前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
一、摘要
针对现有输液监测方式无法同时监测输液速度和输液余量的问题，提出一种基于改进YOLOv5s网络的实时输液监测方法。在原有网络的基础上，融合Mixup数据增强，提高网络的泛化能力；以ACON-C作为激活函数，设计一种基于改进EfficientNetV2的轻量化主干网络，用于改善网络模型表达能力；特征融合阶段引入注意力机制，强化小目标液滴特征；通过Cluster－NMS方法对候选框进行分组集群以区分相似的液位和滴管特征。实验结果表明，所提方法与YOIOV5s相比，参数量下降了31％，mAP提升了1％。在复杂输液环境中，能够实现高精度实时监测输液速度和输液余量。
二、网络模型及核心创新点
1.Mixup数据增强
2.以ACON－C为激活函数
3.特征融合阶段引入注意力机制
4.Cluster－NMS方法
三、应用数据集
本文以浓度为5％的葡萄糖溶液、0.9％的生理盐水和少量其它颜色药液作为实验溶液。相机距离莫非氏滴管８cm～20cm，从多个不同角度对莫非氏滴管内的复杂场景图像进行采集，如下图所示。输液数据集使用LabeｌImg软件进行图片标注，标注对象包含液滴、液位、滴管三大类。数据集总共包含2000张图像，将训练集和验证集以82的比例进行随机拆分。
四、实验效果（部分展示）
1.下表可知，相比于原网络模型，以基于Efficient-NetV2改进的轻量化网络作为主干网络时，网络参数量大幅度下降，mAP提升了0.2％。
2.为了观察到体积变化明显的液滴，实验时，相机（帧率：30帧）每隔３帧采集一张图像，若要满足实时输液监测，则算法的检测速率需达到10ｆ·ｓ－1以上。
3.为了更加直观地观察本文算法对输液检测的改善效果，将本文算法与YOLOv5s算法对复杂场景输液图像进行检测。
五、实验结论
本文算法在检测精度和参数量大小之间取得更优的平衡，算挡时，YOLOv5s算法会出现漏检的情况，而本文算法通过使用更有效的网络模型和引入SE注意力机制，可以有效地检测出被遮挡的液滴小目标。
六、投稿期刊介绍
注：论文原文出自陈镇国，胡国清，付西敏，等：基于改进YOLOv5ｓ网络的实时输液监测；计算机工程与设计.
解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
