关键词： 海洋涡旋   合成孔径雷达   深度学习   YOLO   目标检测  

摘要： 传统基于合成孔径雷达(synthetic aperture radar, SAR)数据的涡旋检测方法需手动设定阈值和特征参数,操作复杂且难以自动化,现有深度学习模型在检测过程中也存在较高的漏检和误检情况,难以满足涡旋检测对精度和效率的要求。为解决这些问题,文章提出一种基于YOLOv8(you only look once version 8)的改进模型,即涡旋检测网络(eddy detection network,EddyDetNet),以克服上述局限性,提升检测的准确性和效率。该模型在骨干网络(Backbone)和颈部网络(Neck)中引入自适应特征融合模块(adaptive feature compression module, AFCM)和多尺度特征空间金字塔模块(multi-scale feature spatial pyramid module, MFSP)并优化Neck结构和在头部网络(Head)部分新增小目标检测头,提升了不同尺度涡旋的检测精度。实验结果表明, EddyDetNet在精确率(precision, p)、召回率(recall, r)和平均精确率均值(mean average precision, m AP)指标上较YOLOv8分别提升了2.4%、3.2%和5.5%,参数量和运算量减少了38.1%和15.8%。与YOLOv8相比, EddyDetNet在降低计算复杂度和参数量的同时,保持了较高检测精度,适用于多目标和复杂背景下的涡旋检测任务。

关键词： 目标检测   无人机   风机叶片   YOLOv5模型  

摘要： 针对风力涡轮机叶片在复杂环境载荷下易发生表面损伤,从而影响结构安全的问题,文中提出一种基于YOLOv5改进的风机叶片缺陷检测算法WT-YOLO。该算法利用无人机获取风机叶片外观影像,实现高效自动缺陷检测。具体优化包括:引入MobileNetV3优化主干网络以降低模型参数量并提升特征提取能力;融合注意力机制,增强缺陷区域特征表达,减少背景噪声干扰;采用MPDIoU损失函数,提高目标框回归精度。实验结果表明,WT-YOLO在mAP@0.5指标上达到84.19%,优于现有主流目标检测算法,同时具备更快的推理速度和更低的计算成本,满足风机叶片缺陷检测的实际应用需求。

关键词： 异常行为   计算机视觉   电力机车   乘务员  

摘要： 1背景电力机车乘务员的行为直接关系到铁路运输安全,他们在驾驶过程中的疲劳、注意力分散等异常行为严重威胁行车安全。近年来,计算机视觉、深度学习等人工智能技术在行为识别领域取得重大突破,为机车乘务员异常行为分析提供了新思路。目前,国内外铁路部门已开展智能监测预警系统研发,但在多模态数据融合、实时识别精度等方面仍存在不足。本文深入分析电力机车乘务员异常行为特征,提出基于深度学习的行为识别方法,设计多级预警机制和管理对策,以提升铁路运输安全水平。

关键词： 伪装目标检测   边缘信息   纹理信息   特征引导   特征交互  

摘要： 伪装目标检测(COD)因目标物体与背景极为相似而具有很大的挑战性。针对目前COD方法未能充分利用边缘和纹理信息辅助检测任务而造成的边缘预测模糊、检测结果不完整且存在干扰等问题,提出了一种边缘-纹理引导增强网络(ETGENet),通过显式且充分的边缘和纹理引导策略来进一步提升COD的性能。首先,ETGENet中包含了一个关键的特征引导增强模块(FGEM),该模块能够利用并行的特征细化分支处理并增强对象特征,引导分支通过引导注意力来获取对象特征与边缘-纹理线索之间的相关性,以加强网络对于对象细节信息的理解并抑制噪声干扰;而自增强分支则利用自注意力机制从全局角度对伪装对象特征进行细化。其次,提出了一个特征交互融合模块(FIFM)来渐进融合相邻特征,FIFM利用注意力交互机制和加权融合策略学习特征间的互补信息,以生成更完整的预测图。最后,在3个公共数据集CAMO、COD10K和NC4K上进行实验验证,结果表明:所提出的网络在结构度量S、自适应增强匹配度量E、加权F度量和平均绝对误差M指标上均优于相关领域的其他方法,尤其在最大的测试集NC4K上,加权F度量指标高于所对比12个COD方法中表现最佳的FSPNet 2.2百分点。

关键词： 配电站房视频分析   目标检测   注意力机制   双流网络   自适应权重   复杂场景   YOLOv8n   CBAM  

摘要： 针对常规入侵检测方法在配电站房的应用中由于视角变化、运动模糊、遮挡等导致的漏检和误检问题,文中提出一种双流二阶段融合的异常入侵检测方法。该方法构建了轻量级的双流网络通道用于表征图像和光流图像的特征提取;采用的双流二阶段融合策略实现了两种特征的有效融合。在监控数据集上进行了实验验证并应用于配电站房的场景检测中,检测精度优于YOLOv8n基准模型。实验结果表明,该模型具有较高的泛化能力,能够减少数据的重复采集与标注,并能优化模型训练与部署,具有实际应用价值。

