关键词： 清洁船   污染监测   目标跟踪   计算机视觉   目标检测   YOLOv5   Byte数据关联   打捞   垃圾  

摘要： [目的]针对清洁船在自主打捞作业过程中因平台晃动、距离较远造成的目标小等复杂场景引起的追踪准确率低、目标身份编号(ID)易切换等问题,提出一种基于改进YOLOv5-Byte的多目标漂浮垃圾追踪算法。[方法]首先,引入Byte数据关联模型与YOLOv5检测器融合,实现多目标追踪(MOT)算法的构建;其次,针对YOLOv5中完整交并比(CIoU)对小目标敏感的问题,对边界框高斯建模,提出归一化Wasserstein距离度量;然后,引入平衡因子来调节CIoU和归一化Wasserstein距离度量在损失函数中的贡献度,并调节检测器对小目标敏感度;最后,在Byte数据关联模型中将交并比(IoU)以幂指数形式引入可调节超参数,降低目标因关联值低而被丢弃的风险。[结果]基于水面漂浮垃圾数据集的实验结果表明,与算法改进前相比,识别平均数比率(IDF1)提高11.5%、多目标追踪准确率(MOTA)提高8.7%,目标身份编号切换次数(IDs)下降7次。[结论]所提算法实现了水面多个小目标的准确追踪,为清洁船实现自主打捞技术提供了参考。

关键词： 深度学习   生态监测   YOLOv8n   混合局部通道注意力机制   WIOU损失函数   可变形卷积  

摘要： 白洋淀是华北平原最大的淡水湿地系统,素有“华北明珠”之称。本文结合无人机技术和目标检测算法以实现更好的对白洋淀内的生物进行监测和保护,为进一步评估物种的生存质量、确定保护等级以及制定相应保护策略提供科学依据。在YOLOv8n算法的基础上进行了改进,提出了DMW-YOLOv8算法。通过使用WIoU损失函数,更准确的衡量预测框和真实目标之间的相似性,提高多个物体时的检测精度;引入MLCA注意力机制,结合了通道信息和空间信息,以及局部信息和全局信息,以增强网络的表达能力;嵌入C2f_DCNv4算子优化稀疏DCN操作符以提高实际效率。实验结果显示,该算法的mAP50和mAP50-95分别达到89.4%和52.0%,相比原始YOLOv8n模型分别提高了2.7%和2.2%;每秒传输帧数达到177.8FPS相比原模型提升了71.2FPS。该算法在白洋淀生态环境的监测中具有较高的实用价值。

关键词： YOLOv11n   垃圾分类   目标检测   mAP@50  

摘要： 近年来,垃圾分类已成为国际社会关注的热点,很多国家通过科技创新来推进垃圾分类工作。有效的垃圾分类,可以提高垃圾的回收率,保护环境,节约资源。为了有效地实现垃圾分类,本研究设计并开发了一种高精度且轻量级的生活垃圾分类目标检测模型。本文的技术创新集中在基于YOLOv11n算法引入的SPPF-LSKA模块,WaveletPool模块和DynamicConv模块三个模块的关键改进上。首先,通过引进SPPF-LSKA模块,使改进后的YOLOv11n算法显著提高了SPPF模块在多尺度上聚合特征的能力;其次,我们引入了WaveletPool模块,将小波滤波器应用于输入特征图,并将其输出结果沿着通道维度连接起来,进一步降低了冗余,提升了模型的识别精度;最后,我们引入DynamicConv模块进行优化,它通过动态聚合多个卷积核来增强模型表示能力,并且可以轻松集成到现有的CNN架构中。SWD-YOLO能够以较低的计算成本保持其优良的性能,从而显著提高模型识别效率。实验结果表明,与YOLOv11n相比SWD-YOLO的参数量几乎不变,计算量降低了14%,平均精度(mAP@50)提高了2.4%。改进后的垃圾分类检测模型不仅提高了平均精度,而且实现了模型的轻量级,从而保证了较高的操作效率。

关键词： 机器视觉   目标检测   运动分析   异常行为  

摘要： 为了检测不法分子在自助通关闸机前尾随合法人员的行为,文章采用了一种通过目标检测与目标跟踪方法分析行人运动属性特征的方案,对尾随行为的检测进行了研究。首先结合交叉学科内容对该行为进行定义,再采用目标检测算法识别出其中的通关人体。利用目标跟踪算法提取目标的运动轨迹,获取可疑人员与合法通关人员的空间位置关系。对目标的运动属性进行定量研究、设定阈值,分析人体的运动特征,得到尾随判定结果。由此对尾随行为进行表征,构建出特定场景下尾随行为的自动识别模型。实验结果表明,算法能够有效检测边检大厅尾随人员,实现区域内人员风险行为的安全管控。

关键词： 装备拖救   机器学习   图像处理   显示控制  

摘要： 针对战时装备抢救实施,抢救工脱离抢救装备防护极易遭敌打击和核生化伤害,造成抢救人员损伤;地形环境复杂装备对正困难,抢救效率低下;随车抢救器材为纯机械式,粗糙笨重实施连接困难,人机功效差;抢救牵引过程步骤繁琐,人力消耗多、耗时长等4个方面突出问题。采取机器学习、视觉识别、显示控制等技术,突出智能、快捷、安全抢救理念,研究设计基于图像处理技术的装备拖救装置,实现抢救人员在抢救装备舱内操作、抢救实施一键智能操控、抢救器材更加便捷稳固,从而快速、有效地使遇险装备脱险,迅速恢复战斗力。

