在自动驾驶应用场景下,将YOLOv5应用于目标检测中,性能较之前版本有明显的提升,但在高运行速度情况下检测精度仍不够高,本文提出一种基于改进YOLOv5的车辆端目标检测方法.为解决训练不同数据集时需手动设计初始锚框大小,引入自适应锚框...在自动驾驶应用场景下,将YOLOv5应用于目标检测中,性能较之前版本有明显的提升,但在高运行速度情况下检测精度仍不够高,本文提出一种基于改进YOLOv5的车辆端目标检测方法.为解决训练不同数据集时需手动设计初始锚框大小,引入自适应锚框计算.在主干网络(backbone)添加压缩与激励模块(squeeze and excitation,SE),筛选针对通道的特征信息,提升特征表达能力.为了提升检测不同大小物体时的精度,将注意力机制与检测网络融合,把卷积注意力模块(convolutional block attention module,CBAM)与Neck部分融合,使模型在检测不同大小的物体时能关注重要的特征,提升特征提取能力.在主干网络中使用空间金字塔池化SPP模块,使得模型输入可以输入任意图像高宽比和大小.在激活函数方面,进行卷积操作后使用Hardswish激活函数,应用于整个网络模型.在损失函数方面,使用CIoU作为检测框回归的损失函数,改善定位精度低和训练过程中目标检测框回归速度慢的问题.实验结果表明,改进后的检测模型在KITTI 2D数据集上测试,目标检测的精确率(precision)提高了2.5%,召回率(recall)提高了5.1%,平均精度均值(mean average precision,mAP)提高了2.3%.展开更多
煤矿井巷道存在着环境复杂、能见度低的特点,实时、准确地检测出巷道内的人员及位置是实现煤矿透明开采的前提条件。针对井下巷道内人员识别、定位的问题,提出了基于机器视觉技术的解决方案。通过巷道人员定位数据集训练模型,利用SE (Sq...煤矿井巷道存在着环境复杂、能见度低的特点,实时、准确地检测出巷道内的人员及位置是实现煤矿透明开采的前提条件。针对井下巷道内人员识别、定位的问题,提出了基于机器视觉技术的解决方案。通过巷道人员定位数据集训练模型,利用SE (Squeeze and Excitation)注意力机制对原始YOLOv5模型做出改进,得到SE-YOLOv5井下人员定位模型,并通过坐标转化求解出相对的三维坐标。试验结果表明,煤矿巷道人员定位模型能够准确地识别巷道内人员的三维坐标,检测精确率超过97.4%。展开更多
文摘在自动驾驶应用场景下,将YOLOv5应用于目标检测中,性能较之前版本有明显的提升,但在高运行速度情况下检测精度仍不够高,本文提出一种基于改进YOLOv5的车辆端目标检测方法.为解决训练不同数据集时需手动设计初始锚框大小,引入自适应锚框计算.在主干网络(backbone)添加压缩与激励模块(squeeze and excitation,SE),筛选针对通道的特征信息,提升特征表达能力.为了提升检测不同大小物体时的精度,将注意力机制与检测网络融合,把卷积注意力模块(convolutional block attention module,CBAM)与Neck部分融合,使模型在检测不同大小的物体时能关注重要的特征,提升特征提取能力.在主干网络中使用空间金字塔池化SPP模块,使得模型输入可以输入任意图像高宽比和大小.在激活函数方面,进行卷积操作后使用Hardswish激活函数,应用于整个网络模型.在损失函数方面,使用CIoU作为检测框回归的损失函数,改善定位精度低和训练过程中目标检测框回归速度慢的问题.实验结果表明,改进后的检测模型在KITTI 2D数据集上测试,目标检测的精确率(precision)提高了2.5%,召回率(recall)提高了5.1%,平均精度均值(mean average precision,mAP)提高了2.3%.
文摘煤矿井巷道存在着环境复杂、能见度低的特点,实时、准确地检测出巷道内的人员及位置是实现煤矿透明开采的前提条件。针对井下巷道内人员识别、定位的问题,提出了基于机器视觉技术的解决方案。通过巷道人员定位数据集训练模型,利用SE (Squeeze and Excitation)注意力机制对原始YOLOv5模型做出改进,得到SE-YOLOv5井下人员定位模型,并通过坐标转化求解出相对的三维坐标。试验结果表明,煤矿巷道人员定位模型能够准确地识别巷道内人员的三维坐标,检测精确率超过97.4%。