关键词： 铝型材   深度学习   表面缺陷   YOLOv9   目标检测  

摘要： 为了检测铝型材表面缺陷,研究了一种基于YOLOv9的缺陷目标检测算法。首先对采集到的铝型材表面图像进行缺陷分类、标签处理,然后改进YOLOv9中的神经网络模块,进行模型检测训练。在检测算法中对不同缺陷类型分别设置阈值进行目标检测,检测实验表明:无论表面缺陷明显或轻微都能获得较好的检测效果。将算法移植到RK3566开发板上进行检测实验,结果表明,该模型可成功检出铝型材表面缺陷。

关键词： 遥感图像   目标检测   特征金字塔网络   上下文信息   注意力机制  

摘要： 针对遥感图像目标检测存在复杂背景干扰、目标多尺度差异等问题,提出一种融合岛式双向特征金字塔网络的遥感图像目标检测算法(IFD-YOLOv8s)。设计岛式双向特征金字塔网络,增强模型对目标尺度变化的适应性,减少多层次特征融合过程中信息丢失,有助于深层语义和细粒度信息的高效传播;提出特征上下文增量模块,对地物目标特征进行更全面的捕获,提高模型检测能力;设计双线池化注意力模块,抑制非目标噪声干扰,增强遥感目标特征可辨别性。在公共数据集RSOD和NWPU VHR-10上进行消融和对比实验,平均准确率均值分别为98.2%和91.4%,相较于基线算法YOLOv8s分别提升1.8和2.1个百分点。与主流目标检测算法相比,IFD-YOLOv8s对复杂背景目标和多尺度目标的检测更有效。在公共数据集DOTA上进行泛化实验,平均准确率均值为78.7%,相比原模型提高1.8个百分点。

关键词： 遥感图像   目标检测   YOLOv7   注意力机制   特征融合   BiFPN结构  

摘要： 随着无人机遥感和物联网等技术的发展,目标检测是当前应用非常广泛的一门技术。针对高分辨率遥感图像中因细节的复杂性和目标尺度的多变性等特点导致现有主流配准模型的精度和效率较低的问题,提出一种特征融合改进模型MA-YOLO。该模型结合多尺度特征融合的思想,在YOLOv7的残差连接中加入了无参注意力SimAM,利用特征相似性加强目标区域关注度;通过增加BiFormer注意力模块采用动态路由方式实现了不同层次上下文信息的有效融合,提高了对遥感图像细节信息的关注度;基于BiFPN结构设计了PM-BiFPN网络,实现自主调整特征信息权重,以提升融合效果。通过航空遥感图像数据集DOTA测试显示,相比于YOLOv7,所改进模型MA-YOLO的精确率提高了3.1个百分点,mAP@0.5提高了5.8个百分点。与当前其他主流模型相比,此改进模型在无人机场景中对小目标的检测能力显著提升,且具有计算复杂度低和参数量极小的优点。

关键词： 树种识别   目标检测   特征提取   深度学习   YOLOv7  

摘要： 为解决目前大规模树种识别工作强度大、效率低且检测准确率欠佳的问题,本研究利用无人机采集的树冠影像,结合深度学习理论和网络剪枝技术,建立了高效的树种识别模型YOLOv7-Trees-T。以YOLOv7网络为基础,在特征提取网络中引入LSK(large selective kernel)注意力机制,在遥感场景中通过动态调整空间感受视野,模拟各种测距情景,提高检测精度;采用GSConv轻量级混合卷和一次性聚合VoVGSCSP模块重置特征融合网络,减少模型参数的同时实现特征多重利用;引入I-MPDIoU损失度量,解决在预测框与真实框具有相同宽高比,但宽度和高度值不同时导致损失函数无法收敛的问题,使模型更好地学习目标位置信息,提高模型回归效率;最后采用Network Slimming网络剪枝方法对模型进行剪枝微调,剔除对网络贡献率较低的通道,实现模型轻量化。研究结果表明,改进后的树种识别模型在数据集上平均精度达到96.39%,较原始YOLOv7模型提高了4.58%。通过使用网络剪枝方法,在保持检测精度的前提下,使浮点运算量和参数量分别下降了28.8%和63.4%,模型规模降低了63.6%。该算法模型能够利用无人机RGB图像快速准确识别树种,可为后续森林管理提供数据支持。

关键词： 目标检测   深度学习   特征融合   神经网络   红外图像  

摘要： 针对车载红外目标检测算法中,因红外小目标特征少、对比度低导致的检测精度低的问题,提出了FE-YOLOv5s车载红外目标检测模型。首先,在主干网络中引入PPA模块以弥补下采样操作带来的特征信息损失;其次,基于AFPN网络和DASI模块,构建特征融合网络DAFPN,直接融合非临近尺度层的特征信息,同时将五种不同尺度层的特征信息都纳入最终的特征输出,进一步增强目标的特征表达能力,并重构目标预测层,以提高模型对小目标的识别率;最后,采用MPDIoU作为边界框损失函数以提升目标的定位精度。实验结果表明,本文所提出的模型在FLIR数据集和艾睿车载红外数据集上的mAP@0.5分别达到了88.1%和84.7%,相比YOLOv5s提升了7.2%和3.2%,缓解了模型对红外小目标错检漏检的问题,且检测速度为100帧/s,为嵌入式部署提供了可行性。