关键词： 路面裂缝   ROS   裂缝修复   图像处理  

摘要： 针对公路路面养护作业自动化程度低、人工养护作业耗时长、人力成本高等问题,本文基于机器人操作系统Robot Operating System(ROS),以Jetson Nano为核心搭建路面裂缝修复机器人模型,基于图像处理算法实现了路面裂缝识别,采用机械臂加末端装置的结构搭建了路面修复装置,并进行了机器人性能测试,可初步实现设计的功能,为下一步深入研究路面裂缝识别与修复提供了基础。

关键词： 输送带   表面破损   目标检测   YOLOv8  

摘要： 针对煤矿输送带表面产生的破损,采用改进的YOLOv8网络进行检测。首先在YOLOv8网络Backbone中的C2f之后添加高效通道注意力(ECA)模块;其次将Backbone中的标准卷积层替换为深度可分离卷积(DSC)层;最后将损失函数替换为高效交并比(EIoU)。实验结果表明,改进后的网络可高效提取破损特征,减少了网络的计算量,加快了网络训练的收敛速度,最终准确率提升至94.8%。

关键词： 小样本目标检测   元学习   Meta Faster R-CNN   背景抑制   特征增强  

摘要： 小样本目标检测的元学习方法能快速适应少量训练样本,较好解决现有常规检测模型泛化能力不强、适应新任务速度缓慢、鲁棒性差的问题,具有较高的实际应用价值,但该方法对支持集特征利用能力不足、检测精度不高。为此,基于支持集特征增强,针对元学习SOTA算法Meta Faster R-CNN进行改进,从支持集背景抑制与目标特征增强两个角度出发,削弱与待查询目标无关的背景信息并加强支持集内部特征之间的联系,构建一种检测性能更高的小样本目标检测算法。实验结果表明:在PASCAL VOC Novel Set数据集上的元测试阶段,本文改进算法在1-shot、2-shot、3-shot、5-shot、10-shot下的平均精度均值(mAP@0.5)较原算法分别提升了0.066%、12.038%、12.289%、10.073%、9.539%;在元微调后的测试阶段,本文改进算法的mAP@0.5较原算法有所提升或基本持平;增强支持集特征能够有效提升小样本目标检测精度。

关键词： 数字图像处理   任务驱动   CVIPtools软件   教学模式  

摘要： 传统数字图像处理实验教学中更加侧重于单一知识点的实践,由于学生对各知识模块之间存在关联性理解程度不足的问题,因此难以形成以应用驱动为导向的数字图像处理知识网络。设计了“任务驱动下的综合性实验+CVIPtools”的教学模式,以解决传统教学中学生缺乏系统性学习、学习兴趣不强的问题。将该模式引入到实验教学后,教师首先根据综合性实验所需知识,确定好基础性实验的重难点,避免平均用力;然后,在教师的指导下,学生独立完成综合性实验,充分发挥主动性,提高分析和解决问题的能力。结果表明,任务驱动下的数字图像处理实验教学模式在实验教学中成功实践,并取得了较好的效果。

关键词： 知识蒸馏   目标检测   模型压缩   注意力机制   计算机视觉  

摘要： 知识蒸馏是一种将知识从复杂的教师模型转移到轻量级学生模型的模型压缩技术.现有的为分类任务而设计的知识蒸馏方法在目标检测任务上的性能并不理想,仅观察到微小的改进.与分类任务相比,目标检测任务会在自然图像中同时定位和分类多个目标对象,这些目标对象往往具有不同的尺度和外观以及复杂的类间关系,并且分布在不同的位置,导致目标中心或周围区域以及前景和背景区域等都有可能对蒸馏有不同的贡献,知识在检测任务中变得相当模糊和不平衡,这使得目标检测中的知识蒸馏变得非常具有挑战性.为解决这个问题,本文提出一种新的基于注意力的目标检测知识蒸馏框架——类别语义和全局关系蒸馏,前者关注每个类别目标的关键前景位置,后者捕捉各类别目标像素之间的全局长远距离依赖关系.为验证本文所提出方法的有效性和泛化性,分别在SODA10M、PASCAL VOC和MiniCOCO三个具有挑战性的数据集基准上进行了实验.在多种目标检测器上,经过蒸馏之后的学生模型都取得了较大的性能改进.对于RetinaNet ResNet-50,其mAP在SODA10M数据集上提升了4.67,其AP50在PSACAL VOC数据集上提升了2.64.

关键词： 目标检测   YOLOv11   融合多尺度注意力机制   改进C2f模块   特征融合网络  

摘要： 随着智慧农业和自动化技术的迅速发展,农业生产中对于水果新鲜度的检测和判断需求日益增加。为了应对实际生产中拍摄图片存在的多尺度特征、密集分布和严重遮挡等问题,提升检测模型的准确性和实时性能,在目标检测模型YOLOv11的基础上进行了优化。具体改进包括引入融合多尺度注意力机制的C2f模块设计以及基于改进特征金字塔的路径聚合特征金字塔网络(Path Aggregation Feature Pyramid Network,PAFPN)模块。同时,为弥补现有开源数据集的不足,结合实际生产需求,收集并构建了包含8类常见水果的新鲜度数据集。在此基础上,对相关模型进行了测试和训练优化,并通过相关量化指标评估模型的识别准确率和实时性能。最终,采用相同的训练策略和超参数设计分别训练基准模型和改进后的模型,并在测试集中进行评估。实验结果表明,改进后的算法在测试集上的表现明显优于初始模型,平均准确率(mAP@0.5)提高了1.8%,mAP@0.5:0.95提高了2.5%,同时参数量减少,模型性能得到了有效提升。

