4。如 果治疗不当,龋⻮会导致⽛髓炎、根尖周感染,甚⾄⽛⻮脱落5。恒⽛发⽣龋⻮⻛险最⾼的时 期是⽛⻮萌出后的最初⼏年6。尽管针对⼉童和⻘少年的防龋⼯作已做出巨⼤努⼒,但⻘少年中 的窝沟龋(PFC)⽐光滑表⾯的龋⻮更为普遍龋⻮最常⻅于磨⽛咬合⾯/颊⾯/腭⾯的凹坑和裂隙内。原创 2024-06-04 17:05:10 · 741 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5道路破损检测、道路病害检测优化,较最优模型提高了近4%
道路作为常⻅的公共设施,在⻓期的天⽓、外⼒等因素 的影响下,会出现不同程度的损坏,产⽣各种路⾯病 害,带来交通安全隐患。及时发现和养护道路病害,对于防 ⽌道路状况进⼀步恶化、预防各种交通安全问题有很⼤帮 助。因此,各国都⾮常重视道路状况评估[1]。传统的路⾯病 害检测是⼈⼯完成的,需要⼤量的⼈⼒、物⼒,⽽且很容易 因检测⼈员的疲劳⽽漏检病害。原创 2024-06-03 20:00:00 · 730 阅读 · 1 评论 -
YOLOv5改进策略|YOLOv5高效的多相机人员追踪系统|跟踪嫌疑人| 实现了 89% 的 F1Score、81% 的召回率和 91% 的平均 IOU
从监控和法律秩序的⻆度来看,视觉安全系统在当今世界变得越来越重要。可以利 ⽤⾼清图像和⼈⼯智能 (AI) 等技术进步来创建强⼤的⼈员和物体识别和跟踪系统。传统的安全⽅法涉及⼈员监控,这对于购物中⼼、智能城市和⼤学等⼤型区域来说 可能具有挑战性。公共场所普遍使⽤监控摄像头,但很难⼿动⽐较不同的个体。⼈ ⼯智能驱动的监控系统[1] 已经开发⽤于通过多个摄像头实时监控嫌疑⼈,解决这些挑战。从技术上讲,智能监控系统[18]可以分为两个部分:摄像机内跟踪和摄像机间跟 踪,其采⽤识别策略。原创 2024-05-31 21:00:00 · 957 阅读 · 0 评论 -
YOLOv5改进策略|实战应用案例|改进 YOLOv5 用于小物体检测|mAP提⾼了6.42%,mAP@0.5提⾼了9.38%、 Precision和Recall分别提⾼了10%和6.97%
⽬标检测算法已⼴泛应⽤于⽆⼈机(UAV)的智能系统 中,例如⾏⼈检测和⻋辆检测。它⾃动执⾏⽆⼈机拍摄照 ⽚的分析过程。然⽽,此类应⽤的最⼤问题在于检测⼩物 体,因为照⽚中的⼤多数物体从更⾼的⾼度变得更⼩。这 ⼀事实对物体检测的准确性造成了负⾯影响,包括⽬标遮 挡、⽬标密度低和光线的剧烈变化。You Only Look Once (YOLO)[15]是⼀种单阶段⽬标检测 算法,由于其低延迟和⾼精度⽽在⽆⼈机系统中占据主导 地位。它以图像作为输⼊并在⼀个阶段输出对象的信息。原创 2024-05-31 20:30:00 · 558 阅读 · 0 评论 -
YOLOv5改进策略|实战应用案例|YOLOv5 文档布局识别,精确度值为0.91,召回值为0.971,F1分数为0.939
在当今充满活⼒的数字时代,数据的⽣成和利⽤⼤幅增加。⾮结构化数据是指不具有预定格式的数据,在银⾏、 医疗保健和教育等不同领域中具有重要意义。Adnan 和 Akbar [2019a]。⽂档中包含的数据的很⼤⼀部分以⾮结 构化格式存在,并且在样式和内容⽅⾯表现出可变性。检测对象是计算机视觉中的⼀项基本任务,具有多种应⽤,包括布局检测。多年来,YOLO(You Only Look Once)系列模型已成为实时物体识别的杰出解决⽅案,以其卓越的速度和准确性⽽闻名。[2022]。原创 2024-05-31 20:00:00 · 1165 阅读 · 0 评论 -
YOLOv5改进策略|智慧医疗案例|YOLOv5龋齿检测,龋齿诊断
正如世界卫⽣组织2022年全球⼝腔健康状况报告所述[1],全球有 35 亿⼈患有某种形式的 ⼝腔疾病,20 亿⼈患有恒⽛龋⻮。此外,未经治疗的恒⽛龋⻮是最常⻅的⽛⻮健康状 况。此类病变的诊断需要检查临床图像,例如X射线(⼆维图像)或锥形束计算机断层扫 描(三维图像),以及对受影响的⽛⻮进⾏⽬视检查和探查。该过程⾮常耗时,并且在分 析临床图像时需要⾼⽔平的经验。⽤于协助和⽀持龋⻮检查的两种主要图像⽅式是咬翼 (BW) 和全景放射线摄影 (OPG)。2,3]。原创 2024-05-31 19:30:00 · 948 阅读 · 0 评论 -
