关键词： 裂缝检测   目标检测   深度学习   注意力机制   YOLOv8  

摘要： 井筒裂缝具有尺度多变、背景区分度小等特点,导致井筒微裂缝检测结果不理想。针对这一情况,基于主流的YOLOv8目标检测模型,提出了一种名为YOLO-DECT的井筒微裂缝检测网络。首先,融入可变形卷积模块(CN-CBS)增加并行子网,构建EMA-SPPCSCP层,增强骨干网络对多尺度特征的提取能力。然后,结合SPDConv和InceptionDWConv的优点设计了SPDIConv,替换网络中的部分卷积模块,增强模型对微裂缝的检测效果和学习效率。最后,在颈部及骨干网络末端融入EMA注意力机制,利用并行子网扩大感受野,避免背景噪声干扰。实验结果表明,提出的YOLO-DECT方法在自建数据集上的平均精度达到了83.6%,针对难以检测的微小裂缝类别检测精度达到了80.6%,相对原YOLOv8模型分别提高了3.4%和4.5%,浮点计算量下降了9.8%,模型保持了轻量化的水平,在GRDDC2022公开数据集上检测效果优于原网络,具有一定的泛用性。

关键词： 计算机视觉   多目标跟踪   图Transformer   对象图  

摘要： 针对计算机视觉领域中多目标跟踪任务,特别是行人因外观相似导致的身份ID频繁切换问题,提出一种新的行人时空图特征模型。通过构建帧间行人对象图和帧内行人对象图,整合了跨帧和同帧目标间的动态关系。引入图Transformer来提取这些图中的特征,并设计了前后帧目标边缘关系增强模块促进信息的跨帧传递与融合。提出一种优化的轨迹特征更新策略,不仅考虑目标外观特征的余弦相似性,还考虑特征向量模变化,以更全面地评估目标特征的一致性,尤其是在目标形状、大小或强度变化显著的情况下。通过这些方法,模型能更好地适应目标状态变化,减少跟踪过程中的错误匹配,提升多目标跟踪的准确性和稳定性。实验结果表明:所提算法在MOT16与MOT17数据集上的应用显著增强了行人目标特征的区分性,提高了多目标跟踪任务的精度。

关键词： 目标检测   CenterNet   特征融合   CIoU损失  

摘要： 针对在复杂场景下难以实现安全帽高精度高效率检测的问题,本文提出一种基于特征融合的轻量化CenterNet安全帽检测算法。采用计算成本较低的MobileNetV3轻量化卷积神经网构造模型的主干网络提取图像多层特征,引入CBAM注意力模块构建轻量化特征融合网络,采用CIoU损失函数优化边界框预测以提升检测结果鲁棒性,改进后的安全帽检测模型准确度达89.3%。

关键词： 智能仓储   深度预测   BEV特征融合   目标检测  

摘要： 在人机混合智能仓库等动态环境中,AGV通常难以精确感知随机出现的人和叉车等障碍物,为仓库的高效、安全运行带来了隐患,故提出一种基于激光雷达与图像融合的轻量化的目标检测方法(L-BEVFusion)。首先,为构建相机图像的鸟瞰视图(BEV)特征,设计了一个轻量化的特征提取网络用于获取图像的2D信息,通过引入多尺度语义特征平衡单一尺度语义特征带来的定位偏差;其次,采用基于显式监督方法采用深度真值对其进行监督,实现将图像特征投影到3D空间中;然后,分别提取图像和点云特征的预测信息,基于BEV特征融合网络,利用通道维度级联图像与点云的BEV特征,对其进行目标边界框的回归和分类预测,从而实现对人机混合仓库中动态障碍物的检测;最后,利用KITTI数据集和仓库实地采集数据对所提算法进行评估。实验结果表明,在实地采集的人机混合仓库数据集上,L-BEVFusion方法与常见的点云图像融合方法相比较在工人类和叉车类的检测精度上分别提升了3.46%和2.22%,综合平均检测精度高了2.97%,在推理速度和检测尺寸精度上也表现更佳,其中法向距离平均误差为4.02 mm,切向距离的平均绝对误差为1.75 mm,提高了AGV检测的实时性和可靠性,保障了智能仓库物流的高效安全运转,具有较高的实际应用价值。

关键词： 大卷积核   目标检测   时空行为检测   行为识别   特征融合  

摘要： 目前大卷积核模型在图像领域已经证明其有效性,但是在视频领域还没有优秀的3D大卷积核模型。此外,之前的工作中忽视了时空行为检测任务主体是人的特点,其中的骨干网络只针对通用目标提取特征。针对上述原因,提出了一种含有特征融合结构的3D大卷积核神经网络(FFConvNeXt3D)。首先,将成熟的ConvNeXt网络膨胀成用于视频领域的ConvNeXt3D网络,其中,预训练权重也进行处理用于膨胀后的网络。其次,研究了卷积核时间维度大小和位置对模型性能的影响。最后,提出了一个特征融合结构,着重提高骨干网络提取人物大小目标特征的能力。在UCF101-24数据集上进行了消融实验和对比实验,实验结果验证了特征融合结构的有效性,并且该模型性能优于其他方法。

