1 福州大学 先进制造学院，福建 泉州 362252
2 中国福建光电信息科学与技术实验室，福建 福州 350116
针对太阳能电池片缺陷检测方法存在精度低的问题，提出一种基于改进的YOLOv5s太阳能电池片表面缺陷检测算法。首先，为了解决电池片小目标缺陷检测问题，提出了上下文Transformer网络（CoT），可以为小目标提供全局上下文信息，帮助模型更好地预测小目标。其次，将CBAM注意力加入到Head部分的C3模块，能够更好地捕捉输入特征图的重要通道和空间位置，提高模型的性能和鲁棒性。接着，使用轻量级的通用上采样算子CARAFE减少上采样过程中特征信息的损失，保证了特征信息的完整性。最后，使用WIoU作为边界框损失函数，大幅提升了回归的准确性，并且有助于快速实现模型的收敛。实验结果显示，改进后的YOLOv5s相较于原始算法在Precision、Recall、mAP@0.5三个指标上分别提高了5.5%、4.1%、3.3%，检测速度达到了76 FPS，满足太阳能电池片缺陷检测要求。
太阳能电池片 YOLOv5s 上下文Transformer网络 CARAFE 损失函数 solar cell YOLOv5s contextual transformer network CARAFE loss function
1 广西大学计算机与电子信息学院，广西 南宁 530004
2 广西大学机械工程学院，广西 南宁 530004
为了实时检测乘客的异常行为，提出一种基于YOLOv5s算法的轻量化自动扶梯乘客异常行为实时检测算法YOLO-STE。首先在主干网络中引入轻量化ShuffleNetV2网络，以减少主干网络的参数量和计算量；其次在骨干网络的最后一层引入基于Transformer编码的C3TR模块，以更好地提取丰富的全局信息和融合不同尺度的特征；最后在YOLOv5s的特征融合网络中嵌入SE（Squeeze-and-excitation）注意力机制，以更好地关注主要信息，从而提高模型精度。自建数据集并进行实验，实验结果表明，相比于原YOLOv5s，改进算法的全类平均精度值（mAP）高出1.9百分点，达到了96.1%，模型大小减少了70.8%。并且在Jetson Nano硬件上部署测试所得，改进后的算法前传耗时比原YOLOv5s模型缩短了39.9%。通过对比改进前后的算法，后者能更好地实现对自动扶梯乘客异常行为的实时检测，从而可以更好地保障乘客乘梯安全。
目标检测 轻量化 YOLOv5s ShuffleNetV2 C3TR模块 注意力机制 激光与光电子学进展
2024, 61(8): 0812004
1 长春理工大学光电工程学院，吉林 长春 130022
2 长春理工大学空间光电技术研究所，吉林 长春 130022
目前多光谱行人检测算法大多对可见光与红外图像融合方法展开研究，但是充分融合多光谱图像所需的参数量巨大，会导致检测速度降低。针对这一问题，提出了一种基于时效性较高的YOLOv5s的多光谱行人检测算法。为了保证算法的检测速度，选用可见光与红外光通道方向上的合并方法作为网络的输入，并通过对传统算法的改进来提升检测精度。首先，用可变形卷积替换部分标准卷积，增强了网络对不规则形状的特征目标的提取能力；其次，用多尺度残差注意力模块替换网络中的空间金字塔池化模块，减弱了背景对行人目标的干扰，提升了检测精度；最后，通过改变连接方式，增加大尺度特征拼接层，提升了网络的检测最小尺度，提升了网络对小目标的检测效果。实验结果表明，改进后的算法在检测速度上有明显优势，并比原算法的mAP@0.5和mAP@0.5∶0.95分别提升了5.1和1.9个百分点。
行人检测 可变形卷积 注意力机制 小目标检测 YOLOv5s 激光与光电子学进展
2024, 61(10): 1037004
武汉工程大学机电工程学院，湖北 武汉 430205
