关键词： 目标检测   加拿大一枝黄花   YOLOv8   轻量化   组归一化   共享参数  

摘要： 加拿大一枝黄花是我国重点管理的外来入侵物种之一,而有效检测、识别并获取其位置是治理的前提。为实现在复杂自然环境下快速、准确地识别加拿大一枝黄花,针对现有模型参数量大、计算复杂度高等问题,提出一种基于改进YOLOv8的加拿大一枝黄花轻量化检测模型(YOLOv8-SGND)。该模型针对YOLOv8模型Head部分设计了一种轻量化网络,提出共享组归一化检测(SGND)头,能够在提高检测头定位和分类性能的同时大幅减少参数量。首先,在卷积块中引入组归一化代替原有的批量归一化;其次,在特征聚合后的两个卷积块中共享卷积参数,减少参数量并降低计算复杂度;然后,为了提高算法的鲁棒性和实现边界框各项误差的优化平衡,采用WIoU v3替代原有的CIoU作为边界框损失函数;最后,回归损失和分类损失在共享卷积的同时,使用Scale层对边界框的预测结果进行缩放调整,使得检测结果与实际输入图像的尺寸和不同检测层的特征图尺寸相匹配。采用实测数据进行检测实验,结果表明,所提模型的平均检测精度均值mAP@0.5和mAP@0.50∶0.95分别为98.8%和79.6%,相较于原始YOLOv8模型分别提高了2.8百分点和6.0百分点,模型参数量减少了约21.4%,浮点运算量也减少了1.6 Gbit。与当前的主流目标检测算法YOLOX、Faster R-CNN、Cascade R-CNN、TOOD、RTMDet相比,YOLOv8-SGND的各项精度评估指标均为最优。所提方法具有较高的检测精度和较快的推理速度,可以为外来入侵物种轻量智能化识别提供一定的技术支持。

关键词： 无人机图像   目标检测   YOLOv8   PIoU  

摘要： 针对传统的反无人机检测方法经常会出现漏检、误检和检测精度低等问题,提出了一种改进YOLOv8的反无人机目标检测算法——YOLO-DAP。首先,剔除大目标检测层(P5),并将大小为80×80、40×40、20×20的检测头分别替换成160×160、80×80、40×40的新型检测头,以提高网络对微小目标的检测精度;其次,引入可扩张残差注意力模块DWR改进C2f中的Bottleneck模块,提升网络的特征提取能力;再者,引入轻量化下采样模块ADown,使其能够更好地融合不同尺度大小的特征图;最后,使用PIoU损失函数作为回归损失函数,使网络具有更快的收敛速度和更高的检测精度。在公开无人机数据集TIB-Net上的实验结果表明,YOLO-DAP算法的mAP达到92.7%,相较于YOLOv8n算法提高了7.8个百分点,参数量减少了1.93×10^(6),与其他主流目标检测算法相比也取得了明显的优势,证明了算法的有效性和先进性。

关键词： 成果导向教育   OBE理念   教学创新   教学改革  

摘要： OBE理念是工程教育认证的核心理念之一,该理念高度契合工程教育的人才培养需求,对提升人才培养质量意义重大。“计算机视觉与模式识别”作为工程教育的专业基础课程,以OBE教育理念为指导对整体教学方案进行改造和优化,通过重新设计课程教学目标、革新教学模式、精研教学内容以及构建可持续改进的考核评价体系,探索一种以学习成果目标为导向、学生为中心、注重持续质量改进的课程教学模式,以实现“计算机视觉与模式识别”教学过程的良性循环,为工程教育课程的教学改革提供参考。

关键词： 智慧交通   监控系统   图像处理  

摘要： 随着城市交通规模持续扩大,传统交通管理模式已难以满足现代交通管理需求。通过部署智能化监控系统,实现对路况、车流、行人等多维数据的实时采集与分析,为交通管理决策提供科学依据。实验表明,智能监控系统可将车辆检测准确率提升至95.24%,系统总体延时仅为0.0614 s。本文基于实验数据分析,为构建更高效、更安全的智慧交通体系提供了技术支撑。

