关键词： 杏果   目标检测   复杂果园环境   轻量化网络   YOLOv8算法   损失函数  

摘要： 为解决复杂果园环境中,因遮挡、重叠导致杏果识别误检率较高、检测精度较低的问题,提出一种基于改进YOLOv8n网络模型的杏果检测算法。该算法采用轻量化模块MobileViT—XS替换原有骨干网络,保证特征提取能力,同时降低模型的参数量与计算量,并且将原始的损失函数CIoU替换为WIoUv3,动态优化损失权重提高模型的检测精度。为验证改进方法的有效性,选取6种主流的目标检测模型、5种骨干网络的轻量化改进模型以及5种不同的损失函数进行对比试验。结果表明,改进后的模型相比原始模型在F 1、平均精度均值mAP上提升1.25%、1.48%,参数量、浮点运算量、模型大小分别降低28.06%、0.1 G、1.48 MB。改进后的算法能够精准、快速地在复杂的果园环境中识别出杏果。

关键词： 目标识别   目标跟踪   位置预测   深度学习   机器视觉  

摘要： 针对多模态检测任务下全尺寸目标识别与跟踪网络串联结构较大、整合程度差、计算效率低的问题,克服跟踪算法对目标运动持续时间与轨迹积累的依赖,面向无人机、智能巡飞弹等无人装备对多模态网络一体化、轻量化与快速相应的需求,提出了一种基于短时域的目标识别与快速跟踪神经网络。以相邻两帧图像作为输入,融合目标语义信息与运动趋势信息间的关联特征;通过可共享特征提取网络,降低多模态目标检测网络的结构复杂性;采用含有静态与动态链路的双分支推理网络,同步完成当前帧内目标识别计算与未来帧内目标位置预测。实验结果表明:所提出的算法识别准确率可达到95.4%,位置预测准确率可达到90.9%,能够在低算力支持下赋予智能武器目标高效识别与快速跟踪计算能力。

关键词： 水平回油管   两相流型辨识   图像处理   小波分解   Elman循环神经网络  

摘要： 为探究航空发动机回油管尺度下以润滑油和封严空气为主要介质的油气两相流相分布特征,实现回油管内流型准确辨识,提出了一种基于图像处理的两相流型辨识模型。该模型基于航空发动机工况下水平回油管内油气两相流实验获取的4种典型流型图像结果,以双边滤波、二值化、小波分解等图像处理技术提取的流型特征数据集为输入,采用Elman循环神经网络模型实现流型辨识。结果表明:在航空发动机工况范围内,回油管内会出现4种典型流型:弹状流、层状流、波状流和环状流。基于流型图像的辨识模型能够成功辨识4种不同流型,且在验证集上辨识准确率为93.06%、宏F1为97.60%,具有较好的准确性和稳健性。

关键词： 图像处理   颜色一致性   跨相机应用   RAW图像   光源感知  

摘要： 针对相机传感器光谱灵敏度和内置图像信号处理(ISP)模块差异导致的图像间颜色不一致的问题,提出2种基于光源感知的跨相机颜色一致性算法,即色温(CCT)感知的自适应分区映射算法和类别感知的自适应分类映射算法,用于将RAW图像从待处理相机的颜色空间转换到目标相机的颜色空间.通过在不同色温和类型的典型光源下得到的训练算子来推导目标场景最终的映射算子,为不同照明场景建立特定的映射关系,进而实现跨相机图像的转换.在实验中采用颜色差异指标来对算法进行客观评估,结果表明所提出的2种算法在色差和视觉效果方面均比现有经典方法展现出更好的性能,能够有效适应照明条件的多样性和复杂性,具有广泛的应用潜力.

关键词： 番茄成熟度   目标检测   YOLO v8n   注意力模块   轻量化   Jetson Nano  

摘要： 为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO v8n网络中引入通道嵌入位置注意力模块和改进大核卷积块注意力模块,能够在浅层网络保留番茄目标位置信息,建立目标区域之间的长距离依赖关系,从而增加YOLO v8n网络对显著番茄特征的关注。然后,在LaboroTomato数据集上进行了对比实验,改进YOLO v8n相较于原YOLO v8n网络,检测和分割的mAP@50和mAP@50-95分别提高0.4、1.4个百分点和0.3、1.2个百分点。最后,实现了改进YOLO v8n网络在低成本、低算力和低功耗的Jetson Nano平台上的轻量化部署,模型内存占用量由满溢减少到2.4 GB,推理速度加倍。该研究可为番茄采摘机器人在复杂场景下实时、准确检测番茄成熟度提供技术支撑。