针对现有激光软钎焊流水线上焊点缺陷检测设备成本高和传统算法检测速度慢的问题，提出了一种能部署在激光软钎焊设备上的改进YOLOv5s焊点缺陷检测算法。通过引入GhostNetV2卷积方式对骨干网络进行轻量化改进，减少了原网络模型的参数量，提高了网络模型的检测速度；同时引入全维动态卷积模块，提升了网络模型的特征提取能力，提高了网络模型的检测精度。实验结果表明：对YOLOv5s模型进行改进后，其网络参数量较原模型下降了23.89%；模型在自制的激光软钎焊焊点缺陷数据集和验证集上的均值平均精度达到了95.0%，相比原模型提高了1个百分点；实验平台上检测速度较原模型提高了12.62 frame/s。最后，在激光软钎焊设备上部署了所提算法，设备基本能够检测出相应的焊点缺陷，并且运行速度达到42.2 frame/s，基本达到了激光软钎焊实时焊点缺陷检测的应用需求。
YOLOv5s 激光软钎焊焊点缺陷检测 深度学习 轻量化 全维动态卷积 激光与光电子学进展
2024, 61(8): 0812005
1 华中科技大学智能制造装备与技术全国重点实验室，湖北 武汉 430074
2 湖北光谷实验室，湖北 武汉 430074
光刻热点检测是实现集成电路可制造性设计，保障集成电路芯片最终良率的关键。鉴于传统基于深度学习的光刻热点检测方法难以满足先进集成电路制造对检测精度的要求，提出了一种基于改进Yolov5s的检测算法，用于光刻版图热点缺陷的精确检测。通过将坐标注意力机制引入骨干网络，提高了Yolov5s模型对版图图形区域的关注度，进而极大地改善了基于Yolov5s的检测算法的光刻热点检测性能。与此同时，采用Sigmoid线性单元激活函数进一步完善整个神经网络的非线性表达，利用Scylla交并比损失函数更快速地定量评估边界框回归损失，提高了热点检测算法的收敛速度和精度。将ICCAD（The International Conference on Computer-Aided Design）2012竞赛基准、经光学邻近校正优化后的光刻图形作为数据集对所提算法开展性能测试实验，验证了热点检测算法的优异检测精度。实验结果表明，该算法的平均准确率、平均召回率、平均F1-score和均值平均精度分别达到97.7%、98.0%、97.8%和98.4%，显著优于其他光刻热点检测算法，展示了良好的应用前景。
光刻热点检测 改进Yolov5s 检测精度 坐标注意力机制 Sigmoid线性单元激活函数 Scylla交并比损失函数 激光与光电子学进展
2023, 60(24): 2422001
河南师范大学 物理学院, 河南省红外材料光谱测量与应用重点实验室, 河南 新乡 453007
车载红外图像的目标检测是自动驾驶进行道路环境感知的重要方式。针对现有车载红外图像目标检测算法中内存利用率低、计算复杂和检测精度低的问题，提出了一种改进YOLOv5s的轻量型目标检测算法。首先，将C3Ghost和Ghost模块引入YOLOv5s检测网络，以降低网络复杂度。其次，引进αIoU损失函数，以提升目标的定位精度和训练效率。然后，降低网络结构下采样率，并利用KMeans聚类算法优化先验框大小，以提高小目标检测能力。最后，分别在主干网络和颈部引入坐标注意力（Coordinate Attention，CA）和空间深度卷积模块进一步优化模型，提升模型特征的提取能力。实验结果表明，相对于原YOLOv5s算法，改进算法的模型大小压缩78.1%，参数量和每秒千兆浮点运算数分别减少84.5%和40.5%，平均检测精度和检测速度分别提升4.2%和10.9%。
自动驾驶 目标检测 红外图像 轻量型 YOLOv5s autonomous driving target detection infrared image lightweight YOLOv5s
1 宁夏大学 物理与电子电气工程学院，宁夏 银川 750021
2 宁夏沙漠信息智能感知重点实验室，宁夏 银川 750021
铁轨轨枕表面出现的裂纹可能对轨道交通造成安全隐患。针对铁轨裂纹检测的方法存在通用性差、精度低、召回率低的问题，提出一种基于改进YOLOv5s的铁轨裂纹检测算法YOLOv5s-CBE。首先将CA注意力模块分别加入主干C3模块以及C3与SPPF之间，从通道和空间两个维度捕获通道关系和位置信息，提高YOLOv5s主干网络特征提取能力。其次，在YOLOv5s的Neck部分，使用BiFPN融合不同尺度信息，获取拥有丰富语义信息的输出特征图；同时，加权双向特征融合金字塔结构通过引入权重调整不同尺度输入特征图对输出的贡献，优化特征融合效果，减少了卷积过程中特征信息的丢失，提高了检测精度。最后，将原YOLOv5s中损失函数CIoU改为EIoU。EIoU不仅考虑了中心点距离和纵横比，而且还考虑了预测框与真实框宽度和高度的真实差异，提高了锚框的预测精度。相较于原始网络YOLOv5s，YOLOv5s-CBE铁轨裂纹检测网络在自制铁轨裂纹数据集上，模型大小相较于基础网络YOLOv5s降低了1.0 MB，精度mAP提高了3.7%，召回率由73.5%提升到76.2%，不同尺寸裂纹的漏检现象减少，具有一定的优越性和实用价值。
