关键词： 船舶检测   YOLOv8算法   恶劣天气   聚核初始网络   上下文锚点注意力模块   特征识别  

摘要： 针对现有内河航道中由于雨、雪、雾等恶劣天气导致的船只检测困难问题,提出一种基于YOLOv8的航道船舶目标检测方法,即YOLOv8-Ship。该算法设计一种特征聚焦扩散金字塔网络,融合YOLOv9中的ADown模块,使每个尺度的特征保留更多的上下文信息;同时引入聚核初始网络(PKINet)以及上下文锚点注意力模块(CAA)改进C2f,来增强中心区域的特征;最后采用深度可分离卷积取代骨干网络中的普通卷积,减少模型参数量和计算量。实验结果表明,在雨、雪、雾的天气条件下,与传统的YOLOv8n相比,改进算法的精确率提高了0.5%,召回率提升了3.4%,F1分数提升了2%,mAP@0.5提升了1.2%,平均精度均值达到97.5%,有效提高了内河航道恶劣天气下过往船只的识别精度,具备较强的鲁棒性。

关键词： 陶瓷贴花   图像处理   纹理增强   算法优化   工艺升级  

摘要： 计算机图像处理技术在陶瓷贴花领域应用广泛,但现有技术在纹理增强方面仍存在细节处理不足、色彩还原偏差及算法效率低下等问题,为此研究提出多尺度分析与边缘检测相结合的算法优化方案,通过机器学习模型改善色彩校正,并采用并行计算技术提升处理效率。实验验证表明,优化方案显著提升了纹理清晰度、细节保留和色彩还原度,同时缩短了处理时间。未来,随着技术的不断创新,图像处理在陶瓷贴花领域的应用将更加深入,助力陶瓷装饰工艺的现代化发展。

关键词： OpenCV   图像处理   围岩节理   图像分析   隧道工程  

摘要： 隧道工程中,确定岩体节理数的传统方法大多需要机械设备参与,缺乏直观预测。为初步检测围岩节理数,论文设计了一个基于OpenCV计算机视觉库的围岩节理数检测系统,通过图像处理算法提取围岩节理骨架,并利用霍夫变换标注得到检测结果。

关键词： YOLOv5s   结直肠息肉   目标检测   局部上下文信息增强   大核分离卷积注意力   软非极大值抑制  

摘要： 在医学影像领域,结直肠息肉的早期检测对预防结直肠癌等疾病至关重要。在实际医疗操作中,自动化检测结直肠息肉的准确率受制于多种特殊条件。为此,提出基于改进型YOLOv5s的结直肠息肉检测模型QB-YOLO。首先,在原骨干网络中引入一种局部上下文信息增强模块——通道注意力机制(CAM),替换原模型中的空间金字塔池化SPPF模块,以增强模型对结直肠息肉的目标关注度;其次,在骨干网络中添加大核分离卷积注意力模块(LSKA模块),加强模型捕捉结直肠息肉图像中局部细节的能力;最后,将软非极大值抑制Soft-NMS引入模型以应对部分结直肠息肉可能会密集分布的情况,使模型更高效地处理重叠目标和密集目标。实验表明,改进后模型的准确率、召回率、平均精度相较于原始模型提升4.1%、8.5%、3.9%。

关键词： 果蔬采摘   YOLOv5   BiFormer机制   小番茄目标检测  

摘要： 目前果蔬的采摘仍然以人工为主,人工采摘耗时耗力,效率低下。采摘机器人的视觉系统是其获取目标果实信息的关键,对完成采摘动作起着关键性作用。以果蔬园中小番茄为研究对象,研究了自然环境下成熟小番茄的识别与定位,以提高小番茄采摘机器人采摘作业的实时性与鲁棒性。通过不同时段,不同光照,不同遮挡等条件下的小番茄拍摄图片构建数据集,基于YOLOv5对识别模型进行了研究和构建,成功构建了基于BiFormer机制改进的小番茄目标检测模型YOLOv5_tomato,实验结果表明该模型能很好地实现复杂自然环境下小番茄果实目标定位。

