关键词： 显著性目标检测   光学遥感   整体色调   上下文信息  

摘要： 光学遥感显著性目标检测用于从光学遥感图像中自动识别和定位具有显著性特征的目标,现如今已经得到了很好的发展.但是遥感显著性目标检测存在定位不准确和细节信息缺失的问题,因此提出了基于双重注意互补网络(DACNet)的光学遥感显著性目标检测的方法.首先,设计了双重注意流模块(DAF),通过同时观察显著区域和非显著区域,来计算预测和真实值之间的误差,恢复自上而下的途径中缺失的信息.其次,为了获取更加完整的显著目标的细节信息和边界信息,提出了全局图像级模块(GIL)通过引入全局图像级的内容来更好地捕捉源特征的整体色调.最后,为了在解码器获取更多的多尺度上下文信息,提出了多级聚合模块(MLA),通过膨胀卷积来扩展感受野,并从中捕获上下文信息.实验结果表明与现有显著性目标检测的方法相比,该方法取得了更好的性能.

关键词： 无人艇   YOLOv8   数据增广   目标检测  

摘要： 无人艇在自然海域应用过程中,光学图像成像质量低、侧视视角致使目标特征局部化和深度方向畸变、盐渍水滴造成透镜形变、极大极小目标并存等问题,上述问题引发基于深度学习的图像目标检测算法性能下降,漏检误检率居高不下,进而导致避碰决策算法发散或频繁紧急告警。为提升无人艇光学图像目标检测效果,基于YOLOv8算法模型,首先引入Copy-Paste算法和非配对图像风格迁移算法,构建目标多视角图像和异常环境导致的低质量图像,解决数据集中低质量图像占比低的问题;其次在检测网络中增加专用小目标检测头并优化损失函数,在保留原模型目标检测能力的同时强化了小目标检测能力。构建的目标检测模型经增广数据集训练,在测试集上目标检测平均精度达到96.2%。

关键词： 桥梁工程   移动车辆荷载   车辆定位   挠度测试   计算机视觉   无人机  

摘要： 为提高桥梁挠度测试与车辆定位的便捷性和准确性,提出基于计算机视觉的车致桥梁挠度测试与车辆定位方法。采用无人机拍摄车辆,结合即时定位与地图构建(SLAM)算法和YOLO算法实现相机姿态估计和车辆实时定位。针对车致桥梁挠度测试,提出了改进的尺度不变特征转换(SIFT)算法来提取和匹配桥梁图像特征点,并根据特征点的位置变化识别桥梁挠度响应。通过车辆过桥室内试验验证了该方法的可行性及准确性。结果表明,通过剔除无人机视野中的动态特征点,可提升无人机姿态估计的准确性,车辆定位误差可控制在1%以下。改进的SIFT算法可较好提取并匹配特征点,在1.5 m的拍摄距离下,可实现约±0.368像素精度的图像位移识别。基于计算机视觉的挠度测试与车辆定位方法兼具非接触、高精度优势,可为中小桥梁快速检测评估提供可靠的数据支撑。

关键词： 电网现场作业   输电线路   深度学习   目标检测   增量学习  

摘要： 针对传统的目标检测技术在电力场景中对新目标存在适应性不足、无法增量检测的问题,本文提出面向电力场景图像的动态自适应增量目标检测算法(Dynamic Adaptive Incremental Object Detection,DA-IOD)。首先,采用任务对齐的自适应特征解耦模块(Task-Aligned Adaptive Feature Decoupling,TAFD)增强特征表示能力;其次,引入轻量和高效的动态上采样器(Ultra-lightweight and Effective Dynamic Upsampler,Dy Sample)降低计算负担和延迟;最后,采用完全交并比(Complete Intersection over Union,CIo U)回归损失函数对基线增量Efficient-IOD算法的损失函数进行修正,进一步提高了算法的检测精度。在广东电网智慧现场作业数据集的3+3单步增量场景中,本文方法与基线算法相比,平均精度均值(mean Average Precision,m AP)提高了2.4个百分点。

关键词： 全身型重症肌无力   计算机视觉   特征提取   数据库   计算机辅助诊断  

摘要： 目的 构建全身型重症肌无力(GMG)患者视觉特征数据库并验证其辅助评估GMG的有效性。方法 回顾性纳入2024年1月至2024年3月就诊于北京医院神经内科的GMG患者36例,男24例,女12例,年龄21~80岁;另选取同期10名健康志愿者作为健康组,男女各5名,年龄21~40岁。参考常用临床量表,对受试者拍摄视频数据。利用计算机视觉中的面部关键点检测、图像分割、人体关键点检测等技术提取GMG患者的视觉特征。对这些特征数据进行编码,构建GMG患者特征数据库。以眼部距离和面积以及四肢角度特征为例验证该数据库的有效性。构建决策树、支持向量机、随机森林以及K近邻等多种传统机器学习分类器完成眼部和四肢的肌肉功能分类任务,即识别眼部和四肢的肌肉功能为正常或异常。结果 构建的视觉特征数据库中包括患者肌肉特征的定量描述,且在眼部和四肢肌肉功能评估的实验中,针对左眼、右眼、左上肢、右上肢、左下肢和右下肢评估的准确率分别达73.8%、74.0%、72.9%、71.8%、64.5%、68.2%。结论 该数据库以定量的方式模仿临床专家对GMG患者眼部和四肢的症状进行描述,可用于GMG患者的相关研究,具有一定的应用价值。