铁轨裂纹 YOLOv5s 坐标注意力机制 特征融合 损失函数 rail crack YOLOv5s coordinate attention mechanism feature fusion loss function
1 广西大学计算机与电子信息学院，广西 南宁 530004
2 广西多媒体通信与网络技术重点实验室，广西 南宁 530004
垃圾回收的好处有很多，有助于保护水土资源，提高居民的生活环境质量，加快绿色循环经济发展，然而传统的垃圾回收需要大量人力和物力。结合ShuffleNet v2与深度可分离卷积，提出一个更轻量化的YOLOv5s改进模型，将其用于对可回收垃圾的分类和定位。实验结果表明：改进模型的参数量仅为原始模型参数量的38.98%；在输入分辨率为640×640时，改进模型的平均精度均值（mAP）为94.01%，比原始YOLOv5s高出1.91个百分点；在速度上，通过在Jetson Nano硬件上进行部署，改进模型的前传耗时比原始YOLOv5s少了11.5%。另外，与目前常见的主流的目标检测模型对比，所提改进模型也具有很好的表达可回收垃圾特征的能力。
垃圾回收 YOLOv5s ShuffleNet v2 深度可分离卷积 激光与光电子学进展
2023, 60(10): 1010010
重庆邮电大学 通信与信息工程学院, 重庆 400065
针对复杂矿井环境下光照度低、目标尺度变化大、目标间遮挡严重, 现有的目标检测网络特征提取困难、检测效果差等问题, 提出了改进的S3-YOLOv5s的矿井人员防护设备检测算法。在主干网络中加入无参注意力模块(SimAM), 提升网络的特征提取能力; 引入尺度均衡特征金字塔卷积, 加强多尺度特征融合; 最后采用SIoU作为边框回归损失函数并使用K-means++算法进行先验锚框聚类, 提高边框检测精度。实验表明, 相比现有的YOLOv5s算法, 所提算法在所有类别的平均检测精确度从89.64%提升到了92.86%, 在复杂矿井环境条件下对人员防护设备有优良的检测能力, 验证了所提方法的有效性。
矿井环境 防护设备 注意力机制 尺度均衡 mine environment PPE YOLOv5s YOLOv5s attention mechanism scale equilibrium
杨锦辉 1,2,3李鸿 1,2,3杜芸彦 1,2,3毛耀 1,2,3刘琼 1,2,3
1 中国科学院光束控制重点实验室, 成都 610000
2 中国科学院光电技术研究所, 成都 610000
3 中国科学院大学, 北京 100000
针对当前YOLOv5s的颈部特征提取网络PANET的特征提取不足、常规卷积Conv消耗了大量的参数量和计算量的问题, 提出一种轻量化目标检测算法(RFBG-YOLO)。首先,为了提升检测器识别效果, 提出多分支空洞卷积结构RFB-Bottleneck来提升PANET的特征提取能力, 提高模型检测精度; 然后, 为了使模型更加轻量化, 引入GhostConv卷积减少模型参数量, 提高检测速度。在PASCAL VOC数据集上的结果表明, 在检测速度影响很小的情况下, RFBG-YOLO 算法的mAP@0.5为80.3%, 与YOLOv5s算法相比提高了2.2个百分点, mAP@0.5∶0.95为55.1%, 与YOLOv5s算法相比提高了4.2个百分点, 模型参数量为5.2 MiB, 与YOLOv5s算法相比降低了2.0 MiB, 因此提出的RFBG-YOLO算法在保证模型轻量化的同时, 具有足够高的检测精度, 可以满足在轻量化目标检测场景下检测准确度的要求。
目标检测 轻量化网络 target detection lightweight network YOLOv5s YOLOv5s RFB RFB GhostConv GhostConv
