关键词： 番茄叶片   YOLOv8   轻量化   目标检测   嵌入式设备  

摘要： 针对真实田间环境下背景复杂、病虫害特征小以及现有检测模型难以部署的问题,提出一种RHEO-YOLO模型,并将改进模型部署于移动平台以实现实时检测。设计高效重参数聚合网络(RepELAN)模块以优化原有的C2f模块,在模型推理时将多分支网络结构重参数化,实现在不影响精度的同时降低模型参数量。使用高层筛选特征金字塔网络(high-level screening feature pyramid network,HSFPN)替换原有特征融合网络,增强模型对番茄叶片病虫害特征的表达能力。重新设计YOLOv8的检测头,并将损失函数更改为OIOU,加快模型收敛速度,并提高检测精度。实验结果表明改进后模型的精确率和召回率为89.4%和84.2%,平均检测精度为88.9%,同时参数量和模型大小分别降低约63%和60%,与其他目标检测模型相比,RHEO-YOLO模型在计算复杂度、检测精度方面具有更好的综合检测性能。在嵌入式设备Jetson Nano和Jetson Xavier NX上实时检测帧率分别为8.3 FPS和29.4 FPS,基本满足实时检测要求。改进后的模型能够有效检测自然环境下的番茄叶片病虫害目标,为番茄叶片病虫害检测算法改进和实际应用提供理论和技术支持。

关键词： 目标检测   下水管道   C3K2-MSCB2模块   坐标注意力机制   BiFPN模块  

摘要： 针对下水管道裂缝检测精度不足的问题,提出了一种基于改进YOLOv11n的下水管道裂缝识别算法。首先,设计C3K2-MSCB2模块,以有效解决特征提取的信息瓶颈问题,显著降低精度损失;然后,引入坐标注意力机制对传统SPPF输出端进行优化,以提升模型识别效果;最后,将特征融合网络中的Concat模块替换为BiFPN模块,在降低模型复杂度的同时确保检测精度的稳定性。实验结果表明,相较于YOLOv11n模型,改进模型的P_(mA@50)从82.9%提升至87.3%,P_(mA@50∶95)从45.2%提升至49.1%,说明该模型在目标检测准确性方面的优势显著;改进模型的置信度也得到了明显改善,充分验证了其在复杂环境中的稳定性和可靠性。

关键词： YOLO   Android平台   答题卡自动评分   目标检测   深度学习   PyTorch  

摘要： 传统的人工阅卷方式效率低且易出错。为此,结合YOLO目标检测算法与Android平台,设计并实现了一种答题卡自动评分系统。首先通过搭建深度学习环境、准备数据集,使用LabelImg对图像进行标注,利用PyTorch框架训练YOLOv5模型,并将其转换为适用于移动设备的格式。接着开发了基于Kotlin语言和Jetpack Compose的Android应用程序,实现了答题卡图像的采集、目标检测及评分功能。实验结果表明,该系统具有较高的准确性和实时性,能有效提升阅卷效率,为教育信息化提供了技术支持。

关键词： 无缝线路   车载   双目相机   图像处理   不共视场   全局标定  

摘要： 为利用车载视觉系统快速检测无缝线路钢轨位移,本文研究了图像成像方式、不共视场相机全局标定、图像快速处理等关键技术,并利用轨道小车开展试验验证。通过对比三种成像方式,发现二维成像方式无法满足无缝线路钢轨位移测量需求,应优先选择双目相机作为车载视觉系统。基于摄影测量技术的全局标定方法可准确获得3组不共视场双目相机的标定参数,从而将3组双目相机坐标系转换为全局坐标系。通过Canny边缘检测和亚像素边缘提取方法,可以准确获得圆形标志点亚像素级边缘,精准确定标志点中心坐标。轨道小车试验结果表明,采用本文方法得到的钢轨位移测量误差最大值为0.49 mm,满足无缝线路养护维修需求。

关键词： 输电线路   yolov8   目标检测   深度学习   注意力机制  

摘要： 目前,基于深度学习的输电线路目标检测存在小目标特征提取能力较差,易出现误检漏检,检测精度较低等问题。本文提出了一种基于改进深度学习神经网络YOLOv8n的目标检测算法。首先,在主干(backbone)中,UniRepLKNet与C2f结合成为C2f-UniRepLKNetBlock模块,替换原有的C2f模块。其次,用LSKA注意力机制改进SPPF模块。最后在颈部网络引入注意力尺度序列融合模块(Attentional ScaleSequence Fusion,ASF),并在此基础上引入P2检测层对网络结构进行优化。与原始的Yolov8n模型相比,改进后的Yolov8模型准确率提升了3.6%,召回率提升了8.9%,模型大小减小了0.6MB,mAP(mean Average Precision)达到了91.1%。保持高检测精度的同时显著减少计算资源开销。本目标检测为电网系统的安全稳定运行提供了一定的参考价值。