关键词： YOLOv8n   目标检测   无人驾驶   轻量化  

摘要： 随着无人驾驶技术在地下矿井中不断展开应用,精确的目标检测成为保证电机车安全运行的关键。然而,矿井内部存在光线昏暗、粉尘弥漫以及设备遮挡等问题,使得目标检测面临着巨大的挑战。为了解决这些问题,本文提出了一种基于YOLOv8n改进的目标检测模型,称为YOLOv8n-C-S。YOLOv8n-C-S首先引入低照度图像增强网络SCINet,解决了低光照条件下图像模糊、目标难以辨识的问题,有效提高了输入图像的质量。同时,为了使模型更加专注于前景信息,减少背景噪声的干扰,利用CBAM注意力机制,显著提升了目标检测的准确性。此外,采用Slim-Neck设计范式对模型Neck部分进行优化,使得模型计算规模得到了降低。实验结果显示,在地下矿井检测数据集上,改进后的模型比YOLOv8n模型精确度提升了2.6%,参数量降低了4.65%,且mAP@0.5—0.95提升了5.9%,这表明YOLOv8n-C-S在准确性、实时性和鲁棒性方面都得到了提升。

关键词： 孕羊   深度学习   目标检测   行为识别  

摘要： 分娩对于母羊和羔羊来说都是一个关键时期,若在这一时期忽视母羊的接产和助产,可能会导致母羊难产、羔羊死亡等,这将直接影响到养殖场的经济效益。怀孕母羊的某些特定的生理表现或者行为变化可能是即将分娩的指示信号,在孕羊产前对此进行检测有助于预测分娩行为的开始。本文提出了一种基于YOLOv7的深度学习网络对视频中孕羊的产前站立、普通躺卧、进食、饮水和分娩躺卧5种行为进行识别。试验结果表明该方法能够准确监测和识别出与分娩事件相关的个体孕羊行为,对于产前5种行为的识别精确度和召回率都在97%以上,全类别平均精度达到98.77%。

关键词： 松材线虫病   大尺度范围疫木识别   无人机航拍图像   目标检测   YOLOv7  

摘要： 松材线虫病是一种危害程度极高的传染性松树病害。为精确掌握大尺度范围松材线虫病疫木的数量和分布,提出了一种基于改进YOLOv7的无人机航拍图像下松材线虫病疫木检测模型。首先,针对因航拍图像背景复杂而导致的疫木错检漏检问题,在模型主干特征提取部分引入SimAM注意力机制,以便模型更好地聚焦松材线虫病疫木颜色、纹理等关键特征;其次,用ConvNeXt网络对Head部分的ELAN-W网络进行替换,以提高模型对单株疫木的特征提取效率,在降低模型参数量的同时提升模型检测速度;然后,引入SPD-Conv以提高低分辨率航拍图像下小目标的检测精度;最后,将颈部网络的卷积替换为CoordConv,以更好地感受特征图中疫木的位置信息。在自建的松材线虫病疫木数据集中进行了大量验证,结果表明:经改进后的YOLOv7模型检测精确度为91.1%,召回率为93.5%,F_(1)分数为92.3%,与原YOLOv7模型及其他当前主流模型相比,各项主要指标均有一定提升。在选取的两块不同区域测试样地上的实验结果表明,本模型具有较好的适应性,可有效应用于大尺度松材线虫病疫木普查任务中。

关键词： 机器视觉   改进深度学习   无人机自主避障   目标检测  

摘要： 为了提升无人机自主避障目标检测准确性,高效完成障碍物避让,提出一种融合机器视觉差学习的无人机自主避障目标检测算法。通过机器视觉算法中去噪方法对无人机飞行道路数据进行去噪处理。采用深度学习算法中的改进卷积神经网络结合Gabor核进行去噪后数据特征提取和目标检测。通过改进神经网络计算图像数据对的视差图,引入Gabor核替代传统卷积核,并结合自适应优化算法调整网络参数权重,在视差图中精确定位障碍物目标,并进行无人机直线飞行道路的检测。最后,通过光栅扫描法判断视差图中的像素点是否为障碍点,实现目标检测和避障决策。通过实验测试结果可知:所提方法可以有效降低检测时间,获取高准确率的无人机自主避障目标检测结果。

关键词： 矿石分类   YOLOv8   视觉识别技术   目标检测  

摘要： 矿石种类繁多且单次采矿数量较大,采用视觉识别技术分类时,易造成漏检及误检。为了实现矿物的精确识别、标注与分类,提出了以YOLOv8网络结构为基础的EffCD-YOLOv8算法,该算法在主干网络中引入EfficientNetv2模块,能在保证训练速度的基础上,提升检测精度。在颈部网络中采用CCFF模块,以实现跨尺度特征的融合;在头部网络中采用DBB模块,对不同空间尺度下的目标进行处理,从而实现更准确地识别、标注与分类。结果表明:在自制的矿石数据集中,EFFCD-YOLOv8模型对矿石的识别精度达到83.2%,优于YOLOv8的目标检测算法,能实现对矿石的准确识别、标注与分类。