优化YOLOv5s：细胞培养板高效分类识别算法提升4.5%

本文研究的是"改进YOLOv5s的细胞培养板分类识别方法"，针对生物实验室自动化水平较低、效率不高的问题，提出了一种基于YOLOv5s的轻量级模型——YOLOv5s-tiny。论文作者为王坛、王卫军、贺利乐和徐征，他们的研究发表在《机械设计与制造》杂志上，DOI为10.19356/j.cnki.1001-3997.20230525.003，网络首发日期为2023年5月26日。 首先，研究团队采用了多尺度同态滤波和颜色恢复算法预处理输入图像，这提升了图像质量，使小目标检测更加精准。他们对YOLOv5s的检测层进行了优化，针对实验场景中的小目标检测问题进行了剪枝，使用了深度可分离卷积替换普通卷积，以减少模型参数量并提高计算速度。此外，他们引入了距离交互比损失函数和软化非极大值抑制算法，这有助于加速模型训练并提高边界框的定位精度。 文章的重点在于引入了卷积块注意力机制，解决检测过程中的局部遮挡和漏检问题，这是通过增强模型对关键区域的关注度来实现的。这种机制显著改善了模型在复杂环境下的识别能力，尤其是在细胞培养板这类可能存在遮挡的场景。 通过对YOLOv5s-tiny算法的实际应用，研究结果显示相较于原始的YOLOv5s，新的算法在细胞培养板分类识别任务上的性能有所提升。准确率和召回率分别提高了4.5%和1.4%，这意味着在实际生物实验室操作中，工作效率得到了明显提高，有助于减少人工错误和节省时间。 总结来说，这篇毕业设计论文不仅介绍了改进的YOLOv5s-tiny模型的设计与实现，还展示了其在细胞培养板分类识别领域的应用优势和实际效能提升，为生物实验室自动化提供了有价值的解决方案。在遵循学术诚信和出版规范的前提下，这项研究对于推动机器视觉在生物医学领域的应用具有重要意义。