关键词： 目标检测   YOLOv8   遥感图像   损失函数   注意力机制  

摘要： 针对遥感图像背景复杂、小目标数量多、目标尺度各异的特点,提出一种基于改进YOLOv8的遥感图像目标检测算法。首先,在主干网络引入深度可分离卷积(DSConv),减少模型的计算量和参数量,提升计算效率;其次,为提升对遥感图像的目标检测能力,在颈部(Neck)添加一种高效通道空间注意力模块(ECSA),通过对通道和空间特征的融合提高模型的识别能力;最后,增加检测尺度为160×160的小目标检测层,提升图像中小目标检测能力,并将边界框损失函数替换为SIoU,关注预测边界框与真实边界框的角度信息,提升检测精度。在遥感图像数据集SIMD上的实验结果表明:改进YOLOv8算法具备更强的特征提取能力,与YOLOv8算法相比,平均精度均值提升了2.63%,模型参数量减少了19.43%,模型计算量减少了28.31%,证明了改进YOLOv8算法的有效性。

关键词： 苹果果实识别   YOLO11   轻量化   目标检测   深度学习  

摘要： 针对果园环境下苹果果实目标重叠、光照不均且尺度不一等复杂场景特点,同时为满足模型落地部署时检测精度与计算资源之间的平衡需求,提出一种基于YOLO11n改进的轻量化苹果果实检测模型YOLO-AP。首先,结合幽灵卷积与动态卷积改进特征提取模块,提出一种GD_C3K2模块,增强模型特征提取能力的同时降低模型复杂度;设计一种全局-局部双流特征融合网络,通过简化双向特征金字塔网络与自适应下采样模块对颈部网络进行重构,并在网络首部上引入全局到局部空间聚合模块进一步增强模型全局和局部空间建模能力;结合坐标注意力机制和重参数化卷积构建轻量化共享卷积头RepCoord-LDH,减少模型复杂度的同时维持高检测精度;最后,引入WiseIOUv3作为模型边界框损失函数,优化边界框回归性能。结果表明,YOLO-AP的精确率、召回率和平均精确率分别达到89.1%、88.9%和96.1%,相较于基线模型YOLO11n分别提升0.5、0.1和1.0百分点,同时模型的参数量和浮点运算量分别为1.4 M和3.6 G,仅为基线模型的53.8%和54.5%。与主流检测算法对比,YOLO-AP在模型检测性能和复杂度等指标中也优于其他算法。综上所述,YOLO-AP模型可为复杂环境下的苹果检测提供有效的技术支持。

关键词： 输电线路   山火烟雾   目标检测   YOLOv8s   ODConv   DyHead   WIoU  

摘要： 针对输电线路走廊复杂背景场景下传统预警方法山火检测效果差、速度慢,图像识别误检、漏检率较高等问题,提出了一种基于改进YOLOv8s的输电线路山火检测方法。首先,通过网络收集并对现有数据集筛选,得到以野外荒地为背景的山火图像数据集,更加贴合目标背景。其次,引入ODConv模块,对基线模型的Backbone和Neck部分使用C2f_OD模块替换原C2f模块进行特征提取,提升模型对火焰烟雾的检测性能;再更换Head部分为DyHead模块,融合尺度、空间和任务3种注意力感知模块,进一步提高检测精度;并使用WIoU损失函数,将检测框回归聚焦于普通质量的预测框,提升模型对复杂背景的泛化性能。最后,设计了3组消融实验和1组对比实验。实验结果表明:所提算法与原YOLOv8s模型相比,在自建山火数据集上mAP@0.5提高了5.6百分点,P提升了4.51百分点,R提升了5.41百分点,帧率为34.9帧/s,满足输电线路山火精准检测的要求。

关键词： 豆类病害   目标检测   可变形卷积   多尺度特征   注意力机制  

摘要： 为实现豆类病害的实时精准检测,提出一种改进YOLOv10的目标检测算法。首先,引入DCNv2替换neck网络中的CBS模块,提高模型对不同形状和空间位置的病害作物的检测能力。然后,采用BiFPN结构,通过多尺度特征加权融合策略提高模型对不同尺度目标特征的区分能力。最后,设计一种基于注意力机制的多尺度融合检测头,有效利用neck网络提供的多尺度输入特征,改善对不同尺度目标的检测效果。利用公开的豆类病害数据集进行试验,经过改进的模型mAP@0.5和mAP@0.5:0.95分别达到72.1%、47.1%,相较于原始的YOLOv10模型,在未提高计算代价的前提下,分别提升3%、4.9%。改进后的算法可以实现豆类病害的精准检测,为豆类作物的种植推广提供充分的帮助。

关键词： 计算机视觉   化工自动化   生产监测   设备状态  

摘要： 本文探讨计算机视觉技术在化工自动化生产监测领域的应用。首先阐述了化工自动化生产监测的现状和需求,指出了传统监测方法的局限性。其次介绍了计算机视觉技术,包括图像采集、处理与分析等环节。重点论述了其在化工设备状态监测(如磨损、腐蚀检测)、生产过程监控(如物料流动、化学反应状态监测)、产品质量检测(如外观缺陷、尺寸精度检查)以及安全防护(如人员违规行为、危险区域入侵监测)等方面的具体应用。实际案例分析展示了该技术在提高监测效率、降低人工成本和增强安全保障等方面的显著效果。最后,对该技术在化工领域应用面临的挑战(如复杂环境干扰、高精度检测要求)进行了分析,展望了其未来发展趋势,为计算机视觉在化工自动化生产监测中的应用和优化提供理论与实践指导。