关键词： 小目标检测   重参数化   特征融合   损失函数  

摘要： 针对无人机航拍图像目标尺寸小、分布密集且被遮挡造成误检漏检等问题,提出一种结合重参数化思想与多层次特征融合的航拍图像小目标检测算法.首先,利用重参数化思想设计了重参数化卷积模块(reparameterized convolution module,RCM),与C2f模块结合设计了C2f-RCM模块,通过扩大感受野有效绘制上下文信息,更好地提取图像中的细微特征.其次,为解决颈部网络在特征融合部分造成的信息丢失问题,提出一种多层次特征融合模块(multi-level feature fusion module,MFFM),该模块利用跨层次间的信息融合,有效减少了在遮挡情况下的漏检现象,使得网络在检测大、中、小目标时能够显著提升准确度.最后,提出一种Inner-Shape IoU边界框回归损失函数,通过构建辅助边框和关注边界框的自身形状,以增强模型的收敛速度.实验结果表明,与基线模型相比,本文方法在VisDrone2019中,mAP@0.5、Precision、Recall分别提高了5.7%、5.7%、2.4%,在AI-TOD中,mAP@0.5、Precision、Recall提升了3.7%、3.9%、5.3%,验证了本文方法在航拍图像小目标检测方面的有效性.

关键词： 隐匿目标检测   主动毫米波图像   多尺度反向校正特征增强   无损下采样   K-means++  

摘要： 针对毫米波图像中隐匿目标局部信噪比低导致检测障碍的问题,提出了一种基于多尺度反向校正增强和无损下采样的检测方法。首先设计了一种多尺度反向校正特征增强模块,在提取多尺度特征的多卷积核Res2Net上融合反向校正操作,实现大感受野区域对区域内相关小感受野区域卷积计算的反向校正,使得深度模型不仅能够获取更细粒度的特征,而且使宏观判别性表示贯穿多个尺度的特征信息;其次,利用非跨步卷积层的SPD-Conv实现无损下采样,缓解卷积下采样导致的信息丢失;最后,采用K-means++聚类算法生成适合隐匿目标检测任务的新锚框。实验在YOLO系列中选择了各方面性能都适中的YOLOv5s作为基础框架,针对现有的两种毫米波图像数据集(阵列图像集和线扫图像集)平均精度均值(mAP)mAP@0.5分别达到了96.21%和97.97%,相较于原版YOLOv5s以及YOLO其他系列等性能有显著提升。实验结果表明,该方法在不明显增加参数量和推理时间的同时,能够有效提升深度模型的检测性能。

关键词： 水下生物目标检测   YOLOv7-tiny   注意力机制   通道剪枝   复杂水下环境  

摘要： 在利用水下机器人进行生物捕捞与识别时,色偏、雾效应与光干扰等复杂水下环境的干扰会导致模型存在漏检和误检现象,同时,由于带宽受限,水下设备计算资源也受限制。为解决上述问题,提出了一种高检测精度的轻量级改进的YOLOv7-tiny模型。使用SiLU激活函数和EIOU损失函数提高模型收敛速度;使用双重注意力叠加的GAM注意力机制和三重注意力叠加的DyHead检测头更好地抵御环境噪声的干扰;最后,利用通道剪枝策略降低模型参数量。实验结果表明:在RUOD数据集上,改进后的模型有效的缓解了色偏、雾效应与光干扰等复杂水下环境下的漏检和误检现象,浮点数计算量降低8.4%,提高了水下设备在计算资源受到限制时的可用性。所提方法可适用于水下检测系统和水下机器人。

关键词： 小目标检测   YOLOv11   特征提取   感受野注意力  

摘要： 为了有效应对无人机航拍中小目标检测面临的复杂背景、目标密集、目标微小化和移动端部署等挑战,对YOLOv11n模型进行了改进。使用RFCBAMConv模块改进C3k2,增强了特征提取能力。设计了膨胀特征金字塔卷积(dilated featurepyramidconvolution,DFPC)模块,替代了原有的SPPF层。通过多尺度膨胀卷积,加强了对无人机小目标细节特征的提取。提出了一种新的特征金字塔结构,在P2层增加160×160尺寸的特征图输出,以提取小目标特征信息。该方法替代了传统通过添加P2小目标检测头的做法。引入了CSPOK模块和ContextGuidedBlock_Down(CGBD)卷积,显著提升了全局特征的提取能力和多尺度特征的融合能力。采用动态检测头(DyHead)替代了原有的检测头,提升了模型的目标检测精度。实验结果表明,改进模型在VisDrone数据集上的mAP@0.5和mAP@0.5:0.95指标分别提高了0.071和0.049。此外,在AI-TOD和SODA-A等数据集上的泛化实验也显示,改进模型在mAP@0.5上分别获得0.055和0.048的提升,充分验证了模型的有效性和泛用性。