关键词： 目标检测   安全帽佩戴检测   YOLOv8   坐标注意力机制   轻量化  

摘要： 在安全帽佩戴检测中,存在着目标密集、遮挡等问题,现有的检测方法在精度和实时性方面表现不佳.针对此问题,提出一种轻量级的检测模型CA-YOLO,旨在提升检测的准确性与实时性.首先,使用MobileNetv3网络对YOLOv8的主干网络进行改进,减少参数量和计算量,提升网络的检测速度.在Neck部分引入DCNv3模块来提升模型在空间特征上的提取效率.其次,在网络中加入多尺度特征提取模块和坐标注意力机制模块,通过添加全局信息,丰富特征信息,提升网络特征提取效果.最后,将CIoU损失替换为Alpha-IoU函数,通过设定权重系数,加速对目标的学习过程,进一步提高检测的精度.实验结果表明,与YOLOv8模型和现有的经典及新颖算法相比,CA-YOLO模型的平均检测精度达91.33%,比YOLOv8模型提高0.54个百分点,模型大小和参数量分别减少41%和39%,检测速度提高16.9%.相较于其他模型,CA-YOLO模型在准确率和实时性方面取得了良好的平衡,满足了对作业人员安全帽佩戴检测的需求.

关键词： 动静结合   候选框互学习   正样本对齐   工序检测识别   目标检测  

摘要： 针对预制梁场位置偏远、场景复杂、光线不足,导致数据采集困难、背景干扰、画质受损等问题,提出一种基于动静结合互学习的预制梁工序检测方法。在单阶段目标检测模型上建立互学习框架,分别使用数据扩增技术在空间和时间上对样本干扰的能力,构造动静结合的双分支子网络,在网络中引入基于归一化的注意力通道子模块动态地调整通道权重,以适应真实场景下的环境光照复杂性和噪声干扰随机性。为充分发挥两支子网络各自的优势,利用目标检测模型真实值的预测边界框不唯一的特性,提出正样本对齐策略,实现边界框数量及表征分布的双重对齐。构建一个基于真实场景的预制梁工序数据集,在自制数据集上的实验结果表明,该方法的精确率和均值平均精度分别达到了97.2%和97.7%,推理速度达到了78帧/s,在满足工业落地应用需求的同时,为预制梁工序检测识别问题提供了一种有效且可靠的解决方案。

关键词： 计算机视觉   目标跟踪   图像滤波   特征提取   卷积神经网络   稀疏分解方法  

摘要： 为获得更理想的目标跟踪结果,提出基于计算机视觉技术的目标跟踪方法。利用计算机视觉技术处理目标图像,即采用稀疏分解方法中的稀疏编码算法去除目标图像噪声。应用卷积神经网络自动学习图像特征,构建目标特征更新模型。通过比较目标特征与模型中已有特征的相似度,实时更新目标的位置和状态信息,以实现目标的动态跟踪。仿真试验结果表明,该方法可以有效提高目标跟踪精度,改善跟踪的鲁棒性。该方法可以为相关领域提供参考。

关键词： 机器视觉   公路边坡   位移监测   图像处理  

摘要： 边坡的位移变化对于判断边坡的稳固性、预防山体滑坡以及确保道路安全至关重要。为了验证机器视觉技术在公路边坡位移监测中的可靠性,建立了一套机器视觉智能测量系统。通过采集边坡区域的图像数据,利用边缘计算和特征点跟踪算法提取位移特征,进而计算位移量。针对长沙西站南侧山体景观护坡工程,采用机器视觉技术对各级边坡位移进行实时监测,并和人工监测结果进行对比验证和误差分析。测试结果表明,机器视觉和人工实测位移值吻合较好,二者位移偏差基本在2 mm以内。机器视觉技术在边坡工程监测中具有高精度和稳定性,并且具有实时性、自动化和成本效益的优势。

关键词： 目标检测   智能交通   图像识别   深度学习   车辆检测  

摘要： 传统监控系统依赖人工识别目标,效率低且易误判。文章针对YOLO系列算法展开改进研究。虽然YOLO算法已被广泛应用于多个领域,但在实际交通场景中仍面临三重挑战:天气变化与硬件限制易导致数据质量下降;对狭窄区域目标、遮挡目标及残缺目标的检测能力不足;此外,在复杂场景下,细节特征提取存在局限性。为此,文章研究提出了一种融合轻量化设计与结构优化的改进模型,该模型包含三个创新点:其一,骨干网络引入轻量化架构,在精度损失可控的前提下显著降低计算复杂度;其二,通过VoVGSCSP模块重构检测头,增强细粒度特征捕捉能力;其三,集成注意力机制提升特征融合质量。实验结果表明,改进后的模型在复杂交通场景中实现精度与效率的平衡优化,具有应用价值。