简介:摘要:随着船运流量的增加,也出现了相应的管理问题,例如对海上非法捕鱼、海盗行为、贩毒、非法货物运输的严厉打击,以及针对海上事故的救援。因此海域管理必须依靠船只巡航以及设备的监控、检测,形成一套实时监测系统,对我国的海洋管理具有重要的理论意义和应用价值。针对海上环境复杂多变、船舶目标检测精度不足和效率低下的问题,提出基于改进yolov5的船舶目标检测算法,在主干网络添加坐标注意力机制,以提升算法的特征提取能力;使用DIOU_Loss代替原有的损失函数,增加检测准确度和定位精度;应用GhostConv卷积,减小模型量的同时而保持精度基本不变。实验结果表明,相比与改进前的yolov5,改进算法的平均精度均值(mAP)、精准率(P)和召回率(R)分别提升了2.0%、1.7%、1.5%,验证了改进算法对船舶识别有很好的效果。
简介:摘要:针对目前灾害发生后的救援需求,本文开发了一款基于yolov5目标检测技术的两栖侦察设备。机载摄像头通过图传设备将灾后现场实时传递到地面工作站,运行算法对画面进行实时检测。本设备凭借自身两栖的机械优势,可以深入救援人员无法到达的区域进行勘测,帮助救援人员判断灾情,锁定被困人员的位置。目标检测效果良好,能够较好地反映实际情况,帮助救援人员快速开展救援行动。该无人机可以有效地提高灾后搜救效率,能一定程度上实现救援的智能化、信息化。
简介:摘要:工厂内违规吸烟可能引起重大的安全事故。为检测是否有人违规吸烟,提出一种可以快速准确检测吸烟的算法。该算法主要基于YOLOv5模型对摄像头输入的视频流进行实时处理。具体来说包含以下两个步骤:首先,选用合适的数据集,并对数据集的标注框进行优化;其次,使用decoupled head来调整模型的网络结构使其更好地适应吸烟检测场景的需求。实验结果表明,优化标注框的数据集召回率可以提升4.4,而改进后的算法相较于原始YOLOv5精确度提高3,召回率提升3.1,可以提供更高的检测准确率和更低的误报率。同时,在实际应用中,该算法具有较高的性能和稳定性,可以有效地用于工厂内吸烟检测的场景。
简介:摘要: 本文将使用改进YOLOv5s网络的PCB板缺陷检测算法,该网络基于YOLOv5s网络进行优化改造,不仅解决上述问题,还具有轻量化、鲁棒性高等优点,同时针对于PCB各类缺陷不易检测的难点,在优化后的网络中加入K-means+聚类算法,从而提高对于PCB小目标缺陷的检测精度。通过实验得出在 6 种 PCB 缺陷类型中对于漏孔类型缺陷检测精度达到 98.9%,所有类别 PCB可达 95.4%。实验结果表明,YOLOv5 算法可以满足工业生产中缺陷检测的需要。
简介:摘要:随着科技的飞速发展,智能交通系统在人们的日常生活中扮演着越来越重要的角色。但是,在实际应用过程中,由于可能出现光线多变、车牌遮挡以及拍摄角度不同等复杂情况,车牌检测仍存在误测问题。
简介:摘 要:YOLOv5是一种目标检测算法,它在多个数据集上取得了优秀的表现,是目前最先进的目标检测算法之一。传统YOLOv5算法用于变电站鸟类视频识别场景时,由于鸟类为小目标类型,容易出现预测框和真实框不相交,无法进一步学习训练的情况,需要对此算法进行改进并辅助以卡尔曼滤波目标跟踪算法,来达到对鸟类目标的识别及跟踪效果。
简介:摘要:现如今,医疗水平不断提高,医院的病患越来越多。医院在繁忙时医护人员会人手不足的情况,传染病也越来越受人们重视,在疫情时也衍生出“无接触”这个流行词,并被运用于各个领域。为减轻医护人员的工作量,减少医护人员与传染病患者的直接接触,为此我们设想制作一款送药机器人,利用了“无接触”的方式进行药物的配送,以此便利医护人员。本产品采用STM32作为机器人运动控制器,利用Jaston nano作为主控,上位机使用ROS控制系统,控制和监测机器人。YOLOv5目标检测技术、摄像头与Jaston nano结合进行图像识别,更快更精准的识别物品。同时机器人拥有六自由度机械臂,实现配送全程“无接触”。机器人使用物联网传感器,通过WiFi与激光雷达、UWB等技术相结合,实现传输实时数据反馈,便于监控机器人实时状态。
简介:摘要:生产安全是工厂的重中之重,划分出危险区域并进行安全驱离具有重要的意义,因此提出了一种基于改进的YOLOv5特定区域图像识别技术,通过对采集的实时视频进行处理、对YOLO模型中图像进行特定区域的划分,可以实现在移动端,或者性能较低的设备上进行图像实时监测和危险区域的划分。
简介:摘要:生产安全是工厂的重中之重,划分出危险区域并进行安全驱离具有重要的意义,因此提出了一种基于改进的YOLOv5特定区域图像识别技术,通过对采集的实时视频进行处理、对YOLO模型中图像进行特定区域的划分,可以实现在移动端,或者性能较低的设备上进行图像实时监测和危险区域的划分。
简介:摘要: 对于在一些特殊岗位的员工,如在岗期间具有安全隐患的电工、司机,需要时刻集中注意力的接待员、客服人员,若出现睡岗的现象需要及时发出提醒,立即处理。基于YOLOv5+DeepSORT的睡岗识别技术能够对睡眠情况进行识别检测,解决了耗费人力资源,处理不及时的问题,改善检测效率,节约了成本。本文提出将YOLOv5算法与DeepSORT算法相结合,通过数据采集、处理、模型训练等几个步骤建立睡岗识别模型。DeepSORT算法根据运动轨迹预测目标实际轨迹,锁定人物id,实现识别效果;YOLOv5算法通过数据增强、图像特征提取、图像分类、检测目标实现准确识别目标对象。实验结果表明:通过模型检验,模型的精确率已达到95%,识别速度已到达实时检测的效果。
简介:摘要:本文分析了目标检测算法YOLOv5网络结构的优缺点,提出了一种轻量化网络模型YOLOv5s-lite,对原来的YOLOv5s进行了模型加速,用分组卷积、深度可分离卷积和通道混洗操作代替网络中部分普通卷积,并在自制的螺栓模板数据集上验证了检测性能和模型复杂度,在基本不改变检测精度的情况下将网络模型减小了将近一半。