关键词： 无人机   深度可分离卷积   注意力机制   损失函数  

摘要： 在无人机在室外低空飞行中,现有的目标检测算法在平衡检测精度和速度方面存在缺陷。为了解决上述问题,提出了一种基于改进的MobileNet的轻量化YOLOv5s目标检测算法。算法在YOLOv5s的主干网络中引入了MobileNet结构,使用深度可分离卷积,引入SE注意力机制,采用了FPN-PAN结构和加权特征融合,同时使用EIOU作为回归损失函数,解决了传统的目标检测网络在无人机等移动设备上运行时内存需求量大和运算量大的问题,提高了目标检测精度。实验结果表明,本研究中提出的模型在平均检测精度上相比YOLOv5s提高了3.59%,同时参数量下降了81.94%,FLOPs下降了86.14%。在搭载树莓派4B的Z410四旋翼无人机上,上述轻量化算法的实时检测帧率原网络提高了56.06%。

关键词： 目标检测   害虫识别   YOLOv5算法  

摘要： 结合目标检测的优势和农业领域亟待解决的害虫预警问题,致力于将目标检测技术应用于病虫害治理,以减少各地农业因病虫害问题造成的经济损失,增加农作物产量.提出以图像识别算法为基础,通过摄像头实时获取图像信息,对其进行预处理和图像增强,以扩充训练集;利用YOLOv5目标检测算法对病虫害信息进行训练,实现了对28种常见农田害虫的识别,并对其中24种准确率达90%以上;完成了对农田病虫害问题的实时监控及信息反馈,在面对病虫害问题时,能够及时治理,从而降低病虫害问题对农作物的影响及损失,提高农作物产量和经济效益.

关键词： 图像篡改   目标检测   YOLOv8   下文感知   多尺度特征   深度可分离卷积  

摘要： 目的近年来,随着数字技术的发展,图像篡改已经成为一个日益严重的问题,现有的众多图像篡改和目标检测方法均存在着识别精度不足和检测效果不理想的问题。为了更有效解决这一挑战,提出一个基于改进的YOLOv8检测算法,希望能够实现更高的检测精度。方法首先,为了捕获篡改的边缘特征,引入局部和全局注意力机制,对YOLOv8的骨干网络进行深度优化,这种优化结合了上下文感知和局部增强技术,大大增强了对边缘特征的识别力;考虑到篡改区域可能存在各种形态,进一步采用堆叠特征金字塔的网络结构,以捕获多尺度特征;最后,为了提高模型的计算效率和推理速度,在模型中结合深度可分离卷积和通道重排技术。结果在一系列的实验中,改进的YOLOv8篡改检测算法在CASIA2.0图像篡改数据集上展现了出色的性能,与原始算法相比,其准确率高达82.3%,明显提高了检测的效果;提出的基于改进的YOLOv8篡改检测算法,经过深度的网络优化和结构调整,成功地提高了图像篡改检测的准确性和效率。结论文中提出的方法在图像篡改检测方面表现出较高的准确性,为图像篡改检测领域带来了重要的进展,具有深远而重要的意义。

关键词： 葡萄   果穗检测   卷积神经网络   YOLOv5   目标检测  

摘要： 针对现代化农场中葡萄果穗分布密集、背景复杂导致其检测精度较低的问题,提出一种基于改进YOLOv5的葡萄果穗快速精确检测算法。以YOLOv5为基础目标检测算法,使用坐标注意力机制对特征提取网络进行改进,增强其特征表达能力,再利用Bi-FPN对图像特征的高效融合,增强网络整体预测能力。实验结果表明,该模型检测精度可达83.1%,可以在复杂环境中有效地检测葡萄果穗。

关键词： 滑坡   YOLOv11   航拍影像   目标检测   可变形卷积   精确率  

摘要： 为在大量无人机航拍影像中快速检测航线下方的滑坡目标,并克服小目标、形状多变、背景复杂等难点,在YOLOv11基准模型基础上,探索改进YOLOv11模型在无人机航拍滑坡目标检测中的应用,即在C3k2模块中引入可变形卷积以增强对多尺度目标的检测能力,同时将边界框回归损失函数CIoU调整为EIoU,以更适应航拍影像滑坡目标检测。将该模型在无人机航拍滑坡影像数据集上进行了测试,并从性能指标评估、消融试验、YOLO家族算法对比、测试集检测等角度,探讨了改进模型的性能、效率和实际检测效果。结果表明:相对于YOLOv11,尽管DCN-YOLOv11参数量有少量增加,但在精确率、召回率、mAP50、F 1等性能指标上均有明显改善,与FasterR-CNN模型及YOLO家族系列模型相比,该模型在航拍影像滑坡检测精度上整体表现优秀,同时运算速度也得到了保证;DCN-YOLOv11模型成功检测出多个被YOLOv11漏检的小范围滑坡体,展示了较好的小目标检测能力和泛化能力,可为研发基于航拍影像的无人机地质灾害巡检系统提供参考。