关键词： 计算机视觉技术   大数据图像识别   创新应用   挑战  

摘要： 随着大数据时代的来临,图像数据呈爆炸式增长。计算机视觉技术凭借其强大的图像理解和分析能力,在大数据图像识别领域发挥着愈发关键的作用。文章深入探讨计算机视觉技术在该领域的创新应用,详细分析其面临的挑战,并提出相应的应对策略,旨在推动计算机视觉技术在大数据图像识别领域的持续发展与广泛应用。

关键词： 雷达成像   机载太赫兹雷达   目标识别   目标检测  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 合成孔径雷达   目标检测   深度学习   注意力机制   特征融合  

摘要： 合成孔径雷达(Synthetic aperture radar,SAR)图像目标通常具有不明显的边缘特征,且不同尺度下的目标边缘特征并不完全相同。边缘特征可以提供目标物体的形状和轮廓信息,增强模型对目标物体的定位能力。现有的SAR目标检测方法对于边缘特征的学习仍然不足,导致模型对于边缘特征的感知能力较弱。基于此,提出一种基于边缘特征引导学习(Edge feature guided learning,EFGL)的SAR目标检测方法,该方法基于FCOS(Fully convolutional one-stage)目标检测框架,主要利用目标边缘特征引导特征金字塔网络(Feature pyramid networks,FPN)的特征学习,通过在FPN中引入边缘算子模块,显式增强网络对不同尺度目标边缘特征的学习能力;另外,在多尺度特征融合过程中,构建边缘特征引导融合模块,利用融合边缘特征的空间注意力模块实现边缘特征引导的相邻层级特征融合。在MSAR数据集和SAR-Aircraft-1.0数据集上,所提方法在AP’07标准下分别达到了68.68%和67.44%的检测精度,比基础网络分别提升了1.34%和4.81%。与其他相关算法相比,所提方法能够更好地进行目标定位,且SAR目标检测性能更优。

关键词： 飞机遥感图像   目标检测   注意力机制   检测层   检测评估方法  

摘要： 针对目前遥感图像中飞机识别存在的分辨率低、尺度多样、检测目标小、背景复杂等问题,提出一种改进的YOLOv5_RCSL飞机遥感图像精确检测算法。该算法在YOLOv5主干网络中采用卷积块注意力模块(convolutional block attention module,CBAM)注意力机制,有效进行特征信息的提取,提高遥感图像识别检测的精度,使其更加有利于遥感图像飞机目标大小特征值的全局提取;在原YOLOv5的检测头部再增加一个尺度为20 px×20 px的检测层,提升检测识别小类别遥感图像飞机目标的准确度。另外,采用一种基于Wasserstein距离的小目标检测评估方法和一种改进的标准化Wasserstein距离(normalized Wasserstein distance,NWD),提高小目标和相应特征的识别率。与原有的YOLOv5模型的对比结果显示,改进的YOLOv5_RCSL算法的平均检测mAP50值达到了96.2%,提升了16.1%;改进算法的平均检测速度达到了60 F·s^(-1),提升了30 F·s^(-1)。实验证明,改进的YOLOv5_RCSL算法能有效解决遥感图像目标检测识别度低和遥感图像分辨率不高导致的误检、漏检问题。

关键词： 目标检测   竹节   YOLOv8n   MSCA注意力机制   Slim-Neck   ConvNeXt v2  

摘要： 竹节的快速检测和准确识别是提高竹子初加工质量的重要前提。针对竹子加工避节难的问题,提出了一种YOLOv8n-CSM竹节检测模型。首先,采用ConvNeXt v2作为骨干特征提取网络,以增强网络的特征提取能力;其次,使用广义稀疏卷积(Generalized-Sparse Convolution, GSConv)和VoVGSCSP模块搭建Slim-Neck颈部网络结构,在减少模型参数量的同时保持模型的识别精度;最后,将多尺度卷积注意力机制(Multi-scale convolutional attention, MSCA)嵌入到模型的主干输出端,以增强模型对竹节的特征提取能力并削弱背景干扰。结果表明,优化的YOLOv8n-CSM模型,其在竹节测试集上的平均精度均值(Mean average precision, mAP)达94.4%。与目标检测模型YOLOv3-tiny、YOLOv5、YOLOv6和YOLOv8n相比,YOLOv8n-CSM模型的mAP0.5分别高出0.5,1.1,1.3,1.5个百分点,可为竹节快速准确检测提供技术支持。