关键词： 道路裂缝检测   YOLOv11   捷径连接   动态检测头   目标检测  

摘要： 传统道路裂缝检测方法因效率低下、人力成本高昂等问题,已难以满足实际需求。为解决这一问题,文章提出了一种基于改进YOLOv11的道路裂缝检测方法。该方法通过广泛采集纵向裂缝、横向裂缝、鳄鱼状裂缝等多种常见路面裂缝图像,构建了丰富的数据集。在YOLOv11算法的基础上,创新性地引入捷径连接策略,实现了浅层与深层特征的高效融合,显著提升了模型的特征提取能力。同时,采用动态检测头替代原检测头,使其能够自适应处理裂缝尺度变化,增强对不规则裂缝的检测鲁棒性,并通过聚焦潜在目标区域,进一步优化检测精度。实验结果表明,改进后的模型的精确率、召回率和平均精度分别达到0.820、0.831和0.851,相较于原有模型,各项关键指标均有显著提升。该方法为道路裂缝的自动化、高效化检测提供了可靠的技术方案,具有重要的实际应用价值。

关键词： 计算机视觉   智能汽车   环境感知  

摘要： 智能汽车的环境感知能力是实现高级驾驶辅助及自动驾驶的核心技术基础,而计算机视觉通过模拟人类视觉系统的信息处理机制,已成为解析复杂交通场景的主要技术路线。由于现实道路环境存在光照变化、动态目标扰动、复杂几何结构等多维干扰因素,视觉系统需在有限算力下兼顾精度与实时性,这对算法架构和硬件部署提出了双重挑战。因此,文章就计算机视觉在智能汽车环境感知领域的应用及其发展方向进行探讨,以期为构建普适性强、容错度高的异构感知体系提供参考。

关键词： 无人机   智能摄影   图像识别   目标跟踪   深度学习  

摘要： 随着无人机技术的飞速发展,智能摄影已成为一个备受关注的研究领域。本文探讨了无人机智能摄影中图像识别与目标跟踪技术的应用与创新。分析了深度学习算法、多尺度特征融合技术以及轻量化图像识别模型在无人机图像识别中的应用优势。阐述了多目标实时跟踪算法、预测性跟踪技术以及基于视觉-惯性融合的鲁棒目标跟踪方法在无人机智能摄影中的创新应用。探讨了图像识别与目标跟踪的协同优化、多模态数据融合以及基于大模型的无人机智能摄影创新。旨在为推动无人机智能摄影技术的进一步发展提供新的思路和见解。

关键词： 自动化产线   普洱茶饼   机器视觉   图像处理   缺陷检测   可编程控制器  

摘要： 随着自动化生产线的普及,茶饼的压制过程对产品质量的影响变得尤为重要。然而自动化生产线生产的普洱小茶饼在质量把控上往往不及人工制作的茶饼,因此针对自动化生产线生产后的茶饼外观质量检测成为亟待解决的问题。为此,提出一种基于机器视觉的普洱茶饼自动化质量检测算法。该算法综合应用大津法(otsumatlab,Otsu)阈值分割、Canny边缘检测等多种图像处理技术,并引入多种算法优化策略,以提升检测的精度和效率。该算法能够自动完成茶饼外观质量的检测与评估,并将结果实时与可编程控制器(programmable logic controller,PLC)进行数据传输。试验结果表明,该算法能准确识别茶饼的外观缺陷,平均计算准确率达95.75%,显示出较高的鲁棒性和可靠性,适用于自动化生产线中的质量控制,具备广泛的应用前景,尤其是在茶叶生产行业的智能化改造中,具有重要的参考价值。

关键词： X光检测技术   组合电器   非破坏性检测   图像处理   故障预警  

摘要： X光检测技术作为一种非破坏性的检测手段,被广泛地应用在对组合电器内部结构进行分析和测试。这项技术是用X射线透过物体形成影像来确定内部结构及潜在缺陷的。综述X光检测技术原理,局限性,并分析组合电器基本构造,绝缘拉杆功能和结构特点及触头分合状态等因素对设备性能影响。对组合电器X光检测进行了详细描述,主要包括前期准备,检测流程,图像处理及分析方法等。

关键词： 机器人   目标检测   YOLOv11   粒子滤波   全局定位  

摘要： 针对类人足球机器人在图像模糊、小目标检测与资源受限条件下的交叉点检测与全局定位问题,提出了一种融合深度学习与粒子滤波的定位方法。在YOLOv11中引入空间与通道协同注意力(spatial and channel synergetic attention,SCSA)和多尺度卷积模块(multi-scale convolutional block,MSCB),提升场地线交叉点检测精度与鲁棒性。结合机器人坐标系下的交叉点定位模型构建观测输入,并在粒子滤波算法中引入观测置信约束、自适应采样与遗传优化重采样策略,提升粒子多样性与状态估计精度。实验结果表明,改进YOLOv11模型的mAP50达97.3%,计算量降至19.8 GFLOPs;实机定位误差最大为45.9 mm,算法在不同区域均保持稳定性能,整体精度满足机器人世界杯(robot world cup,RoboCup)类人组比赛对全局定位的需求。