关键词： 仔猪计数   目标检测   YOLO v8n   轻量化   重度遮挡  

摘要： 哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数,优化边界框回归以降低误检和漏检率;并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design,CA),增强了目标区域的特征表达能力,有效解决长程依赖问题。为实现嵌入式设备的高效部署,模型引入GhostNet模块优化特征提取和融合,减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect_DG,在模型体积缩减18.48%的同时,进一步提升了检测精度。与YOLO v8n相比,GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点,参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明,该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优,且模型内存占有量较小,仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端,为实际应用中的仔猪检测提供了有效的技术支撑。

关键词： 铁路   货运场站   多源融合定位   目标检测   冲突防护逻辑  

摘要： 智能化安全冲突防护方法对于确保铁路货运场站作业安全具有至关重要的作用。基于对铁路货运场站安全管理面临的问题及原因分析,提出安全冲突防护需求和解决思路。构建包括数据采集、信息传输和安全报警单元的物理架构,提出4种位置数据采集方案,设计多源融合定位、视频定位算法流程,分别给出人员与设备之间冲突、设备之间冲突和范围冲突的安全冲突防护逻辑。提出的铁路货运场站安全冲突防护方法可在一定程度上防护人员与设备之间冲突、设备之间冲突和范围冲突,能够促进铁路货运场站安全管理水平提升。

关键词： 浅剖图像   目标检测   管线目标   模型构建   分块检测策略  

摘要： 传统的人工判读方法在大区域浅剖管道图像检测中效率低、易受人为因素影响,限制了海底掩埋物检测技术的自动化、智能化发展。针对此问题,提出了一种基于YOLOv8的大区域浅剖图像管线快速检测方法,通过构建海底管线智能检测模型,并采用分块检测策略,提高了检测效率与精度。实验结果表明,该方法在准确率、查全率、平均精度等指标上表现出色,其中平均精度达到了0.81。这一成果提高了海底管线检测的自动化水平,为海底掩埋物的智能检测提供了有效技术支撑。

关键词： 垃圾分类   深度学习   Jetson Nano   目标检测   图像处理   机械臂  

摘要： 为应对日益严峻的环境挑战及促进资源高效利用,研究设计并实现了基于深度学习和物联网技术的智能化垃圾分类系统。该系统以Jetson Nano作为核心处理单元,通过机械臂和摄像头实现垃圾的自动分类。首先,利用OpenCV控制摄像头采集垃圾图像并处理;其次,采用深度学习模型进行训练;然后,调用训练好的模型对图像进行目标检测和分类;最后,根据分类结果控制机械臂投放垃圾到对应回收箱。测试数据和结果表明,该系统能够对不同种类的垃圾进行快速准确地分类,有效减轻人工分拣的压力,避免资源浪费,具有良好的应用前景。

关键词： 深度学习   目标检测   医学影像   注意力机制  

摘要： 肝癌是一种恶性肿瘤,对其进行早期筛查和准确检测是提高治疗效果、延长患者生存期的关键。针对使用单期相计算机断层扫描(computed tomography,CT)图像难以准确检测复杂多变的肝癌的问题,本文提出一种基于FCOS(fully convolutional one-stage object detection)的双期相CT肝癌检测方法。首先构建了双期相肝脏CT四元组网络,并利用其匹配双期相肝脏CT切片,确保不同期相之间肝脏位置的一致性,为后续肝癌检测奠定基础。其次改造了FCOS网络以接收双期相CT图像的输入,设计并插入AFF(attention-based feature fusion)模块进行带混合注意力的特征融合,以提高肝癌检测的准确性。实验结果表明,改进算法在本文数据集上的平均精度(average precision,AP)达到了78.56%,相比于单期相FCOS网络提高了4.9%,展现出更优越的性能。

关键词： 光伏玻璃   缺陷检测   YOLOv5s   目标检测   注意力机制  

摘要： 针对现有的缺陷检测算法计算量大、参数量多、检测速度慢、检测精度低等问题,文中提出了一种基于YOLOv5的高精度光伏玻璃边部缺陷实时检测算法。首先使用新设计的一种基于廉价操作和特征复用的稠密连接模块(New_DBlock(C))替代YOLOv5特征提取网络的C3模块,减少整个算法的计算量和参数量;其次使用融合了通道注意力机制SE(Squeeze-and-Excitation)的C2f_SE模块替换YOLOv5特征融合网络的C3模块,实现检测速度以及检测精度的提升;最后使用改进的YOLOv8解耦检测头取代YOLOv5的耦合检测头,提升算法的定位精度和分类精度。实验结果表明,改进后的算法mAP@0.5提升了1.0%,mAP@0.5:0.95提升了3.1%,计算量下降了48.1%,参数量下降了56.7%,检测速度提升了18.5%;与其他主流的YOLO和R-CNN系列算法相比,改进后的算法同样具有较高的检测精度、检测速度以及较低的计算量和参数量,适合光伏玻璃边部缺陷的实时检测。