关键词： 目标检测   空间注意力   多尺度结构   检测舰船   遥感影像   YOLOv4-tiny  

摘要： 随着遥感影像的广泛应用,面向大尺度区域的舰船目标检测已成为当前研究的热点,尤其是以智能边缘计算为依托的遥感影像目标检测技术。然而,现有的大部分CNN的网络模型大部分采用GPU工作站,尚无法较好地应用于计算资源受限的嵌入式端,且轻量级模型的精度往往会受限,给遥感影像舰船检测的智能边缘计算应用带来许多困难。针对遥感影像中舰船目标尺度差异大、背景因素复杂以及目标具备大的长宽比等问题,本研究基于改进的YOLOv4-tiny算法提出一种轻量级的遥感影像舰船目标检测算法,引入了多尺度结构、空间注意力模块,并优化anchor计算策略,并详细对比各种策略组合对模型最终精度的影响。最终采用三种优化措施的模型在AP0.5、F1、Recall和Precision指标分别为0.9721、0.9262、0.9459和0.9420,相较于YOLOv4-tiny模型上分别提升4.53%、4.99%、2.77%、10.38%。舰船检测效果在目前主流轻量级算法表现最优,模型大小控制在25.8 MB以下,并在宽幅遥感影像测试中表现优异,为轻量级遥感目标检测算法在边缘计算设备的部署应用提供重要的技术支撑。

关键词： 目标检测   PYNQ   YOLOv5n   轻量化   边缘端设备  

摘要： 针对边缘端设备在资源受限条件下部署深度学习目标检测算法的需求,文章提出了一种基于PYNQ(python productivity for zynq)框架的轻量化实时目标检测技术,开展YOLOv5n目标检测算法研究及适应FPGA部署的模型优化,完成PYNQ环境下的软硬件协同设计,并在ZCU104开发板上完成了系统验证。结果表明,所提技术能够实现轻量化深度学习目标检测算法的快速部署与验证,具有良好的检测精度与实时性,能效比达到10.5帧/(s·W),在低成本实时目标检测领域具有较高的应用价值。

关键词： 水稻幼苗计数   平均教师模型   目标检测   YOLOv5   多目标跟踪  

摘要： 水稻种植初期经常会遇到绿色水藻等干扰微小水稻幼苗计数的复杂环境,使得微小水稻幼苗与背景难以区分,容易造成检测计数模型性能显著下降,然而目前通用的深度学习方法无法应对复杂跨域场景下的水稻幼苗检测计数任务。为此,提出一种基于平均教师的域自适应NWD-YOLOv5模型,以解决无人机视角下的复杂环境微小水稻幼苗计数问题。为了提高模型对复杂背景下微小幼苗的检测计数能力,将基于平均教师模型的半监督域自适应训练策略集成到YOLOv5网络中,并且在YOLOv5的损失中使用基于归一化高斯Wasserstein距离(NWD)的预测框度量方法,来提高微小目标的正负样本分配准确性。实验结果表明:与原始的YOLOv5模型相比,改进模型泛化性能大幅提升,mAP@0.5值从60.0%提升到95.9%;与经典目标检测模型相比,所提的域自适应模型在mAP、模型大小和检测速度等指标上均有着较大优势;与传统人工方法相比,所提水稻幼苗计数方法准确率达到98.6%,计数时间仅为人工方法的1/5,决定系数R 2达到了0.9003;所提域自适应模型与监督学习方法Oracle性能接近,并且性能明显优于基准方法Source Only。所提方法可以大幅提高复杂多变环境下水稻植株计数的精度,能够作为水稻作物管理方法的技术支撑。

关键词： 机器视觉   卷烟   分水岭算法   分段长度   图像处理   图像分割  

摘要： 随着卷烟行业的快速发展,在生产过程中对卷烟质量的要求越来越高。传统的长度测量方法通常需要人工操作,不仅效率低,而且容易受主观因素影响。卷烟分段长度(卷烟的纸烟部分和滤嘴部分的长度比例)作为一个重要的质量指标受到业界关注。为了提升卷烟分段长度识别精度,提出一种基于机器视觉和分水岭算法的卷烟分段长度识别方法。该方法根据图像的亮度变化区分不同区域,可以有效地对卷烟长度进行分段分割并实现长度测量。实验结果表明,该方法可以实现卷烟分段识别和长度测量,确保卷烟产品的质量稳定性,为卷烟生产过程中的质量控制提供了一种可行的解决方案。

关键词： YOLOv8目标检测   双目测距   实验分析  

摘要： 在双目测距的应用中,目标检测的精度决定了测距精度。为了选取合适的模型以减少计算量,分析部分超参数对训练结果的影响,选取YOLOv8n和YOLOv8m预训练模型,使用自定义数据集训练得到多个目标检测模型,分析了不同训练参数,如批次大小、迭代轮数和预训练权重等对训练过程和结果的影响。探讨如何在C#中使用ONNX Runtime部署YOLOv8检测模型,并基于双目视觉原理实现实时测距,该研究对部分自动化装置的目标检测和测距应用有参考价值。