关键词： 目标检测   RevCol网络   YOLOv5   Dynamic head检测头   MPDIoU   烟火检测  

摘要： 现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。

关键词： 荔枝   虫害检测   多场景   小目标   YOLOv10n   特征融合   注意力机制  

摘要： [目的/意义]荔枝虫害的精准识别有助于实施有效的防治策略,推动农业的可持续发展。为提高荔枝虫害的识别效率,本研究提出一种基于改进YOLOv10n的轻量化目标检测模型YOLO-LP (YOLO-Litchi Pests)。[方法]首先,优化主干网络(Backbone)的C2f模块,使用全局到局部空间聚合模块(Global-to-Local Spatial Aggregation, GLSA)构建C2f_GLSA模块,实现对小目标的高效聚焦,增强目标与背景的区分能力,同时减少参数量和计算量。其次,在颈部网络(Neck)引入频率感知特征融合模块(Frequency-Aware Feature Fusion, FreqFusion),设计频域感知路径聚合网络(Frequency-Aware Path Aggregation Network, FreqPANet),有效解决目标边界模糊和偏移的问题,并进一步轻量化模型。最后,使用SCYLLA-IoU (SIoU)损失函数替代Complete-IoU (CIoU)损失函数,优化目标定位精度并加速模型训练收敛过程。为了评估模型性能,本研究在自然环境和实验室环境的四种场景中,构建自建的荔枝虫害小目标数据集并进行测试。[结果和讨论] YOLO-LP在AP_(50)、AP_(50:95)、AP-Small_(50:95)分别达到了90.9%、62.2%和59.5%,较基线模型分别提高了1.9个百分点、1.0个百分点和1.2个百分点。同时,模型的参数量和计算量分别减少13%和17%。[结论] YOLO-LP在精度和轻量化方面表现优越,为荔枝虫害检测的实际应用提供了有效的参考。

关键词： 目标跟踪   交互式多模型   自适应   马尔可夫矩阵   无迹卡尔曼滤波  

摘要： 为解决传统交互式多模型(interactive multiple model, IMM)算法在车辆目标跟踪中存在模型概率变化不明显和跟踪精度不足问题,提出一种改进的自适应IMM-UKF(unscented Kalman filter)算法。首先采用匀速直线、匀加速直线和匀速转弯来建立车辆的运动模型,并通过无迹卡尔曼滤波对车辆目标进行跟踪。然后将子模型概率变化率作为IMM算法修正参数,对马尔可夫矩阵主对角线和非主对角线元素采用不同的修正策略。最后设置判定窗修正归一化后的马尔可夫矩阵主对角线元素,以扩大匹配模型的概率。结果表明,改进算法模型概率变化更加明显,位置和速度均方根误差均要小于原有算法,有效地提高了跟踪精度。

关键词： 无人机影像   数据集   深度学习   小目标检测  

摘要： 结合计算机视觉与遥感影像特征,充分利用蔬菜作物生长模式繁杂以及深度学习对复杂问题的建模优势,利用无人机获取的影像对多个蔬菜品种和不同生长时期、种植密度的模型进行训练和测试,构建了一个针对农业场景的蔬菜植株无人机小目标检测数据集(UAV-VTD),UAV-VTD通过高分辨率无人机影像采集,包含2147张尺寸为1000*750的无人机图像,标注类型包含超过五万个目标锚框,涵盖多种细粒度蔬菜目标。为适应农业环境的复杂性,数据采集涵盖多种光照条件(晴天、阴天、正午等)、多生长期(幼苗期、成熟期、结球期)以及复杂背景(杂草、土壤、残留农作物)。

关键词： YOLOv7   深度学习   输电线路缺陷检测   小目标检测   多尺度融合   Swin Transformer   β-dropout   自适应特征融合   损失函数  

摘要： 针对在复杂背景下输电线路多尺度缺陷目标检测精度较低的问题,文中提出一种基于改进YOLOv7(You Only Look Once version 7)的输电线路多类缺陷目标检测模型。对于复杂背景造成缺陷目标较低的问题,在Backbone部分引入改进的Swin Transformer模块,通过使用多头注意力机制提升对全局特征的提取效果来提高模型的检测精度。对于待检测目标的多尺度特性,在特征金字塔基础上引入自适应特征融合模块,提升了Neck部分特征融合网络对多类不同尺度缺陷目标的检测能力。使用SIoU(Structured Intersection over Union)损失函数在提高预测框回归精度的同时加快了模型的收敛。实验结果表明,相较于YOLOv5、YOLOv7和Faster R-CNN(Faster Region with Convolutional Neural Network)模型,改进YOLOv7模型具有较高的检测精度,其平均检测精度可达96.4%,检测速度为29.6 frame·s^(-1),能够为输电线路多类缺陷目标检测提供参考。

