摘要:传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问 题，提出一种改进后的轻量化YOLOv5s-GCAE算法，主干网络首先用GhostNet 网络中的深度可分离卷积GhostConv,以此 降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA 注意力机制，填补了引入轻量化网络时精度的缺失。引入自适 应空间特征融合(ASFF) 网络以有效融合多尺度特征，提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现 场。最后引入损失函数 EIOU, 促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图 片和自行收集的图片共9326张的安全帽佩戴检测数据集。实验结果表明，该算法的安全帽检测准确率为93.4%,比 YOLOv5s 算法高2.1%,符合电力场景下安全帽检测的精度要求。

摘要:针对某发电厂捞渣机状态监测系统设计需求，将机器视觉技术应用到捞渣机状态监测系统中，设计了一种粉尘环境 下的捞渣机刮板状态监测算法。该监测算法基于轻量化的YOLOv5s-SCB目标检测模型，实现了对电厂捞渣机刮板异常状态 的监测。由于捞渣机所处环境粉尘较大，在YOLOv5s-SCB模型的基础上，前端引入 DehazeFormer 去雾网络，并对其进行了 改进，将尺度、空间以及通道3种注意力融合到DehazeFormer网络中来提高其去雾能力。此外为了进一步提升检测精度，在 监测算法中加入了RAFT 光流网络来提取刮板的运动特征，利用RAFT 光流网络提取的运动特征与YOLOv5s-SCB 提取的 卷积特征进行特征融合。最终，通过选取400副粉尘图像进行刮板监测测试，误检率为0%,漏检率为4.9%,实验表明，该模 型具有良好的准确性和泛化能力，达到了预期目标。

摘要:针对目前对于充电站内车辆起火现象的检测精度较低、检测速度慢等问题，从实用化角度出发，提出了一种基于 YOLOv5s改进的车辆起火检测方法YOLOv5s-Fast。首先在Backbone网络中采用了全局上下文注意力机制与C3 模块进行 融合，成为一种新的特征提取的模块C3GC, 增强模型提取特征的能力，减少了计算量；其次在Neck 网络中采用了轻量级上采 样算子，能够根据输入图像进行自适应的上采样，提升了检测精度；最后引入解耦头，提高了目标检测的准确率与效率。实验 结果表明，所提出的方法 YOLOv5s-Fast与 原YOLOv5s 相比，平均精度提升了4.9%、检测帧率由原先的46 fps 提高到 59 fps,方法更加实用化。

摘要:针对车辆分类检测在精度和实时性方面存在的挑战，提出了一项改进方案，以优化YOLOv5s 模型，旨在实现轻量化 的汽车检测。通过在MPSoC硬件架构的现场可编程门阵列(FPGA) 上设计系统，成功打造了一个具备高精度、快速检测和低 能耗的解决方案。为了使得模型更适合嵌入式设备部署，采用了MobileNetv3 Small 替代YOLOv5s 的主干网络，并引入卷积 块注意力模块(CBAM) 注意力机制和Inner-IoU Loss 优化方法，使模型在轻量化的同时提升了检测精度和速度。改进后的模 型相较于原始Yolov5s模型，平均精度均值(mAP) 提升了14.8%,参数量减少了49.7%,模型体积减小了40.7%,计算量减 少了48.9%,在NVIDIA 3060上，改进后的检测速度提升了48.8%,达到了82 fps。此外，还利用FPGA 对YOLOv5s 进行了 硬件加速。经过优化的系统达到了45fps 的检测帧率，并保持了较高的精度和速度，这一系统易于部署，适用于智能交通系 统，满足其高效实时监测的需求。

摘要:针对目前的道路交通标志模型有着检测速度慢、模型大和参数多的缺点，提出了一种基于YOLOv5s 算法的轻量化交 通标志识别算法。首先引入轻量化 FasterNet 网络，利用该网络中的 FasterNet Block结构与原主干网络的C3 融合，形成一种 全新的 C3Faster 结构；接着将原网络的损失函数修改为基于最小点距离(MPDIoU) 的损失函数，来提高边界框回归的准确性 和效率；最后结合高效且轻量的置换注意力机制(shuffle attention,SA),提高模型的泛化能力和稳定性。在 CCTSDB 2021 数 据集上的实验结果表明，与原网络相比，改进后模型的参数量、模型大小、GFLOPs 分别减少了17.5%、17.5%和20%;同时 mAP@0.5 、mAP@0.75 、mAP@0.5:0.95 分别提升了2.3%、3.4%和2.4%。而且与 YOLOv3-tiny 等其他算法对比，所提 出的算法有明显的优越性，能满足各种场景下移动端实时性的需求。

摘要:针对不同颜色的可回收饮料瓶回收价值不同，进而需要解决颜色识别分选问题，提出一种基于YOLOv5s 的轻量化模 型并配合DELTA 并联机器人分选设备进行智能识别分选。模型减少了原 Backbone中C3 数量，并使用1×1的卷积核代替 了C3 和Conv 模块部分3×3的卷积核，采用GhostConv替代传统Conv,CIOU 损失增加了检测框尺度、长和宽的损失，提高 了矩形框回归效果，选择CIOU Loss作为 bounding box的损失函数，通过对其他传统模型对比实验，验证了模型的有效性。 结果表明，参数量和计算量相较原模型分别减少了33.80%和36.84%,对回收饮料瓶颜色的识别时间达到了0.008 s, 识别图 片速度125张/s, 识别精度达到了97%。较传统模型，改进YOLOv5s模型识别准确率更高，识别速度更快。