YOLOv5 Small的改进和增强基于多模块目标识别优化|YOLOv5手机划痕检测,精度和召回率分别为 80.406% 和 76%|深⼊研究并改进了YOLOv5s模型在小目标检测任务上的局限性
在当今的⼯业⽣产和⽇常⽣活中,⼩⽬标识别发挥着越来 越重要的作⽤。在⼯业⽣产中,⽆论是微⼩缺陷的检测,还 是⾼速⽣产线上零件的精确定位,⼩⽬标的准确识别是提⾼ ⽣产效率和产品质量的关键。例如,在半导体制造中,早期 检测微⽶甚⾄纳⽶级别的缺陷可以显着降低⽣产成本。在⽇ 常⽣活中,⼩⽬标识别⽆处不在,从医学图像中的细胞检测 到在安全监控中跟踪⼩型⽆⼈机。⼩⽬标识别的研究引起了学术 界的⼴泛关注。传统⽅法主要基于特征⼯程和⼿⼯设计的算法 [1-2]。原创 2024-05-31 19:00:00 · 597 阅读 · 0 评论 -
YOLO改进策略|智慧课堂案例|YOLOv5、YOLOv7 和 YOLOv8自动检测学生的课堂行为,实现了⾼达 80.3% 的平均精度
近年来,随着⾏为检测技术的发展[1],分析课堂视频中学 ⽣的⾏为以获取其课堂状态和学习表现的信息已经成为可 能。这项技术对于学校的教师、管理⼈员、学⽣和家⻓来说 ⾮常重要。然⽽,在传统的教学模式中,教师很难关注到每 个学⽣的学习情况,只能通过观察少数学⽣来了解⾃⼰教学 ⽅法的有效性。学校管理⼈员依靠现场观察和学⽣表现报告 来发现教育教学中的问题。家⻓只能通过与⽼师和学⽣的沟 通来了解孩⼦的学习情况。原创 2024-05-31 14:29:44 · 751 阅读 · 2 评论 -
YOLOv5改进策略|实战应用案例|YOLOv5番茄病害检测,植物病害检测与补救建议
在许多发展中国家,许多农⺠⽆法直接与农业专家就其 作物问题和补救措施进⾏咨询。这些农⺠通常依靠代代相 传的传统耕作⽅法。然⽽,由于全球变暖导致的⽓候变 化,全球范围内的⼀般作物⽇历受到了显着影响。此外, 农作物中不断出现新的疾病。因此,领域专家的存在对于 社区内坚持传统耕作⽅式且年收⼊较低的当地农⺠⾄关重 要。这些农⺠严重依赖农作物作为主要收⼊来源,⽽获得 额外收⼊的选择有限。不幸的是,这些农⺠在聘请领域专 家进⾏咨询⽅⾯经常⾯临挑战,因为他们很少或⽆法获得 政府⽀持的直接或间接沟通渠道。原创 2024-05-31 18:00:00 · 850 阅读 · 0 评论 -
YOLOv5改进策略|实战应用案例|YOLOv5实时交通标志检测,实时准确率96%,实时交通标志检测系统!!!
根据美国年度道路交通事故统计,每年有超过 46,000 名美国⼈死于⻋祸 [1]。这个令⼈不安的⾼数字强调了需要 新的⼯具来帮助司机在路上⾏驶。随着⼈⼯智能最近的兴起及其成为现状主流的速度,利⽤这些程序是创建使道 路更安全的⼯具的最佳⽅法之⼀。其中⼀个⼯具就是准确及时的交通标志识别,它可以极⼤地帮助驾驶员并减少 每年致命事故的数量。对交通标志的正确识别和迅速采取⾏动对驾驶员来说是⼀项挑战,每年仅因不遵守停⻋标 志⽽发⽣ 70,000 起事故就证明了这⼀点 [2]。原创 2024-05-31 13:00:00 · 810 阅读 · 0 评论 -
YOLOv5改进策略|YOLOv5航天应用|YOLOv5卫星组件检测,PEEK 运行时间比 Eigen-CAM 快 100 到 1000 倍
减少未来空间碎⽚扩散的 ⼀种⽅法是通过在轨服务(OOS)来延⻓卫星的使⽤寿命。之前演⽰在轨运⾏的任 务包括 DART [6]、XSS-10 [7]、XSS-11 [8] 和 ANGELS [9]。最近,诺斯罗普·格鲁曼公司围绕 IS-901 [10] 和 IS-10-02 [11] 进⾏了 OOS 操作。然⽽,这些任务是围绕已知的 RSO 和单个追踪器进⾏的。事实上,最⼤的碰撞 ⻛险是由⼤型、不合作的 RSO 造成的,其结构、⼏何形状和功能尚不为⼈所知。原创 2024-05-30 17:05:21 · 651 阅读 · 0 评论 -
YOLOv5改进策略|实战应用案例|YOLOv5苹果成熟度检测 ,准确率提升4.6%
