关键词： 目标检测   多人检测   学生行为  

摘要： 基于目标检测技术对课堂中学生的行为进行识别,能够高效地统计出课堂中学生的各种行为。应用经典YOLOv5目标检测算法在高校大教室中进行群体学习行为检测时,由于学生座位跨度大,存在后排目标小难以检测、学生前后遮挡、检测实时性不高等问题。针对这些问题,通过加入图像分解方法和改进FPN模块优化小目标检测;改进非极大值抑制(NMS)算法以优化遮挡问题;分解大核卷积提高模型性能。实验结果表明,改进后的算法在自制的数据集上的平均精度均值(mAP@0.5)达到了87.1%,帧速率(FPS)达到68.4,相较于原始算法能够很好地满足学生行为检测需求。

关键词： 高速无人机   图像处理   深度学习   目标检测   算法优化  

摘要： 高速无人机巡查系统在实际应用中面临图像处理速度慢、准确度低等问题。针对这些挑战,文章设计了一种改进的图像处理算法。该算法结合了深度学习和传统计算机视觉技术,通过优化网络结构、引入注意力机制和多尺度特征融合等方法,显著提高了处理速度和准确率。实验结果表明,改进算法在处理速度上比基准算法提升了40%,目标检测准确率提高了15%,有效解决了高速场景下的图像模糊和目标识别困难等问题,为高速无人机巡查系统的实际应用提供了有力支持。

关键词： 空间特征融合   声呐图像目标检测   YOLOv5   特征增强  

摘要： 声呐图像处理和分析在水下目标自动检测中起着至关重要的作用。然而,声呐图像低清晰度、大噪声的物理属性严重影响了目标检测模型的识别精度。此外声呐图像的采集困难、样本量较少等因素也给声呐目标的探测精度带来了巨大的挑战。针对这些问题,提出了一种基于自适应空间特征增强的轻量级声呐图像目标检测模型,发明了一种轻量化CSPDarkent;提出一种多尺度残差块,提升特征的多梯度流信息和模型的回归检测精度;最后,使用改进空间坐标卷积替换原始2D-Conv,增加特征的空间维度信息,提升模型对目标的关注度。实验的结果表明,该模型算法在检测精度和检测速度上均超过现有方法,实现了两者的有效平衡,为后续的声呐图像目标检测模型的设计提供新的解决思路。

关键词： 深度学习   YOLOv7   Shuffle Attention   相似目标检测  

摘要： YOLOv7在目标检测中取得了优异的效果,但对相似物体的检测仍存在误检率较高的问题,其主要原因是YOLOv7对细粒度特征的提取能力不足。为解决上述问题,该研究提出SA-YOLOv7目标检测网络,即在不改变ELAN(Extend Efficient Layer Aggregation Networks)整体结构的前提下,将注意力模块SA(Shuffle Attention)与之融合,形成SA-ELAN模块,以获取更多通道和空间特征信息,进而提高相似物体的检测精确度。模型在公共的手和手套相似物体数据集上开展了大量对比实验,探究了SA加入YOLOv7网络中的数量及位置对结果的影响,揭示了SA发挥作用的底层原理,深化了对注意力机制的理解。实验结果显示:SA-YOLOv7相较于YOLOv7,检测精度提升了7.7%,mAP@0.5:0.95提高了1.8%,与最新的YOLOv11相比,也具有0.9%的检测精度优势。SA-YOLOv7的研究为相似物体检测技术的发展提供了助力。

关键词： 大气相位   地表形变   目标检测   YOLOv7   损失函数  

摘要： 地表形变的检测效果对于地质灾害的形变探测极其重要,针对InSAR成像极其容易受到大气相位的影响,使得InSAR成像精度低、导致难以判断准确的地质灾害形变的问题,本文提出了一种基于改进YOLOv7的地表形变和大气相位目标检测方法。首先将Efficient MOdel(EMO)轻量化网络和CoTAttention注意力模块嵌入到YOLOv7的骨干网络中,然后将CFPNet中的EVC-Block嵌入到颈部,获得更多特征信息,采用MPDIoU损失函数提高模型对大气相位和实际地表形变目标的定位能力。实验结果表明,所提算法的均值平均精度mAP达到74.9%,与YOLOv7基线算法相比分别提高2.2%。

