针对绝缘子图像检测中存在的场景杂、视角多变、设备计算能力受限等问题,提出了一种改进的轻量级SE-YOLOv5s卷积神经网络来实现对绝缘子的快速目标检测,该方法首先在YOLOv5s网络中融合SE注意力模块,以强化网络对绝缘子目标的辨识能力,随后采用K-means聚类方法构建绝缘子的先验框,以提升定位精度,最后构造置信度与定位任务联合的损失函数
将K-means算法聚类生成锚框进行线性尺度缩放，从而提高模型检测精度。三结果分析 相较于YOLOv5s模型，改进YOLOv5s模型大小降低了1.57 MB，减少了模型参数，传输帧速度增加了2.1帧/s，平均精度均值提高了1.7%，表明改进YOLOv5s模型在检测速度和检测精度上均有提升。引用格式沈科,季亮,张袁浩,等.基于改进YOLOv5...
此外,轻量级的图像分类算法MobileNet[11]和ShuffleNet[12],也因其高效性而受到研究者的青睐。 在火灾检测领域,众多学者已经做了相关研究。陈新果采用改进的FasterR-CNN作为目标信息检测算法,通过K-Means++聚类方法优化锚框尺寸,结合基于递归策略的多尺度特征融合设计...
首先,通过在主干特征网络中引入BoT(bottleneck transformer)自注意力机制模块,构建融合整体与局部混合特征的映射结构,增强不同成熟期莲蓬的区分度;其次,采用高效交并比损失函数EIoU(efficient IoU)提高了边界框回归定位精度,提升模型的检测精度;再者,采用...
专利摘要显示，本发明涉及裂缝检测技术领域，特别是一种基于YOLOv5s的路面裂缝检测系统及工作方法。本发明的优点在于：构建了特定场景的路面裂缝数据集，并将其分为4个类别的路面裂缝类别，针对环境因素对路面裂缝带来的低精度问题，采用K-Means++聚类算法对其先验框进行了调整和重新聚类，实现对数据集的精确聚类分析，将...
YOLOv5使用k-means聚类法来初始化了9个anchors,任意地选择了9个聚类和3个尺度,然后在各个尺度上均匀地划分聚类。在COCO数据集上,这9个聚类是(10 × 13),(16 × 30),(33 × 23),(30 × 61),(62 × 45),(59 × 119),(116 × 90),(156 × 198),(373 × 326)。
本发明的优点在于:构建了特定场景的路面裂缝数据集,并将其分为4个类别的路面裂缝类别,针对环境因素对路面裂缝带来的低精度问题,采用K-Means++聚类算法对其先验框进行了调整和重新聚类,实现对数据集的精确聚类分析,将SE 注意力模块嵌入YOLOv5s网络模型的颈部网络层中,降低漏检率,提高整体检测性能;将路面裂缝检测和无...
(d)K-means聚类:使用聚类方法选取Anchorboxes,替代了手工选取,使Anchor boxes更加匹配样本的尺寸。 (e)限制Anchorboxes的中心点位置:通过归一化处理,使Anchorboxes的中心 点始终在gridecell中,增加了模型的稳定性,更易于学习。 (f)多尺度训练:模型训练的期间通过输入不同分辨率图像,使模型能够适应不同 尺寸图像的输入...
在YOLO系列算法中,Anchor框的尺寸是根据数据集中目标的实际尺寸分布通过聚类算法(如K-means)计算得到的。这些Anchor框会在训练过程中被不断调整,以更好地匹配目标的实际边界框。 2. 阐述YOLOv5s中Anchor的作用 在YOLOv5s中,Anchor框的主要作用有以下几点: 初始化预测框:在目标检测过程中,算法需要为每个可能的目标...
3. 配置文件内容： 参数配置：包括模型构建过程中所需的各种参数设置。 先验框：使用kmeans聚类得到的先验框，用于目标检测中的锚点设置。 backbone：由一系列Conv和C3层组成，图像尺寸逐渐减小，通道数逐渐增加，形成多个特征层。 Head：采用FPN+PAN的设计，通过Neck和Detect模块进行特征融合和目标检测。4....