关键词： 计算机视觉   思政元素   融入   立德树人  

摘要： 为更好地落实立德树人的课程思政建设要求,将思政教育切实融入专业课程教学,分析近年来计算机视觉课程思政建设的现状,提出从多个切入点将思政元素融入计算机视觉课程的教学内容、教学方法和教学评价中,通过分析实际教学案例,总结教学经验,阐述如何深入挖掘与计算机视觉课程相关的思政元素,旨在为高等教育中的课程思政改革提供有益参考与借鉴。

关键词： YOLOv5s   缺陷苹果   注意力机制   损失函数   目标检测   采摘机器人  

摘要： 【目的】为了充分利用上下文信息和融合多尺度特征,提出基于BiFPN和Triplet注意力机制的YOLOv5s(BTF-YOLOv5s)缺陷苹果识别算法。【方法】首先,加权双向特征金字塔网络(BiFPN)引入额外的权重学习不同输入特征的重要性,模型通过自顶向下和自底向上的双向路径,实现多尺度特征的反复融合,提高多尺度的检测能力;其次,将Triplet注意力机制应用到Neck层以增强模型对目标之间的关联和上下文信息的表示能力,使模型更专注于苹果特征的学习;最后,采用Focal-CIoU损失函数调整损失权重,使模型更关注缺陷苹果的识别,提升模型的感知能力。通过消融试验对比不同损失函数,改变注意力机制在YOLOv5s结构中的位置,并与主流算法进行比较。【结果】BTF-YOLOv5s在初始YOLOv5s模型基础上,准确率、召回率和mAP方面分别提高了5.7、2.2和3.5个百分点,模型内存使用量为14.7 MB;平均精度比SSD、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8n、YOLOv8s和YOLOv9的分别提升了5.7、3.5、13.3、3.5、2.9、2.6、2.8和0.3个百分点。【结论】模型在缺陷苹果识别中表现出显著的优越性,为采摘机器人在采摘过程中实现优质苹果与缺陷苹果的自动分拣提供了一定的技术支持。

关键词： 卫星视频   目标跟踪   多粒度信息学习   运动状态估计   孪生网络  

摘要： 在遥感卫星视频目标跟踪任务中,由于跟踪目标分辨率低,背景干扰较多,容易被遮挡等问题,导致现有目标跟踪算法不能满足需要。针对这些问题,提出了一种基于多粒度信息学习与运动状态估计的卫星视频目标跟踪算法。多粒度信息学习通过双向融合网络,将空间信息丰富的浅层特征与语义信息丰富的深层特征进行双向自适应融合,提升特征对低分辨目标的表征能力。进一步,使用运动状态估计方法,基于历史目标运动状态,估计当前目标位置,以修正跟踪网络受遮挡和背景噪声干扰输出的错误结果,提升跟踪网络在复杂场景下的鲁棒性。最后,基于以上两种方法和孪生网络设计实现了一种新的卫星视频目标跟踪算法,并在遥感卫星视频数据集SatSOT上进行了测试。实验结果表明,所提出算法的跟踪性能优于其他目标跟踪算法,其在跟踪精确度和成功率方面比同样基于孪生网络的SiamCAR算法分别有5.1%和3.2%的提升。

关键词： 黑猪盘点   目标检测   注意力机制   低光增强   特征提取   YOLOv7   智慧养殖  

摘要： 为解决低光环境下黑猪图像质量差、识别与定位难度大,以及黑猪聚集时因遮挡和粘连导致的误检与漏检问题,提出LADnet(low-light animal detection network)检测模型。首先,采用亮度自适应模块(illuminationadaptive-transformer,IAT)及坐标注意力机制(coordinate attention,CA)对图像进行增亮与降噪处理;接着,设计了选择核卷积注意力(selective kernel convolutional attention,SKCA)模块,以提高模型对黑猪的感知能力;最后,利用ReLU激活函数解决了梯度消失和梯度爆炸等问题。结果表明,LADnet模型的精确率、召回率和平均准确率(mAP@0.5)分别达到97.32%、86.61%和92.73%,与基准模型相比,分别提升1.07、6.15和3.05个百分点;与单阶段目标检测模型SSD、YOLOv5相比,LADnet的平均准确率分别高出8.33、7.35个百分点;与两阶段目标检测模型Cascade R-CNN、Faster R-CNN、DAB_DETR相比,LADnet在检测精度提高的同时,具有更小的参数量和更快的检测速度,更符合实时检测要求。LADnet模型在低光黑猪检测任务中展现出卓越的检测性能和更高的鲁棒性,为低光环境下的黑猪精准识别提供了一种高效可靠的工具,对推动低光智慧养殖的发展具有重要意义。