关键词： 深度学习   目标检测   YOLOv5s   漂浮垃圾   特征融合   双层路由注意力机制   损失函数  

摘要： 针对漂浮垃圾检测存在小目标特征丢失引起的漏检误检和模型过于复杂导致部署困难的问题,提出一种基于改进YOLOv5s的目标检测算法YOLOv5s-PBW。采用改进的PB-FPN特征融合结构,在不影响检测精度的情况下,降低模型的复杂度;引入双层路由注意力机制(BRA),关注关键信息,提高对小目标特征的提取能力;使用Wise-IoU边框损失函数,专注于训练普通质量的锚框,提高模型的泛化能力。实验结果表明,改进后的模型相比原始YOLOv5s算法,参数量减少了62%,权重文件减少了61%,mAP@0.5提高了1.2%,适合无人水面船的漂浮垃圾实时检测。

关键词： 桥梁健康监测   数字图像处理   计算机视觉   裂缝几何测定  

摘要： 桥梁裂缝几何特征的精确测定是桥梁健康监测与维护流程中的核心环节。借助对裂缝长度、宽度及面积等几何特征的细致测量,可全面评估桥梁的结构安全性能和预期使用寿命。当前,这一测定过程融入了先进的激光扫描技术、数字图像处理技术以及计算机视觉技术,这些高科技手段不仅显著提升了测量的精确度与工作效率,还实现了非接触式的监测方式,极大地降低了对桥梁结构本身可能造成的损伤风险。进一步地,通过对裂缝几何特征数据的深入分析,能够更准确地预测裂缝的扩展趋势。据此,可以制定出更科学合理的维修策略,从而确保桥梁的安全性和稳定运行。

关键词： 棉田昆虫   CottonInsect数据集   图像分类   目标检测  

摘要： 棉花是新疆重要经济作物,由于种植结构调整、农药不合理使用与气候变化等原因,棉花易受多种虫害侵袭,影响其产量与品质。因此,构建复杂场景下棉田昆虫图像数据集对棉田害虫综合治理具有基础性意义。本文构建了复杂场景下新疆棉田主要昆虫图像数据集,用于真实环境下棉田昆虫的识别与检测。本数据集包含13种(类)常见的棉田昆虫,共3225张图像,原始图像共24 GB,均通过严格筛选,确保图像质量。对每张图像的棉田昆虫进行人工标注,构建图像分类数据集和目标检测数据集,数据集大小共29.7 GB。使用常见的深度学习模型对数据集进行评估,确保数据集的可用性和可靠性。本数据为棉田昆虫图像分类、目标检测等提供基础数据,对促进农业领域的发展、棉花虫害防治研究及提高棉花产量具有重要的实际应用价值。

关键词： 缰核   抑郁症   磁共振成像   图像处理   深度学习  

摘要： 缰核(habenula,Hb)是一对位于脑深部的灰质小核团,作为联系边缘前脑与中脑之间重要的枢纽,在情绪调控中发挥关键作用,缰核的过度兴奋已被证实与抑郁症的发病密切相关。磁共振成像技术不断发展以及同人工智能的深度融合,不仅加深了人们对缰核参与抑郁症的发病机制的认识,也帮助完善了抑郁症的诊疗及预后手段。本文着重对抑郁症缰核的MRI、分割及影像学改变进行总结,并探讨了目前的研究面临的技术挑战,从而为抑郁症的早期诊断及个性化治疗策略提供新的思路。

关键词： 小目标检测   自适应切片辅助推理   不确定目标定位   非极大值抑制  

摘要： 针对无人机航拍图像中目标尺度不一、密度不一、细节不清,尤其小目标众多所导致的漏检和误检问题,提出一种基于自适应切片辅助推理的目标检测新方法。该方法首先将航拍图像输入目标检测网络进行初次推理,设计一种窗口得分机制来根据初次推理结果定位输入图像中的不确定目标,并自动选择有效的图像区域进行切片以适应不同尺度和密度的目标。接着将切片图像送入目标检测网络进行二次推理。最后对两次推理结果执行改进的非极大值抑制处理得到最终检测结果。在典型的VisDrone2019和AI-TOD数据集上的实验结果表明,本文方法提升了包括YOLOv7-tiny、YOLOv8n、YOLOv8s及YOLOv9-C在内的典型轻量级目标检测模型的mAP指标,有效提高了航拍图像目标检测性能。