关键词： 海珍品目标检测   YOLOv9-S   AKConv   注意力机制  

摘要： 海珍品目标检测是海珍品资源智能化开发的关键性技术。针对水下环境复杂、特征提取困难、目标尺寸各异以及小目标较多导致海珍品目标检测精度低的问题,该研究提出了一种基于YOLOv9-S的改进算法YOLOv9-PAEG。首先,通过引入PfAAM注意力机制和分布移位卷积DSConv2D对SPPELAN模块进行改进,设计出PFAD_SPPELAN模块,提高了模型的检测精度和速度。其次,在模型的骨干网络层引入可改变核卷积AKConv,模型能够更灵活地适应不同大小和形状的特征,从而提高对多尺寸目标、尤其是对小目标的特征提取能力。然后,在模型的颈部层中融入ECA注意力机制,模型对重要特征的表示能力得到了增强,进而提升了检测精度。最后,通过采用GIoU损失函数,模型的收敛得到了加速,定位精度也得到了优化。结果显示,在数据集DUO和UDD上,YOLOv9-PAEG模型的mAP@0.5分别达到了89.7%、77.6%,FPS分别达到了71、69,相比于原模型和其他主流的目标检测模型在检测精度和速度上均有所提升。这充分证明了YOLOv9-PAEG模型的有效性和先进性,能够为海珍品提供更好的检测效果。

关键词： 图像处理   轻量化卷积神经网络   非接触式振动测量  

摘要： 针对复杂环境和资源受限条件下的振动测量难题,提出一种结合图像处理技术与轻量化卷积神经网络的非接触式测量方法.通过使用基于深度可分离卷积的倒残差模块,搭建轻量化神经网络模型.同时,引入高效通道注意力(ECA)机制和Mish激活函数以提升模型的预测精度.此外,还结合Canny边缘检测与Hough变换来提取图像特征,作为空间注意力的替代,优化处理效率,提高准确率.实验结果表明,所提出的非接触测量方法在5~50 Hz振动频率范围内的测量误差小于0.2%,验证其有效性和可靠性.

关键词： 边缘检测   尾流   遗传算法   图像处理   边缘评价  

摘要： 基于改进遗传算法提出了一种新型的自适应阈值。由于实际检测过程中受光照强度以及气候等外部因素的影响,当目标图像的配置阈值与实际阈值相差较大时,检测结果往往不够准确。针对不同的图像,通过遗传算法计算出最优阈值,并将计算出的阈值用于边缘检测。引入图像评价指标对本算法在处理尾流图像的效果进行定量评估,结果表明,与传统的边缘检测算法相比,本文所改进的算法处理后的尾流图像边缘连续性更强,在尾流图像处理中具有更好的检测效果和适用性。对比结果与主观对比检测结果图像得出的结论相同,说明本算法可以更准确提取尾流的边缘,且失真较小。

关键词： 星敏感器   多帧叠加增强   图像处理   信噪比  

摘要： 全天时星敏感器在白昼环境中暗弱星点易被强天光背景淹没,导致星点难以识别、提取星颗数过少,严重影响了全天时星敏感器性能。为了解决这一挑战,提出了一种基于图像信息自相关多帧星图叠加的暗弱星点提取方法。该方法在单帧提取少量星点的基础上,利用先验信息采用波门快速提取相邻帧的可见星点,并建立起帧间关联,根据两帧间关联星点的星矢量信息,推算出星敏感器在帧间的相对姿态变化,并基于这一相对姿态重新投影到当前帧的像平面上,实现帧间星图的无偏变换,流式递推叠加这些星图增强星点信噪比,最后使用阈值分割粗提取并采用高斯曲面拟合精确定位。仿真分析结果表明该方法能够在较大姿态变化范围内具有更高的对齐精度,并且序列星图叠加试验结果表明,文中方法能够有效地增强暗弱星点目标,并且相较于采用传统的两种近似变换的方法,该方法在信噪比提升和定位精度降低方面表现突出,信噪比分别提高了85.0%和118.5%,具有更高的暗弱目标提取能力;同时,暗星点的定位精度分别提升了89.4%和77.9%。

关键词： 遥感图像   目标检测   YOLOv7-tiny   GSConv   MPDIoU   DyHead  

摘要： 针对遥感图像尺度变化大、场景信息复杂、小目标特征信息较少等导致的检测精度较低和当前目标检测模型参数量大、复杂性高导致的检测效率低的问题,该文提出了一种轻量化的YOLOv7-tiny遥感图像检测算法。首先,使用组混洗卷积(group shuffle convolution,GSConv)和VoV-GSCSP模块改进网络颈部,在保持足够检测精度的同时减少模型的计算量和网络结构的复杂性;其次,在预测时采用一种结合注意力机制的动态预测头(dynamic head,DyHead),通过在尺度感知的特征层、空间感知的空间位置及任务感知的输出通道内,结合多头自注意机制,提高目标检测头的性能;最后,利用基于Wasserstein距离的小目标检测评估方法(normalized Wasserstein distance,NWD)结合基于最小点距离的边界框回归损失函数(minimum points distance intersection over union,MPDIoU)来优化原模型的损失函数,增强对小目标检测的鲁棒性。实验结果表明,本文所提出的算法在DIOR数据集和RSOD数据集的mAP@0.5分别达到87.7%和94.7%,比原YOLOv7-tiny模型分别提高了2.7百分点和5.1百分点,且每秒检测帧率(frames per second,FPS)分别提高了12.2%和11.9%,能够有效提高遥感图像小目标检测的精度和实时性。