关键词： 深度学习   番茄黄化曲叶病毒病   目标检测   YOLO v7   病害检测  

摘要： 为解决自然环境下人肉眼鉴定发病番茄植株效率低、主观性强的问题,提出一种基于改进YOLO v7的番茄黄化曲叶病毒病分级检测模型,分别对轻度、中度、重度发病植株进行检测。模型在主干网络中引入了DCN模块,以加强对复杂病变区域的感知能力;同时,Pconv模块替换主干网络中部分普通卷积,以更高效地提取空间特征,降低冗余计算和内存访问;在检测头中引入SimSPPF模块,极大地减少浮点运算量,提高感受野,增强特征提取能力。经测试,改进YOLO v7模型对轻度发病、中度发病、重度发病番茄植株检测的平均精度分别为97.5%、92.1%和93.6%。改进模型平均精度均值为95.0%,较原模型提升0.8个百分点,参数量减少8.2×10~5,浮点运算量减少2.7×1010,模型内存占用量减少15.7 MB,在保证检测精度的同时减小模型体量。与Faster R-CNN、YOLOX、YOLO v5l、YOLO v8m模型相比,平均精度均值分别提高11.2、5.7、1.4、8.7个百分点。试验结果表明,该模型能够实现对番茄黄化曲叶病毒病的分级检测识别,为实现番茄种植智能化提供支持。

关键词： 多晶硅切割机   金刚线跳线   目标检测   小样本   数据增强   YOLOv8n   注意力机制  

摘要： 多晶硅切割机是硅电池片的核心生产设备,其机腔内的金刚线跳线严重影响硅棒切割效率,甚至引发停机事故。金刚线跳线的样本数量有限、目标尺寸小以及背景复杂等特点,导致传统的图像类目标检测方法失效。为解决上述问题,提出一种基于小样本的多晶硅切割机金刚线跳线检测算法。首先,提出一种基于梯度变化的数据增强算法,扩充样本数量,解决跳线样本不足的问题;然后,引入Extra DW结构,对YOLOv8n中的C2f模块进行改进,减少模型的参数量和计算量,增强模型对跳线与背景噪声的区分能力;最后,在Neck部分引入CBAM注意力模块,使网络能更有效地提取并融合跳线特征。实验结果表明,与YOLOv8n算法相比,所提算法的参数量减少了24.1%、计算量减少了约6%,FPS提高了3.99帧/s,准确率、召回率和mAP分别提升了5.3个百分点、7.2个百分点和3.0个百分点,实现了金刚线跳线的高效检测。

关键词： 目标检测   YOLOv5s   注意力机制   线扫描相机  

摘要： 表面贴装技术(SMT)生产线贴装器件类型多样、料盘规格不一致,针对生产过程中芯片位置姿态易出错、芯片字符难识别等问题,本研究设计并实现了一种基于改进YOLOv5s的SMT生产线器件检测系统。利用高精度线扫描相机快速抓拍生产线上的料盘图像,通过在YOLOv5s目标检测算法中增加注意力机制、增加P2小目标检测层等进行算法改进,实现了不同规格的料盘图像中所有芯片的位置姿态检测和信息识别。实际测试结果表明,该系统能够实现不同工况下器件的准确检测,显著提高了SMT生产线器件的检测质量和效率。

关键词： 城市轨道交通   计算机视觉   非监督学习   图像分割   异常检测   隧道病害  

摘要： 在城市轨道交通行业中,由于隧道内壁图像的复杂性及病害样本的稀缺性,传统有监督学习方法在检测病害时面临挑战。针对这一问题,文章提出一种非监督学习框架,用于检测隧道内电缆托架的病害。首先,采用非监督学习方法对隧道图像进行预分割;随后,利用多边形形态特征进行快速的人工筛选,将筛选出的图像作为训练样本;接着,通过蒸馏监督学习方法训练一个图像分割网络;最后,利用非监督异常检测网络,基于正常样本训练,通过分析病害样本与正常样本的特征分布差异识别稀有病害。该研究可提高电缆托架病害检测的准确性,为复杂环境下的城市轨道交通病害检测提供一种有效的技术路径。

