关键词： 双目视觉   检测与定位   YOLOv5   多尺度   棉花采摘   机器人  

摘要： 针对棉花采摘机器人自动采摘棉花过程中需要实时检测并定位棉花的问题,对基于双目视觉的棉花采摘检测与定位技术进行了研究。在YOLOv5s模型中,首先利用Mosaic数据增强技术把CSP结构融入Darknet53,减少模型计算量和内存占用量,然后将模型Neck中的SPP替换为SPPF,解决目标多尺度问题,提高模型计算速度,最后使用搭建的棉花检测与定位系统对不同数量和不同朝向的棉花进行检测并定位。结果表明:该系统能够快速准确定位不同数量和不同朝向的棉花,检测精度达99.4%,基本可以完成棉花检测与定位任务。

关键词： 钻杆计数   目标检测   时空融合   深度学习   瓦斯抽采  

摘要： 目的随着煤矿开采逐渐深入,瓦斯抽采作业的安全风险不断增加,钻杆计数的准确性对保障瓦斯抽采的安全和效率至关重要。传统的钻杆计数方法效率低、易出错,且难以适应复杂环境。方法本文基于YOLOv5深度学习模型,提出了一种结合时空信息融合的钻杆智能计数方法,通过实时处理煤矿井下的视频数据,实现钻杆的自动检测与计数。实验数据包括7组28段模拟退钻场景和10组真实退钻场景。为了增强模型的鲁棒性,采用过亮、过暗、烟尘噪声和镜像等数据增强技术。此外,对YOLOv5的不同版本(YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x)进行比较,选择最优模型进行钻杆计数。计数过程中,结合钻杆面积跳变、IOU跳变等前置更新条件,进一步优化钻杆数量更新的准确性。结果结果表明,4种YOLOv5模型在当前数据中均达到了99.5%的准确率和100%的召回率,因此采用YOLOv5s作为后续计数检测模型。结论本文方法在模拟和真实退钻场景下均实现了100%的正确计数,展现出较高的准确性和鲁棒性。通过减少人工干预,显著提高了钻杆计数的自动化水平,具有广泛的应用前景,尤其在煤矿安全生产及其他工业自动化监控领域具有重要意义。

关键词： 水下目标检测   特征融合   注意力机制   YOLOv7   计算机视觉  

摘要： 为了改善由于水下图像模糊和水下环境复杂而导致现有的水下目标检测模型效果不佳,模型检测精度低等问题,提出一种改进YOLOv7的目标检测模型YOLOv7-RMC,提高水下目标检测的性能。为了能够在模糊的图像中提取到更关键的信息设计了一种多信息残差融合注意力机制(residual fusion global attention mechanism,RGAM),解决随着网络层次的加深上下文特征信息丢失的问题,加强模型的特征信息提取能力。为解决远景近景目标信息丢失和小目标缺陷信息丢失问题,对原颈部网络结构进行优化重构,引入多尺度浅层特征融合网络(multi-scale shallow feature fusion network,MSFN)结构,通过多次深层特征融合与浅层特征之间的信息交互,提高目标检测精度。在优化后的颈部网络MSFN中引入轻量级上采样算子模块(content aware reassembly of feature,CARAFE),通过特征重组和特征扩张改善网络的特征融合能力保留更多的目标信息。实验结果表明,该算法在URPC数据集和Brackish数据集上的平均精度(mAP@0.5)达到87.4%和97.9%,相较于原始的YOLOv7网络模型mAP@0.5提高了2.3和0.9个百分点,提高了模型的检测能力,具有很强的实用性。

关键词： 无人机(UAV)   小目标检测   注意力机制   轻量化   YOLOv11  

摘要： 无人机航拍中的目标检测面临诸多挑战,如检测目标小、尺度变化大以及计算能力受限等问题。针对现有小目标检测模型体积大、计算量高,难以在边缘设备上高效部署的问题,提出了一种基于YOLOv11改进的轻量化模型MA-YOLOv11s(multi-attention YOLOv11s)。选择性地引入小目标检测层,在提高检测能力的同时控制计算量增长。设计了融合多种注意力机制的轻量级特征提取模块C2SCSA和C2MCA,增强了模型对复杂背景中小目标的特征提取能力,同时保持了较低的计算开销。采用Soft-NMS-SIOU替代传统的NMS方法,显著提升了模型在密集重叠目标场景中的检测精度与鲁棒性。在Vis Drone2019数据集的实验中,与YOLOv11s模型相比,MA-YOLOv11s仅用2.291×10^(6)的参数量和22.4 GFLOPs的计算量就将精确率、召回率、m AP_(50)、m AP_(50:95)分别提升8.9、1.3、10.9、9.7个百分点。实验结果表明,改进后的模型在保持小体积的同时展现了卓越的小目标检测性能。

