关键词： 空心莲子草   稻田   目标检测   除草   YOLOX—Nano  

摘要： 稻田空心莲子草为稻田外来入侵恶性杂草,在秧苗封行前与水稻幼苗共同竞争水、肥、光和生长空间等资源,进而影响水稻产量。目前主要采用化学喷施除草剂对草害进行防治,如果在稻田无差别地喷施化学除草剂,不仅污染环境,还对稻田秧苗产生一定的药害。随着深度学习的快速发展,根据稻田杂草的区域位置进行除草剂精准喷施已成为可能。YOLO系列具有高效推理能力及快速迭代的特点,系列版本体积小,方便嵌入手机或其他终端产品。以秧苗未封行前稻田中的恶性杂草空心莲子草为研究对象,针对YOLOX一阶段目标检测模型系列,YOLOX—Nano虽然在YOLOX系列中性能不是最优,但是其在YOLOX几个版本中体积最小,方便嵌入手机或其他终端产品,最终选择YOLOX系列中的YOLOX—Nano模型。同时构建YOLOv3、YOLOv4—tiny、YOLOv5—s、SSD和YOLOX—Nano等空心莲子草目标检测模型,并进行性能实验对比。结果表明,基于YOLOX—Nano的空心莲子草目标检测模型中召回率Recall、mAP、F 1值都高于YOLOv3、YOLOv4—tiny、SSD和YOLOv5—s模型,分别达到97.14%、96.72%和93%。针对秧苗和空心莲子草之间不同程度的轻微遮挡和部分严重遮挡图像,基于YOLOX—Nano的空心莲子草目标检测模型检测效果好于YOLOv3、YOLOv4—tiny、SSD和YOLOv5—s。

关键词： 目标检测   YOLOv8   自注意力机制   多尺度注意力机制   变电站缺陷检测  

摘要： 针对变电站缺陷检测任务中复杂场景、目标尺度差异大以及背景干扰多的问题,文章提出了一种改进的YOLOv8算法。在YOLOv8网络结构中融合自注意力机制(self-attention)与多尺度注意力机制(multiscale attention),通过捕获特征图中的长距离依赖关系与动态调整多尺度特征权重,增强模型对复杂背景下关键特征的提取能力,并提升小目标检测的精度。为适应变电站缺陷检测需求,构建专业的数据集,并采用自适应训练方法优化超参数设置,提高模型的泛化能力。实验结果表明,改进算法在检测精度和鲁棒性方面显著优于传统YOLOv8算法,尤其在小目标检测和复杂场景下表现出更强的识别能力。

关键词： 目标跟踪   算法优化   深度学习   外观模型匹配  

摘要： 在森林复杂环境中,目标追踪任务面临着严峻挑战,尤其是在树干追踪等任务中,遮挡和密集目标现象尤为突出。针对森林中复杂遮挡和密集追踪目标环境导致树干追踪任务出现目标丢失和ID切换的问题,文章在ByteTrack算法基础上进行改进:在匹配过程中引入外观模型与运动模型相结合的方式,有效降低了目标ID的切换次数;同时更换了更适用于遮挡环境的IoU度量方法,进而提高了算法在林下复杂环境中对遮挡情况的适应力和对密集目标的追踪性能。

关键词： 螺栓松动检测   关键点检测技术   YOLOv9   ResNet-18   图像处理   拓扑学   空间变换网络  

摘要： 针对真实列车场景中,螺栓松动检测易受螺栓种类多样、拍摄环境复杂等影响的问题,提出一种基于关键点的列车螺栓松动状态检测算法。将深度学习中的关键点检测技术与拓扑学相结合,利用孪生网络判断前后历史螺栓的几何六边形信息差,从而判断螺栓松动。首先利用YOLOv9识别并定位螺栓,构建螺栓关键点数据集和螺栓松动分类数据集;其次,为增强检测模型对畸变、倾斜等异常螺栓图像的自动矫正能力,并解决特征图在深层网络传递中的信息丢失问题,对ResNet-18模型进行改进,集成了空间变换网络(STN)模块;最后,将检测得到的螺栓角点拓扑为一个连通六边形结构,并将前后信息输入至孪生网络进行松动分类。测试结果表明,利用改进后的ResNet-18模型判断螺栓松动状态的精确率为99.3%,召回率为99.6%,较原模型有显著提升。所提算法能够有效判断螺栓的松动状态,可为螺栓松动故障诊断提供新的解决方案和技术参考。

关键词： 全自动分析系统   X射线荧光光谱仪   图像处理   matlab   全自动磨样机  

摘要： 文章为了解决铁钢全自动分析系统中铁样拍照合格率低、二次制样后分析时长过长导致系统利用率低的问题,首先通过控制样品加工深度,并逐次使用X射线荧光光谱仪进行分析,可获得同一样品、不同表面质量的分析结果,然后对结果进行分析得到样品表面质量与分析结果之间的关系,再根据分析结果调整设备参数,实现缩短分析时长的目的,从而提高设备的利用率。