关键词： 探地雷达   人工智能   目标检测   深度学习算法   卷积神经网络  

摘要： 采用探地雷达对典型路段的路面裂缝识别并定位。通过钻芯取样与铣刨观察结合的方法验证,构建了包含728张雷达图像的数据库;采用YOLO v8l算法学习裂缝特征,通过在YOLO v8l算法的基础上引入注意力机制和修改激活函数,克服了路面裂缝图像特征多变、噪声杂波明显等对于智能判识造成的干扰,同时消除了模型的过拟合现象;对算法修正后,模型的计算参数增多,计算效率提升,修正算法的识别精确度和召回率分别达到99.4%和92.3%。训练过程中平均精度均值与损失函数的震荡幅度较小,表示该数据集标注原则统一,证明了采用该方法识别路面裂缝的有效性与可靠性。

关键词： 目标检测   姿态估计   行为识别   图卷积  

摘要： 提出一种轻量化的武装人员危险行为识别系统。对采集的视频流数据进行预处理,采用YOLOv3-Tiny网络提取人体框,再用Alphapose方法进行人体姿态估计,获得骨骼关节点数据并使用ST-GCN网络对骨骼序列进行分类。测试结果表明,系统在验证集上的识别准确率可达99.48%,部署在边缘设备上平均处理速度可达52 fps,证明了本系统实现轻量化的同时兼顾了准确性与实时性,具备部署至陆上无人装备系统的可行性与通用性。

关键词： 计算机视觉   车辆定位   路标定位   快速响应码  

摘要： 研究借助车路协同系统,融合计算机视觉、路标定位和QR码(quick response code,快速响应码)技术,提出一种基于QR码的车辆辅助定位方法。同时,通过构建模拟隧道场景和普通道路场景,研究影响QR码识别及读取的因素,验证技术的可行性。试验结果表明,相应方法在正常道路场景下的定位误差为1.0~1.5 m,通过连续布设QR码路标可实现隧道内车辆的定位需求。该方法成本较低、简单易行,可解决卫星信号差或干扰大的隧道内车辆定位问题。

关键词： 计算机视觉技术   食品检测   应用实践  

摘要： 本文梳理了计算机视觉技术的核心原理与工具,重点分析了其在食品质量分级、异物检测、生产监控及成分溯源等场景中的应用现状,并针对复杂场景干扰、算力限制及算法泛化能力不足等挑战,提出多模态数据融合、边缘计算优化及跨领域迁移学习等对策。

关键词： 激光透窗成像   YOLOv8   多尺度特征提取   模型剪枝   注意力机制   SIoU  

摘要： 针对激光透窗低质量成像下的人体目标检测,现有算法存在检测不准确、识别率低等问题,提出一种基于YOLOv8n优化改进的目标检测算法YOLO-TC。重新设计主干部分的特征提取模块,提升模型多尺度特征表示能力;对YOLOv8n模型做剪枝处理,优化网络结构,降低模型复杂度的同时提升检测精度;在C2f模块与解耦头(Detect)之间添加EMA注意力机制模块,增强特征融合中的语义和位置信息,提升模型的特征融合能力;使用SIoU边界框回归损失函数代替原损失函数,提升算法推理的准确性和训练速度。实验结果表明,改进后的模型在激光透窗成像数据集中的精确度(Precision)、召回率(Recall)和平均精度均值(mAP)相比原模型分别提高了7.7%,5.9%和7.0%,模型大小缩减了34.6%,便于后续边缘端的硬件部署。

关键词： SAR图像   目标检测   YOLOv10算法   EMA注意力机制  

摘要： 针对合成孔径雷达(SAR)图像在复杂海况下目标检测精度低、实时性差的问题,提出一种基于YOLOv10架构的改进型检测算法。从特征提取、信息融合与损失优化三个层面进行改进。设计改进的FasterNet Block替代原C2f模块中的Bottleneck结构,以提升检测速度和收敛速度;在C2fCIB模块中引入SPD-Conv卷积,减少信息损失并提高特征提取准确性;在空间金字塔池化层嵌入EMA注意力机制,通过跨通道交互抑制噪声干扰,增强模型在SAR图像斑点噪声环境下的稳定性并防止过拟合。为进一步增强全局特征建模能力,主干网络中融合微型Swin-Transformer结构,实现局部细节与多尺度上下文信息的协同感知。最后,将损失函数替换为Wise IoU,有效缓解样本分布不均衡导致的性能下降问题。在HRSID数据集上的实验表明,改进算法相较原YOLOv10在平均精度(AP)、准确率和召回率上分别提升了4.2%、3.1%和1%,FPS值达到了330帧/秒,显著优于SSD、Faster R-CNN等对比模型。