苹果作为世界四⼤⽔果之⼀,富含多种维⽣素和矿物质,⼀直深受世界各地消费者的喜爱。据联 合国粮⻝及农业组织统计,全球⽔果产量中,苹果位列第⼆位,仅次于葡萄(贾等⼈,2020 )。然⽽,⼤多数苹果果实都是⼿⼯采摘的,这样的⽣产⽅法效率很低。此外,随着⼈⼝⽼龄化 和农村劳动⼒⼤量涌⼊城市,⽔果种植⾏业的劳动⼒成本也相应上升。所有这些因素都显着影响 着⽔果产品的市场竞争⼒。因此,实时⾼效采收苹果等⽔果,降低采收成本势在必⾏。基于机器 视觉的⽔果采摘机器⼈可以利⽤其信息感知来识别和采摘⽔果。原创 2024-05-29 18:30:00 · 994 阅读 · 0 评论 -
YOLOv5改进策略|实战应用案例|YOLOv5机场安全围栏检查,破损围栏检测,YOLOv5平均精度 (AP) 提⾼了 6.9%
在当今时代,⻜机在全球交通中发挥着⾄关重要的作 ⽤。确保乘客、货物和机械的安全⾮常重要。这需要⻜机 上和机场基础设施内适当的安全机制。保护空侧等敏感区 域是机场运营商⾯临的⼀项重⼤挑战。例如,在德国,有 超过 540 个机场,其中 15 个根据 Luftverkehrsgesetz § 27d 第 1 段被归类为国际机场。为了获得此分类,机场必须遵守 § 8 Luftsicherheitsgesetz (LuftSiG),确保其敏感区域(包 括空侧)免受未经授权的访问1。原创 2024-05-27 19:00:00 · 1403 阅读 · 0 评论 -
YOLOv5改进策略|实战应用案例| 通过合成数据生成和比例类别平衡技术增强小物体的物体检测性能: 工业场景中YOLOv5,YOLOv7和SSD的比较研究
中给出的SSD模型的结果表明,尽管与其他YOLO模型相比,该模型无法获得最佳结果,但使用大量合成数据并将其与真实数据样本相结合来训练模型可以影响性能并提高模型的准确性。另一方面,当合成数据样本的数量是真实数据集的一半时,SSD模型的性能最高 (与YOLOv7模型相同),这意味着将合成数据的3分之1与真实数据集的3分之2相结合,可以影响和改善SSD模型的性能,从而达到最佳效果。除了与数据生成相关联的益处之外,当与基于真实图像的合成数据相比时,使用CAD模型生成的测试一下数据在域相异度方面表现出显著的挑战。原创 2024-05-27 18:30:00 · 559 阅读 · 0 评论 -
使用YOLOv5从图像和视频进行火灾探测,火灾检测
人类需要火,因为火能提供能量。但与此同时, 意想不到的火灾会导致许多事故。根据美国国家 消防协会(NFPA)的数据,消防部门应对了全国超 过35万起房屋结构火灾,造成近70亿美元的直接 损失。为了防止这类火灾,快速探测火灾至关重 要。传统上,火灾是用传感器探测的,在每个可 能发生火灾的地方放置传感器是昂贵的,因为它 没有覆盖足够的空间,维护也很耗时。由于数码 相机技术和视频处理技术的快速发展,以计算机 视觉为基础的系统取代传统的火灾探测方法是一 个重大趋势。原创 2024-05-23 20:00:00 · 802 阅读 · 0 评论 -
YOLOv5s 实现车辆检测和车辆测距 多策略协同优化YOLOv5s及其在距离估计中的应用
汽车的爆炸式增长带来的事故率的上升,使 得汽车主动安全系统的研究变得越来越重要。为了实现车辆检 测和距离估计的目标,提供安全预警,提出了一种基 于新型神经网络模型(YOLOv5s-SE)的距离估计安全预 警系统(DESWS),该系统采用DIoU代替IoU,嵌入SE 注意模块,利用相似三角形原理进行距离估计。此外, 本工作还提出了一种可以根据估计的距离使用非参数 测试给出安全建议的方法。通过仿真实验,验证了 mAP提高了5.5%,能够达到基于预估距离信息给出安 全建议的目的。原创 2024-05-23 18:30:00 · 1015 阅读 · 0 评论 -
基于YOLOv5的Robomaster EP自动辅助瞄准系统设计与实现
在Robomaster青年锦标赛的关键阶段,Robomaster EP机器 人必须完全依靠自主算法来保持竞争力。目标识别和自动 辅助瞄准是EP机器人不可缺少的功能。在本研究中,我们 使用YOLOv5进行多目标检测,以识别Robomaster EP机器 人及其装甲。此外,我们将深度排序算法集成到车辆识别 和跟踪中。因此,我们引入了一个基于yolov5的改进系统, 使机器人能够同时识别和瞄准多个目标。为了确保精确跟 踪,我们使用具有前馈增强的PID控制器和与卡尔曼滤波器 配对的FIR控制器。原创 2024-05-23 19:15:00 · 940 阅读 · 2 评论