关键词： 无人机   航拍图像   注意力机制   损失函数   轻量化  

摘要： 针对无人机视角下航拍图像目标检测中存在的目标尺度变化多样、背景复杂、小目标聚集以及无人机平台计算资源受限等问题,提出了一种改进YOLOv8目标检测算法YOLOv8-CEBI。首先,在骨干网络引入轻量级Context Guided模块,显著降低模型参数量与计算量,同时引入多尺度注意力机制EMA,捕获细粒度空间信息,提升对小目标和在复杂背景下的检测能力。其次,引入加权双向特征金字塔网络BiFPN,对颈部进行改造,在保持参数成本的前提下,增强多尺度特征融合能力。最后利用Inner-CIOU损失函数生成辅助边框以更精准地计算损失并加速边界框回归过程。在VisDrone数据集上进行实验,结果表明,与原始YOLOv8s算法相比,改进方法参数量减少51.3%,运算量减少28.5%,mAP50提升1.6%。所提模型在轻量化的同时提升了精度,取得了在减少计算资源与保证精度之间的平衡。

关键词： 点云配准   计算机视觉   注意力机制   自适应权重   特征提取   特征融合  

摘要： 三维点云配准作为一项关键技术,在计算机视觉、自动驾驶和机器人导航等领域有着广泛的应用场景。为了解决三维点云配准网络中存在的空间结构信息提取、融合不充分等问题,提出一种混合注意力自适应权重的点云配准算法。利用混合注意力机制进行特征提取,将关键点的局部细节与全局上下文信息相结合以强化特征的表征能力。采用自适应权重网络,根据数据内在特性学习并分配不同特征的重要性权重实现特征融合。在ModelNet40数据集和KITTI odometry数据集上分别进行实验,实验结果表明在ModelNet40数据集上配准准确率达到96.7%。在KITTI odometry数据集上相对旋转误差和相对平移误差分别降低到6.2cm和0.32°。本文算法使用的混合注意力机制自适应权重,有效提升点云配准精度。

关键词： 数字图像处理   教学改革   案例教学法   MATLAB  

摘要： 数字图像处理作为一门技术密集型学科,在研究生教育中占有重要地位。随着科技的快速发展,传统的教学模式往往难以满足学生对实际操作和问题解决能力的需求。采用工程案例的教学模式,能够更好地适应数字图像处理领域的特点,培养学生的创新能力并提高学生的实践能力。本文阐述了在研究生“数字图像处理”课程中采用案例教学法的教学改革,分析其必要性、实施过程,以及评估案例教学法对研究生学习数字图像处理知识的成效,并提出相应的教学改革建议。实践与研究表明,在研究生“数字图像处理”课程教学中,引入工程案例,运用MATLAB仿真,获得了良好的教学效果,解决了数字图像处理实践教学中存在的问题。

关键词： 遥感图像   Swin Transformer   车辆检测   AU-AIR   Atiny-YOLO  

摘要： 遥感图像具有尺度多样、密集排列和目标尺寸小等特点,针对遥感图像中背景噪声多,车辆目标较小难以获取的问题,提出一种基于改善特征融合方法的车辆目标检测算法Atiny-YOLO。首先,在YOLOv5的Neck层中引入针对小目标的额外检测层,从而生成更大规模的特征图,有效识别小物体的细节特征;其次,向C3模块中添加split操作以复用图像特征信息,进一步优化Swin Transformer模块提高有效信息的使用率;最后,通过改善特征融合通道,提升检测精度的同时减少模型参数。在无人机视角数据集(aerial universal autonomous inspection and recognition, AU-AIR)数据集上验证Atiny-YOLO模型的有效性。实验结果表明:Atiny-YOLO算法相较于基线算法的平均检测精度提高了约2.9%。达到95.5%,检测速度达到234帧/s。这些结果验证了Atiny-YOLO算法在满足实时性的同时,模型检测精度大幅提升。

关键词： 特征点提取   特征匹配   GMS   动态贝叶斯网络  

摘要： 针对传统图像处理中快速特征检测和描述算法(ORB)特征点提取不均匀、匹配速度慢、匹配准确率不高的问题,提出了一种改进ORB特征点提取与匹配的图像处理算法。首先,使用改进的四叉树算法对ORB特征点进行均匀化提取,最大限度利用整幅图像的信息;其次,进行特征点的暴力匹配和基于网格的运动统计(GMS)筛选,对特征匹配进行初步筛选,提高匹配准确率;最后,利用动态贝叶斯网络筛选得到最佳匹配模型和最佳匹配对,提高匹配准确率的同时减少筛选时间。实验结果表明,提出的改进算法较传统算法,均匀度有明显改善,完成提取与匹配所用的平均时间较其他改进算法均有减少,匹配准确率较其他算法均有提高,特别是相比传统ORB算法提高了49.1%,整体效果明显优于传统的ORB算法及其他改进算法。证明改进ORB特征点提取与匹配的图像处理算法可以较好地实现特征匹配准确率与特征匹配速度的同步提升。

