关键词： 三维点云   车载激光   语义分割   域自适应   增量学习   计算机视觉  

摘要： 由于城市车载激光点云应用场景的复杂性,导致基于深度学习的语义分割模型面临着目标语义层面的域迁移现象,通常需要重新训练完整模型才能处理新增的语义类别。然而城市车载激光点云通常包括极大量的点,重新训练语义分割模型会浪费大量的资源。通过基于特征记忆库的城市车载激光点云域自适应语义分割方法,解决城市车载激光点云之间的目标语义域迁移现象,使得新增语义类别数据时,只需提取新增语义类别的特征,而无需重新训练完整的语义分割模型,得到的语义分割性能对比重新训练完整模型仅有较小的损失。

关键词： 目标检测   YOLOv5   Res2Net   自适应空间特征融合   多尺度融合与检测  

摘要： 针对无人机在高空视角捕获的画面中目标尺寸变化大、背景繁杂、目标所占像素少且其数量居多导致的目标检测精度过低的问题,提出一种改进YOLOv5s的目标检测算法。首先,提出一种可以提取多种尺度特征且减少参数量的C3R模块,在减少参数量的同时提高检测精度;其次,引入ASFF模块,从最佳融合中增强特征表达并自适应地学习,有利于高难度目标的检测;最后,改进多尺度融合与检测部分,增强小目标特征表达。在VisDrone2019数据集上进行实验,检测精度(mAP_(50)/%)比原先的模型提升了6.5%,证明了改进模型的优越性。

关键词： 青枣病虫害   YOLOv5   目标检测   工程化应用   边缘部署   实时检测  

摘要： 针对青枣病虫害传统检测效率低、实时性差的问题,本文提出基于YOLOv5的工程化检测系统,创新性地构建了首个包含9类病虫害及正常果的青枣专用数据集,共计863张图像。通过采用数据增强(旋转±15°、对比度调整)、超参数优化(学习率5×10^(-4)、batch size 32)及余弦退火训练策略,对YOLOv5s模型进行优化。实验结果表明,系统在青枣数据集上mAP@50达0.79,单帧推理时间0.148 s,满足田间实时检测需求。与YOLOv8s系列模型相比,YOLOv5s在保持较高精度的同时,参数量减少36%,推理速度提升37%,在Jetson Nano等边缘设备部署上优势显著。该系统基于PyQt5开发,集成图像采集、预处理、检测与结果可视化功能,为复杂农业场景下青枣病虫害检测开辟智能化高效新路径,有望为农业智能化发展中的病虫害防治贡献力量,具备一定应用价值与推广潜力。

关键词： 发动机   叶片损伤   目标检测   YOLOv4   注意力机制   扩张卷积  

摘要： 针对孔探设备检测航空发动机叶片损伤时会出现的漏检和人力物力耗费过大的问题,在YOLOv4网络的基础上提出一种基于扩张卷积和注意力机制的目标检测算法。使用CSPDarknet53作为特征提取网络;引入混合注意力机制并融合扩张卷积来增强网络的特征提取能力;采用Focal Loss函数优化原有的损失函数。实验结果表明:改进后算法网络的检测精度提高了5.71个百分点,更能满足发动机叶片损伤检测不漏检的需求。

关键词： 环境感知   多模态融合   目标检测   变换器   注意力机制  

摘要： 针对单一传感器在环境感知任务中的性能局限性,提出了一种基于Transformer的毫米波雷达/激光雷达/相机融合3D目标检测方法。该方法由3个关键模块组成:1)相机模块,将图像特征与初始3D目标预测结合,进行视觉增强;2)雷达模块,针对毫米波雷达点云稀疏问题,提出时序多帧融合算法,对连续5帧毫米波雷达数据进行融合,同时提出点云加权融合算法,在毫米波雷达与激光雷达的点云描述能力互补的基础上,构建增强的雷达点云;3)融合模块,采用Transformer解码器,充分整合雷达点云与相机特征,以提升3D目标检测性能。在自制城市道路数据集上进行了实验,并基于nuScenes数据集指标进行评估。实验结果表明,相较于现有方法,本方法在mAP指标上提升6.38%,在NDS指标上提升5.93%。