关键词： 水下目标检测   SimAM注意力机制   可变形卷积   WIoU  

摘要： 目的针对水下环境复杂,水下目标因光线折射导致的目标边界模糊或外观、形状可能会发生非刚性形变,使水下目标检测困难的问题,提出了一种基于SimAM注意力机制的DCN-YOLOv5水下目标检测方法。方法首先,采用YOLOv5所使用的双向金字塔网络(BiFPN,Bi-directional Feature Pyramid Network)在多个尺度上提取和融合特征信息,从而提高目标辨别的准确度;其次,针对水下目标的外观、形状变化问题,将C3模块中的CBS模块结合可变形卷积(DCN,Deformable Convolution Network),提出DBS模块并组成D3模块替换部分C3模块,以适应水下目标的外观、形状变化;同时,融入加权注意力机制(SimAM),自适应地调节模型的关注度,进一步在复杂场景下增强特征表达能力;最后,考虑目标边界模糊,为改善目标定位精度,采用WIoU(Wise-IoU)损失函数来替换交叉熵损失,能够更好地适应不同目标类型和尺寸的特点,提高算法鲁棒性。结果实验结果表明:DCN-YOLOv5可以达到87.57%的平均精度(mAP),检测效果优于YOLOv5网络和其他经典网络,平均每张图像的识别时间仅为24.5 ms。结论通过实验结果可以证明模型在检测精度明显提升的同时兼顾检测的实时性,对水下目标检测用于实际用途有着一定的参考价值。

关键词： 高速铁路   目标检测   模型试验   轨头伤损   YOLOv8   钢轨探伤  

摘要： 针对钢轨超声波探伤数据噪声多、伤损特征信息难以提取等问题,提出一种基于改进YOLOv8的钢轨轨头内部伤损检测方法。首先,为捕捉丰富和细致的特征信息,构建新的主干网络,使用具有多连接结构的多源分支模块替换C2f模块中的卷积层,扩展损伤特征提取范围和层次;其次,为更好捕捉小目标的细节信息,优化了YOLOv8的颈部网络,增加P2小目标检测层,将浅层和深层的特征图进行拼接,凸显小目标微弱特征;最后,引入MPDIoU(Maximum Perpendicular Distance Intersection over Union)损失函数,提高模型的泛化能力。试验结果表明:改进后的模型精确率达到92.0%,召回率达到92.4%,平均精度值达到94.8%,有效提高了轨头伤损检测的性能。

关键词： YOLO算法   目标检测   残差网络   特征分析   身份识别与跟踪  

摘要： 针对群组互动中单点追踪的难题,尤其是人物间遮挡及追踪目标失踪的问题,本研究开发了一种将个体目标检测与身份辨识相结合的图像追踪策略,旨在提高追踪系统的稳定性和目标遮挡后的快速恢复能力。本研究采用YOLO算法快速筛选潜在追踪目标,因其高效且精准,在图像目标侦测中广受推崇。随后,研究利用预训练的深度残差网络(ResNet)对候选目标进行特征分析,ResNet能捕获丰富且深层次的特征,对身份辨识至关重要。此追踪策略结合YOLO的高效筛选和ResNet的深度特征分析,显著提升了追踪系统在处理目标遮挡和丢失时的恢复效率。该研究为智能监控、公共安全等领域提供了新技术方案,有望推动相关技术的进一步发展和应用。

关键词： 印刷品缺陷检测   深度学习   异常检测   目标检测  

摘要： 印刷品缺陷检测通过分析纹理特征、颜色特征及形状特征确定缺陷的类别和位置,是印刷品质量管控的重要手段。本文针对现有印刷品缺陷检测方法进行综述。首先,回顾了传统印刷检测方法的原理和国内外应用现状,分析当前检测的特点和局限性;然后,重点探讨基于深度学习的印刷品缺陷检测方法,并对比了各方法的优缺点及适用场景;最后,总结了现阶段深度学习检测技术在印刷领域的局限性,并对该检测方法未来发展趋势进行展望。

关键词： 遥感图像   目标检测   Vovnet   上下文信息融合   自注意力  

摘要： 针对遥感图像目标检测面临目标分布密集、背景复杂、小目标众多等问题,在Vovnet算法的基础上进行改进,在特征提取主干网络中加入CoT全局特征提取模块,协同跨视角的特征提取,在多个尺度上保留了感受野的视角信息,以结合不同尺度目标的上下文信息并增强视觉表示;同时在FPN的基础上设计了上下文信息融合模块MSSFPN,建立在深层特征图上,在尺度维度对图像特征进行融合以增强目标的特征表示;引入深度超参数化卷积层进行预测,对每个通道的特征图使用独立的权重,使网络适应不同尺度所提取的图像特征,以提高检测精度。改进的算法在公开的Visdrone数据集中的目标检测平均精度均值(mAP)相较于原始Vovnet算法提升6.80个百分点,同样优于其他目标检测算法。实验结果进一步验证了所改进算法在遥感图像目标检测方面的高精度和有效性。