关键词： 自动驾驶   目标检测   YOLOv11n   Transformer   KITTI数据集  

摘要： 针对自动驾驶场景中目标检测存在的小目标漏检以及对复杂环境适应性差的问题,采用了轻量级目标检测模型YOLOv11n。该模型使用Transformer作为骨干网络提高全局特征的提取能力,引入C3k2模块增强局部特征的表达能力,集成SPPF模块融合不同尺度的特征信息,结合跨阶段部分连接(CSPC)和金字塔挤压注意力(PSA)机制设计C2PSA模块,使得YOLOv11n模型能够更精确地聚焦关键区域。在KITTI数据集上的实验结果显示,YOLOv11n模型的精确度(P)、召回率(R)和平均精度(AP)均有所提高,其中车辆检测精度达到94.0%,提升了复杂场景下的检测能力,减少了小目标漏检率,为自动驾驶技术的实际应用提供了更高效可靠的解决办法。

关键词： 牵引变电所   指针式仪表   深度学习   目标检测   语义分割   自动读数  

摘要： 在牵引变电所的复杂环境下,现有的计量识别方法难以准确捕获仪表表盘刻度和指针位置。为解决这一问题,结合计算机视觉技术,提出一种基于YOLOv5深度学习语义分割网络模型的目标检测方法。采用YOLOv5深度学习网络检测目标仪表区域,利用特征对应算法和角度透视变换算法解决了图像的镜面反射和失真问题,通过语义分割网络模型Deeplabv3+对图像中仪表盘及刻度和指针进行像素级别分割。该研究方法在牵引变电所环境中实现了指针式仪表的高效自动读数,为指针式仪表目标检测和自动读数提供了新的技术思路。

关键词： 无人水面艇   深度学习   YOLOv8n   目标检测   轻量化  

摘要： 基于YOLOv8n目标检测算法提出一种适用于无人水面艇的轻量化水面目标检测算法LWD-YOLO。首先设计了一种高效双向加权特征金字塔网络(E-BiFPN)模型,在训练过程中融合更多有效的目标尺度特征信息,增强算法对水面多尺度特征的提取能力,使模型轻量化。然后提出一种轻量化共享卷积检测头技术,使用共享卷积策略并对特征进行尺度缩放,大幅减少参数数量并尽可能减少精度的损失。最后通过自建的水面目标检测数据集,训练基准网络和整合后的网络,并在同一验证集下验证其性能指标。由试验可知,相比于基准网络,改进方案的mAP50指标提升了1.5%,计算复杂度减少了30%,检测速度提升了15%。与现有方法相比,论文方法在检测准确性和模型轻量化方面都取得了显著改进,具有较高的实际应用价值。

关键词： 工业质检   深度学习   目标检测   引脚距离  

摘要： 在工业视觉质检中,微型电子元器件引脚距离测量是一个难点。传统的方法需使用OpenCV对引脚图像进行大量操作,过程还需工程师反复调整,效率较低且精度不高。在深度学习中,能够通过距离回归以及目标检测的方法解决上述问题。方法一:通过ResNet18网络提取图像特征,并采用全连接回归距离值,最终测量引脚距离;方法二:训练YOLOv8n检测引脚框,进一步计算引脚间的距离。此外,由于生产线上采集的图像同质性较强,引脚位置基本相近,导致模型过拟合情况严重,通过设计模拟生成引脚测距的方法可以增加模型的鲁棒性。实验结果表明,对比传统的OpenCV距离测量方法,基于深度学习的距离测量方法的精度有显著提升。

关键词： 工艺流程图   工业图纸智能识别   计算机视觉   卷积神经网络  

摘要： 在工业自动化领域,数字化流程图在提高生产效率和降低成本等方面发挥着显著作用。工艺流程图是对具体生产过程进行抽象和概括,以图形化方式表示各种生产流程、设备和生产线路之间的关系和组合。在工艺流程图分析和再绘制应用中,人工识别流程图具有机械性与重复性等特点,费时费力,效率低下。为此提出了一种基于深度学习的工艺流程图智能识别方法,利用目标检测网络、OCR(Optical Character Recognition,光学字符识别)网络和图像处理算法提取工艺流程图信息,包括工业设备、标识、文本和管线等元素,实现解放人力和提高工作效率的目的。