关键词： 鱼类排便行为   水产养殖   YOLO v7-tiny   目标检测  

摘要： 粪便是集约化水产养殖系统中有机废物的主要来源,排便数量的增加和时间的延长都会加快养殖水质中氨氮、亚硝酸盐等污染物的积累浓度和速度,因此,排便行为模式对于维持最佳水环境和确保可持续的鱼类生产至关重要。为解决传统排便行为分析费时费力的问题,本研究提出一种基于改进YOLO v7-tiny的高性能、轻量级的鱼类排便行为识别模型CDW-YOLO v7。该模型采用基于C2f结构的双向特征金字塔网络(C2f-bidirectional feature pyramid network,C2f-BiFPN)优化识别排便行为的多尺度和非线性特征融合能力,同时引入具有注意力机制的动态检测头(Dynamic head,DyHead)以增强模型在复杂环境中对鱼类排便行为关键特征的提取能力,并结合WIoU损失函数,减少因鱼类遮挡、重叠等造成的漏检现象,提高模型的准确性。实验结果表明,与基线模型YOLO v7-tiny相比,CDW-YOLO v7模型具有更好的性能,参数量减少2.56×10^(6),浮点运算量降低5.90×10^(9),同时平均精度均值(mean Average Precision,mAP)提高2.04个百分点。此外,该模型在模型大小、精度和检测速度等方面,均优于3种经典目标检测算法(YOLO v3-tiny、YOLO v4-tiny和YOLO v5s)。本研究为鱼类排便行为的精准检测和智能化水产养殖系统的发展提供了理论基础。

关键词： 低照度图像   目标检测   YOLOv11   空频域融合   联合训练  

摘要： 针对传统目标检测网络在低照度环境中的漏检及检测精度低的问题,提出一种基于SFFNet与YOLOv11的低照度目标检测网络SFF-YOLO。首先,提出一种空频域融合的图像增强网络SFFNet,将低照度图像与照度引导图合并后输入编码模块提取特征。然后,设计了双域融合网络DDFNet,通过空间域处理模块SPB提升图像亮度,并采用频域处理模块FPB修复局部细节,将融合后的空间-频域特征与最小通道约束图拼接后输入解码模块实现图像去噪。最后,设计了联合损失函数,对SFF-YOLO进行端到端联合训练,提升模型的泛化能力和目标检测性能。使用LOL-v2和ExDark数据集进行实验。实验结果表明,SFFNet在LOL-v2-Real和LOL-v2-Synthetic数据集上的PSNR分别为23.11和25.08,SSIM分别为0.851和0.936,相较于对比网络,展现出更出色的增强效果。SFF-YOLO在ExDark数据集上的检测精度达到80.4%,较YOLOv11提升了3.1%,检测速度为91.82帧/秒,实现了高精度的实时检测。

关键词： 航拍图像   目标检测   YOLOv7   下采样  

摘要： 在航拍图像场景下,因小目标数众多,分布密集,通用目标检测器检测性能不佳。对此,提出一种基于YOLOv7改进的目标检测算法。首先,引入一个基于离散小波变换的下采样模块,有效减少下采样过程中目标的细节信息损失。其次,针对小目标分布密集的问题,额外添加小目标检测层P2并去除P5检测层,以此平衡模型参数,并解决小目标分布密集的问题,从而提高算法的检测性能。最后,在VisDrone数据集中进行实验,结果表明改进的方法相较于原YOLOv7在mAP50精度上提升了5.9%。

关键词： 型线图   船体建模   计算机视觉技术  

摘要： 针对船舶行业常规人工建模方法培训成本较高、效率较低的问题,该文开发了1种以二维平面型线图纸为输入的三维几何船体模型智能生成软件,能够提升建模工作的自动化水平,提高生产效率。该建模软件使用Python语言进行开发设计,通过模拟人类视觉系统,以像素集群为基本单位,从二维图纸中提取、分析和理解船体型线信息。首先,读取、识别并处理截图或扫描得到的二维平面型线图纸(JPEG或PNG格式),根据3个视图之间的空间关系,将型线的二维型值点映射为三维的点云数据;然后,通过信息增密等手段生成船型表面,简化了从二维平面到三维模型的建模流程;最后,精度验证结果显示,基于计算机视觉技术的建模软件能够快速实现由图片形式的二维型线图纸向三维船体模型的转换,具有一定的可靠性。

关键词： 电力系统   人工智能(AI)   电网   无人机   目标检测   输电线路   电力巡检   机器视觉   图像处理  

摘要： 【目的】传统的电网巡检方式存在劳动强度大、效率低等问题,为此,以山东黄金电网为研究对象,提出一种基于轻量化深度学习网络YOLOv5-Mv3的无人机巡检电网绝缘子及其异物检测算法。【方法】首先,通过无人机巡检电网拍摄图片来构建数据集,对数据集进行训练;其次,针对电网绝缘子及其异物,采用Mobilenetv3来替代CSPDarknet53作为特征提取网络,对YOLOv5-Mv3进行轻量化改进,减少模型参数和计算量,在保证准确率的同时,满足实时检测的要求。【结果】该检测算法的均值平均精度达到84.7%,检测速度达到56.6帧/s,改进的YOLOv5-Mv3与Faster RCNN、SSD、YOLOv4模型相比,具有更高的检测精度和更快的检测速度。【结论】该算法提高了无人机巡检电网效率,实现了轻量高效的效果,符合电网智能巡检的要求。