关键词： 农作物病虫害识别   深度学习   卷积神经网络   迁移学习  

摘要： 防治农作物病虫害是农业生产中的一大难题,及时准确地识别病虫害对于维护农业生产的稳定和环境的保护至关重要。常见的农作物病虫害识别手段包括人工识别、显微镜观察和分析、生物学检测、计算机视觉等,其中,计算机视觉在病虫害识别领域中逐渐成为一种重要的手段,具有高效、快速、准确的特点。阐述传统病虫害识别模型的原理和缺点,简要介绍基于卷积神经网络与迁移学习的病虫害识别模型的基本流程,对国内外一些相关文献进行了总结,并对目前农作物病虫害识别模型提出了存在的问题和改进方向。

关键词： 广义高效层聚合网络模块   C2F_DCN   YOLOv8   安检图像   目标检测  

摘要： 针对X射线安检图像中违禁品与背景和多重叠目标的检测难点,本文提出了一种基于YOLOv8改进的检测模型GELAN-C2F_DCN-YOLOv8(GC-YOLOv8)。首先,采用广义高效层聚合网络(Generalized Efficient Layer Aggregation Network,GELAN)模块来增强特征融合能力;然后在Backbone网络的C2f(Faster Implementation of CSP Bottleneck with 2 convolutions)模块嵌入了可变形卷积网络DCN(Deformable Convolution Network,DCN)构造C2F_DCN可变形卷积。通过引入C2F_DCN,模型可以自适应地调整感受野的位置和形状,以适应目标的多样性。将GC-YOLOv8模型在刀具和液体容器X射线数据集(Cutters and Liquid Containers X-ray Dataset,CLC X-ray)上进行测试,结果表明GC-YOLOv8模型在召回率比基线模型高0.8%的同时准确率明显提升8.1%,验证了所提方法的有效性。并且,FPS最终达到了140.4,完全满足安检设备部署的实时性要求,验证了所提方法的通用性。

关键词： 船舶号灯识别   目标检测   VanillaNet   MoE混合专家层模块   Focal Loss  

摘要： 为解决船舶号灯目标检测中参数计算量大、背景光线复杂及号灯种类繁多等问题,对YOLOv8n做出了改进,以满足实时准确识别船舶号灯的要求。首先,使用VanillaNet网络作为主干特征提取网络,以降低模型的计算成本,满足实时检测要求;其次,引入颜色注意力模块确定和增强号灯的颜色特征,以提高在复杂光线背景下号灯颜色的识别能力;再次,针对号灯的大小、频率、各视图空间排列等特征,构建MoE-layer模块代替C2f模块,以提高船舶号灯识别的准确性;最后,通过Focal Loss调节对难易分类样本的关注来解决类别不平衡问题,提高模型对号灯目标的检测能力。实验结果表明,相较于原基线YOLOv8n模型,改进后的模型在参数量和计算量分别降低37.7%和52.8%的情况下,精度和mAP@0.5分别提升3.3%和2.2%,达到98.3%和98.7%,可以满足实时准确识别船舶号灯的要求。

关键词： 无人机影像   轻量级目标检测   深度可分离卷积   高效通道注意力   锚点框聚类  

摘要： 针对无人机等边缘计算硬件上部署实时目标检测模型问题,设计了一种轻量级单阶段卷积神经网络模型。模型首先使用深度可分离卷积核构建特征提取网络,并通过高效通道注意力机制为特征图内的正样本赋权,然后通过跨尺度融合的特征金字塔获取属性信息丰富特征图,通过改进k-means++算法获取更准确的锚点框,最终通过三组特征图实现多尺度目标检测。实验结果表明,本文模型对于多重复杂场景下的多类别地面目标表现出了良好的检测精度和泛化性,在低算力的测试硬件下能达到实时级的检测水平。

关键词： 煤矿工业   单轨吊   目标检测   YOLO   智能巡检  

摘要： 矿井下复杂、恶劣的作业环境给单轨吊运输效率和安全保障带来了极大挑战。为此,提出煤矿单轨吊智能巡检与预警系统。所提系统以改进的YOLOv7目标检测算法为核心,集成多IOT传感器感知与多模态预警系统,实现了对单轨吊运输环境中异常情况的自主检测与预警。实践表明,所提系统检测精度高、鲁棒性好,大大提高了单轨吊运行保障系统的稳定性和安全性,保障了矿井的安全运输生产,提升了矿井智能化水平。所提系统不仅填补了矿井下单轨吊智能安全系统研究的空白,而且扩展了特定场景下YOLO目标检测算法的应用。