关键词： 食品安全监管   智能监控   计算机视觉   物联网   人工智能  

摘要： 针对传统人工监管方式存在的效率低下、覆盖面有限等问题,研究采用计算机视觉、物联网传感和人工智能等技术,构建了一套完整的智能监控系统。通过在某市50家食品生产企业开展为期一年的实地试验,分析智能监控与传统监管模式在准确率、实时性、成本效益等方面的差异。对比结果表明,智能监控技术能将食品安全隐患的发现率提升43.2%,平均响应时间缩短至传统模式的1/6,监管成本降低52.7%。该研究为推进食品安全监管现代化提供了实践依据和技术支撑。

关键词： 无人机   YOLOv7   目标检测   牲畜种群数量调查  

摘要： 牲畜种群数量调查是卫生防疫、禁牧、休牧、草畜平衡核定等草原管理工作的重要内容,关系到畜牧业现代转型升级和草原的可持续发展。使用无人机进行牲畜种群数量调查,不可避免地出现牲畜小而密集的问题而导致识别错误。针对该问题,提出了一种高效的LSNet算法,该算法增加了一个检测头(P2)来识别浅层特征图中的小物体,并去除了一个检测头(P5)来减少过度下采样的影响。为了捕获高级语义特征,提出了一个大型内核全局注意力空间金字塔池化(LKGSPP)模块,而且集成了双向特征金字塔网络(BiFPN)结构来增强无人机图像中多尺度特征图的融合效果。此外,还利用了中国内蒙古呼伦贝尔陈巴尔虎旗的无人机图像,建立了用于深度学习的放牧牲畜数据集。实验表明,与YOLOv7相比,LSNet的mAP提高了1.87%。LSNet可以成为无人机影像下草原牲畜检测的有利工具。

关键词： 遥感图像   YOLOv5   高价值目标   注意力机制  

摘要： 长期以来受遥感图像质量、高价值目标自身特性等多方面因素影响,传统的检测方式与通用的基于深度学习的目标检测技术效果不佳。在YOLOv5模型的基础上,利用通道注意力与空间注意力的高效组合,优化了YOLOv5算法的网络结构。在特征提取网络部分,本文结合ECA(Efficient Channel Attention)注意力机制以及SA(Shuffle Attention)注意力机制构建了ECSA(Efficient Channel Spatial Attention)组合注意力机制,以低算力成本重新组合了通道注意力和空间注意力,提升了模型的组合注意力效果。在基于自建高价值目标图像数据集的对比实验中,YOLOv5-ECSA模型的精度超越了其他所有同等参数规模的YOLO系列模型,达到了最优的参数-精度均衡性。

关键词： 铁矿   巡检机器人   皮带   图像处理  

摘要： 皮带上料系统是铁矿生产中的关键运输环节,负责将井下提升的矿石输送至磨矿仓进行后续处理。然而,由于井下物料性质不稳定,常含有水分,加之爆破和支护过程中遗留的铁器,容易导致皮带压料、跑偏甚至撕裂等故障,存在严重的安全隐患。传统的人工巡检方式效率低,难以及时发现隐患。通过对智能巡检机器人系统的研究,实现了图像数据的采集与处理,结合Canny算法和红外线检测技术,实现了皮带运行状态的全面监测。结果表明,该系统能够有效提高上料系统皮带运输的可靠性,减少故障发生,提升生产效率。

关键词： 船舰目标检测   SAR影像   注意力机制   可变形卷积   融合空间金字塔池化   损失函数  

摘要： 针对目前SAR影像船舰目标检测方法存在多场景下检测精度不高、漏检、模型泛化能力差的问题,尝试以YOLOv8s网络为基础,提出新的注意力机制D-CBAM,并定义新的损失函数RIoU,以及将最新的可变形卷积DCNv4替换标准卷积,引入融合空间金字塔池化focal modulation networks来提升网络性能,提出的网络命名为DR_YOLOv8s++检测网络。为验证DR_YOLOv8s++网络的有效性和通用性,在SSDD、HRSID数据集上进行实验。结果表明,所提出算法的平均精度均值分别达到98%、97.5%,优于其他经典算法,模型性能提升明显,同其他目标检测算法相比,具有较强的泛化能力。