关键词： 水产养殖   目标跟踪   种群计数   海参   水下视觉   深度学习  

摘要： 为解决海参养殖过程中人工采样计数方法成本高、效率低、误差大等问题,该研究提出一种基于改进YOLOv8s和ByteTrack的自动化养殖海参计数方法。该方法由检测、跟踪和计数3个部分组成:在检测部分,针对YOLO系列检测器在水下环境中检测性能不足问题,提出改进模型YOLOv8s-BB。通过在Backbone和Neck部位分别引入BCAM(BiFormer convolutional attention module)和BiFormer注意力模块增强其特征提取和融合能力,提升检测精度;在跟踪部分,针对ByteTrack算法在水下环境中对目标关联匹配性能不佳问题,提出基于三级级联匹配的TriSORT跟踪算法,提升跟踪稳定性;在计数部分,设计了未激活轨迹去除计数法,对比分析了其与过线计数的性能差异。结果表明:YOLOv8s-BB检测器的平均精度达88.9%,召回率为77.8%,F1值为84.2%,相较于YOLOv8s、YOLOv7-tiny、YOLOv9s和YOLOv11s检测模型,均保持领先优势;TriSORT的多目标跟踪准确度(MOTA)和ID调和平均数(IDF1)达74.00%和85.03%,较ByteTrack分别提高6.55和5.54个百分点;未激活轨迹去除计数法平均计数精度达95.46%,绝对误差为1.90,明显优于过线计数法。该研究通过检测-跟踪-计数的全流程优化,实现了高效、准确的自动化养殖海参计数,为海参养殖的生物量估算、投喂管理、销售决策等关键环节提供可靠的数据支持。

关键词： 计算机视觉   人工智能技术   智能监控   监控系统  

摘要： 在现代社会建设和发展的过程中,监控系统已经成为非常重要且必要的组成部分,在人类社会发展的各个领域都具有广泛的运用。而伴随国内社会的快速发展,传统的监控系统在多个方面开始体现出一定的局限性。其中,基于计算机视觉的人工智能技术在智能监控系统中的应用,可以在现有基础之上,使监控系统的性能得到显著提升,其应用范围也会得到有效拓展,对于国内不同领域的相关工作开展均具有重要作用和价值。因此,本研究针对基于计算机视觉的人工智能技术在智能监控系统中的应用进行系统探究和分析,望对智能监控系统的优化和应用起到一定借鉴和指导作用。

关键词： RGB-D   显著性目标检测   非对称融合   深度监督  

摘要： 用于显著性目标检测的HDFNet模型在其编码阶段和解码阶段均缺乏有效的特征信息表示能力,分别由于其编码阶段仅把RGB特征和Depth特征进行简单相加,且解码阶段在多次上采样中缺乏有效监督,从而导致检测精度有待进一步提升.本文提出了一种新的RGB-D显著性目标检测模型HDF+.首先,在编码阶段构建了非对称融合模块,该模块通过非对称的方式融合RGB特征和Depth特征,有效利用RGB特征的语义信息及Depth特征的空间细节信息;其次,在解码阶段采用多个深度监督模块对网络进行监督训练,并在各监督层引入IoU损失作为前景损失替换原来的区域增强损失.对比实验结果表明,本文的方法优于主流的RGB-D显著性目标检测方法.

关键词： 汽车雷达影像   光照不均匀   神经网络优化   卷积神经网络   剪枝技术   目标检测效率  

摘要： 汽车行驶过程中,需要实时地检测和识别出目标,并在复杂多变的环境中准确地区分目标和背景,这一过程对算法的计算效率要求高。为此,提出基于改进神经网络的汽车雷达影像目标检测方法。通过精细的剪枝策略与结构化稀疏约束改进神经网络,有效剔除了目标检测模型中的冗余元素与弱相关性结构,实现了模型的轻量化与高效化。在检测流程中,利用卷积与池化操作精准捕捉目标特征,借助逻辑回归损失函数精确评估检测效果,并通过反向传播与小批量梯度下降算法不断优化模型参数,直至达到最佳检测效果。实验验证,该方法显著提高了目标检测的效率与准确性。

关键词： 深度学习   图像处理   语义分割   特征融合   损失函数  

摘要： 语义分割在自动驾驶与智能交通工程应用中发挥着不可替代的作用。针对语义分割现存分割边界模糊、物体间相互遮挡及物体多尺度差异造成的分割精度不足问题,提出全局感知与多尺度特征融合的城市道路语义分割网络。为改善分割边界模糊的问题,设计全局感知模块,通过联合空间和通道信息增强特征之间的交互以感知全局信息;物体间相互遮挡情况下模型往往需要提升被遮挡区域的敏感度,为此提出多尺度特征融合模块以兼顾大小物体的分割精度;采用综合性的多约束特征平滑损失评估模型,进一步平滑特征,优化目标以求最优解。经实验验证,本文方法于Cityscapes数据集上在不同分辨率情况下mIoU值分别提升0.5%,0.9%,1.7%,在ADE20K数据集上mIoU值提升2.1%。相比于现有语义分割网络模型,本文方法分割效果有进一步提升。