关键词： 小目标检测   无人机   YOLO11   特征融合   Transformer  

摘要： 无人机航拍图像的小目标检测面临目标尺寸小、背景复杂、计算资源有限等挑战,现有的无人机目标检测模型大多精度较低,且难以在检测精度和检测效率之间取得良好的平衡。为了解决上述问题,本文提出了一种基于YOLO11改进的轻量化小目标检测算法ACFI-YOLO11(Attention-based Cross-layer Feature Interaction-YOLO11)。首先,设计了一个Tiny Head分支,通过引入更高分辨率的特征图增强模型对极小目标的感知能力;其次,提出了一个新颖的基于注意力的跨层信息交互模块ACFI,基于设计的层特征聚合模块(Layer Feature Aggregation,LFA)与Transformer编码器将当前层特征与相邻两层特征直接进行信息交互,弥补了原模型颈部网络特征逐层传递仅关注前一层特征而无法充分挖掘和利用跨层特征之间关联性的缺陷,提升了模型表征能力;最后,引入了SPD(Space-to-Depth)卷积替换传统卷积,降低了模型参数量和计算量,同时在下采样过程中保留了重要空间信息,提升了小目标检测精度。在Vis Drone2021数据集上的实验结果表明,ACFI-YOLO11相比YOLO11s在APS、APXS、m AP_(50)和m AP_(50-95)上分别取得了4.2%、3.5%、5.2%和4.0%的提升,且m AP_(50-95)优于其他对比算法达到了31.7%。此外,在UAVDT数据集上的对比实验进一步验证了ACFI-YOLO11的优越性,m AP_(50-95)达到了83.3%,显著优于其他先进算法。实验结果表明,ACFI-YOLO11在实现模型轻量化的同时,显著提升了检测性能,为无人机航拍图像中的小目标检测提供了一种高效且实用的解决方案。

关键词： 计算机视觉   系统论   课程内容优化   多元化评价体系   人工智能教育  

摘要： 利用系统论的理论框架,以计算机视觉为具体案例,围绕全局性、动态性和层次性原则,提出构建从底层视觉特征到高层语义理解的综合知识体系和多元综合评价体系,阐述如何利用智能工具参与课程内容优化与评价体系动态调整,形成闭环反馈系统,以适应学生需求和教育环境的实时变化,推动人工智能与工科教育的深度融合。

关键词： 深度学习   智能识别   全卷积神经网络   桥梁结构   裂缝检测   图像处理  

摘要： 由于桥梁结构会受到应变、温湿度等侵蚀和损毁,经常会造成桥梁结构产生裂缝病害,需要对桥梁结构的裂缝病害进行检测.设计了全卷积神经网络模型,采用裂缝图像数据集对模型进行了训练和验证,利用该全卷积神经网络模型可对3种桥梁裂缝病害的形态进行识别,并且与其他裂缝识别方法相比,具有较高的准确率和召回率.

关键词： X射线   计算机视觉   霉变核桃   特征优选   机器学习  

摘要： 针对霉变核桃检测难、效率低的问题,提出一种融合X射线和视觉图像的霉变核桃无损检测方法,以准确判别核桃内外皆霉变、内霉外正常、内正常外霉变和内外皆正常4类情况。首先采用灰度共生矩阵提取X射线和视觉图像的纹理特征,并在不同颜色空间下分别计算视觉图像的一阶矩和二阶矩,以全面捕捉核桃内外部霉变特征,从而构建原始霉变核桃特征集。随后,基于竞争自适应重加权算法和连续投影算法对提取的特征进行优选,构建对不同霉变情况敏感的核桃特征集。在此基础上,分别构建极限学习机和K-最近邻霉变核桃分类模型,并通过实验对比不同特征集下分类模型的性能,验证了融合X射线和视觉图像特征检测霉变核桃的可行性。结果表明,使用连续投影算法优选特征集构建的极限学习机模型性能最优,测试集准确率、召回率、模型精确率和召回率的调和平均值(F1)分别达到90.32%、92.58%和91.29%,平均特异性和Kappa系数分别达到97.02%和88.44%,对多数类和少数类的霉变核桃均有较高的判别能力。本研究可为核桃内外部霉变情况的综合、准备识别以及在线无损检测系统的研发提供理论参考。

关键词： YOLOv8   智慧民航   目标检测   行李分类  

摘要： 为了满足机场旅客自助托运行李系统存在的行李识别效率提升需求,本文提出一种改进的YOLOv8目标检测算法,旨在提升机场托运行李自动化分类与精确定位能力,从而实现更高效的行李托运处理。本文算法通过引入上采样算子CARAFE,修改UIoU损失函数提高边界框定位准确度,添加注意力机制SCSA和Soft-NMS以提升模型精度和鲁棒性。实验结果表明,经过改进的YOLOv8模型在precision、recall、mAP@0.5和mAP@0.5:0.95等检测指标上均有显著提升,有效改善了模型在实际应用场景中的表现.

关键词： 行人目标检测   YOLOv5   Ghost   SE  

摘要： 本文针对行人目标检测中的挑战,提出了一种基于改进YOLOv5的行人检测算法。该算法融合了Ghost模块和SE注意力机制,旨在提高特征提取能力的同时,保持模型的轻量性。在面对密集场景和遮挡问题时,改进的YOLOv5能有效提取重要特征并提升检测精度。通过对比实验和模拟分析,验证了该算法在提升检测性能的同时,仍能保持较低的计算复杂度和较高的实时性。实验结果表明,所提算法在行人检测任务中具有较好的表现,尤其是在低照度和复杂背景条件下。Aiming at the challenges in pedestrian target detection, this paper proposes a pedestrian detection algorithm based on improved YOLOv5. The algorithm combines the Ghost module and SE attention mechanism to improve the feature extraction capability while maintaining the lightweight of the model. When faced with dense scenes and occlusion problems, the improved YOLOv5 can effectively extract important features and improve detection accuracy. Through comparative experiments and simulation analysis, it is verified that the algorithm can maintain low computational complexity and high real-time performance while improving detection performance. Experimental results show that the proposed algorithm has good performance in pedestrian detection tasks, especially under low illumination and complex background conditions.