关键词： 目标检测   表情识别   YOLOv7-tiny   注意力机制   Mish函数   CARAFE算子  

摘要： 表情识别不仅能够提升人机交互体验,推动情感计算的发展,还可以辅助心理健康评估和治疗,提升社会安全和监控效率。为了提高表情识别的检测平均精度,提出了一种基于优化YOLOv7-tiny的表情识别算法。首先,将YOLOv7-tiny中原有的激活函数替换为Mish函数,提高了模型的优化能力;在YOLOv7-tiny的主干网络上再增加CA注意力机制,提高了对目标感兴趣区域的注意,增加了检测的平均精度;最后,将Neck层的上采样部分替换为轻量级上采样算子CARAFE,提高了特征融合能力。实验结果表明,优化后算法的检测效果有了明显的提升,与原始YOLOv7-tiny相比,模型的mAP@0.5提高了1.6百分点,达到88.6%,mAP@0.5:0.95提高了1.3百分点,达到64%;图片检测速度达到每张图片5.0 ms,而且模型保持了轻量化。

关键词： YOLOv5s   注意力机制   采摘机器人   BiFPN   目标检测  

摘要： 为了提升采摘机器人采摘番茄果实的识别准确率,减少误判和漏检的情况,该文提出一种基于YOLOv5s的番茄检测改进模型,首先将CA注意力机制加入到YOLOv5s模型的特征提取环节,为了进一步提高模型的泛化能力,实现多尺度特征融合,引入了BiFPN结构替换原有的PANet结构,同时结合损失函数IoU进一步优化模型的训练过程,从而提高检测精度。经过试验验证,提出的模型在番茄果实检测任务中获得了显著成果。相比YOLOv5s模型,改进后的模型准确率、召回率、F1分数和平均精度分别上升2.2%、2.1%、2.2%和1.3%。改进后的模型可以应用于番茄采摘机器人,并可以对成熟番茄与未成熟番茄进行分类,与原YOLOv5s算法相比,有效提升了检测的精度。

关键词： 道路裂缝   目标检测   YOLOv5模型   去权重的双向特征金字塔网络   α-IoU损失函数  

摘要： 针对目前道路裂缝目标检测方法存在的对早期裂缝特征识别能力弱、目标检测精度低等问题,提出基于改进YOLOv5的道路裂缝目标检测方法。首先,设计融合注意力机制的轻量化DP-CBC3模块,提高主干网络特征提取能力;其次,采用去权重的双向特征金字塔网络(Dw-BiFPN)替代路径聚合网络(PANet),实现更高层次的网络特征的融合,提高网络双向特征融合能力;最后,采用α-IoU损失函数替代CIoU损失函数,提高目标预测框的回归精度。实验结果表明,相较于原模型,改进的YOLOv5检测模型精确率提升21.39%,召回率提升2.33%,平均精度均值提升6.54%。该方法提升了道路裂缝目标检测效果,可有效解决道路裂缝目标检测难、精度低等问题。

关键词： 玉米   目标检测   病害   YOLOv7   可形变卷积   注意力机制  

摘要： 针对玉米病害识别中图像背景复杂、病斑尺度多变带来的检测精度低、识别效果差、检测速度慢、模型鲁棒性差等问题,提出一种融合注意力模块CBAM与可形变卷积的改进YOLOv7玉米病害识别算法。首先,在特征提取网络采用可形变卷积来优化弥补传统卷积对不规则特征的信息提取效率,以提高模型对病斑的位置感知能力;其次,在特征网络与颈部网络位置增加CBAM模块,加强模型对小目标病斑的关注度;最后,对样本数据进行数据增强预处理后进行训练,提升模型泛化能力和识别精度。试验证明,改进模型对玉米病害识别的精度P达到了95.6%,平均精度均值mAP@0.5为94.3%,召回率R为92.4%,检测速度为48.72帧/s;与基线模型YOLOv7相比,精度P、平均精度均值mAP@0.5和召回率R分别提高了5.3%、5.2%、5.2%,可以实现玉米病害的快速准确识别。

关键词： 煤矿监控检测   不安全行为识别   目标检测   自注意力机制   融合边界框损失函数  

摘要： 我国煤矿工业建设已逐步转化为智能化模式,采用深度学习算法识别煤矿监控视频中矿工不安全行为具有十分重要的意义。但煤矿井下环境恶劣,提取矿工行为特征干扰大,目前目标检测算法存在精度低、计算量大的问题。针对这些挑战,该文提出了一种融合自注意机制的矿工行为识别模型CMFA-YOLO,采用ConvNeXt V2模块来替代原有YOLOv8n中的C2f模块,实现了Transformer思想与目标检测领域的完美融合,有效降低了模型计算量。进一步采用融合边界框损失函数MF-IoU(MPD-and-Focaler IoU)提高模型的精度。此外引入了自适应空间相关性金字塔注意力ASCPA,配合ConvNeXt V2发挥模型最佳效果。经过多项实验结果显示,CMFA-YOLO在煤矿视频监控场景下的检测精度达到99.0%,为煤矿场景下的异常行为检测任务提供高精确算法。