关键词： 目标检测   深度学习   注意力机制   深度可分离卷积  

摘要： 随着注意力机制在目标检测中的广泛应用,进一步提升特征提取能力成为研究的重点.提出了一种新的注意力机制,旨在优化特征交互过程,提升检测性能.所提机制移除了传统自注意力中的查询操作,采用深度可分离卷积高效提取局部与全局信息,并通过键和值的加权融合实现特征聚合.本文方法有效降低了计算复杂度,增强了模型对重要特征的捕捉能力.通过在5个不同类型的数据集上进行验证,实验结果表明,该注意力机制在处理小目标检测、遮挡处理以及复杂场景下的表现优异,显著提高了检测精度与效率.可视化分析进一步证实了其在特征提取中的有效性.

关键词： 建筑物识别   机器学习   YOLOv7   输电线路走廊   目标检测  

摘要： 输电线廊道内的灾害预警与安全评估是智能电网建设工作的重点之一,因此掌握输电线廊道区域内聚落的所在位置及其分布情况等信息对于做好山区防灾减灾工作非常重要。近年来,随着目标检测技术的不断发展,所应用到的领域也越来越广泛,而遥感目标检测作为其中的一个应用场景,因为其覆盖范围广、涵盖目标多的特点,被广泛应用于建筑物信息提取。现有的深度学习模型在建筑物识别分割上的识别精度和检测速度都存在局限。针对此类问题,本文以GF-2影像作为数据基础,首先对山区建筑物标记,建立样本数据集并按照9∶1的比例划分为训练集和验证集;然后对标准版YOLOv7网络进行改进,在颈部部分添加GAM-CBAM合成的双重注意力模块,减少建筑物的特征丢失,从而提高网络的检测能力。结果表明,改进后的YOLOv7网络对山区建筑物的分割识别平均精度达到了88.74%,在精确度和召回率上也高于其他深度学习模型。因此,该方法可以快速高效地获取山区聚落信息,并为山区防灾减灾过程中应急预案的制定提供数据支撑。

关键词： 火焰检测   注意力机制   金字塔池化   目标检测  

摘要： 针对由于目标火焰较小、检测慢和模型较大等无法高效识别火焰问题,首先提出了一种全新的注意力机制并行全局注意力机制(P-GAM)加入YOLOv7模型中;其次将原先的金字塔池化结构(SPPCSPC)替换为分组金字塔池化结构(SPPCSPC-group),采取分组卷积的思想,减少模型参数量和计算量;再通过分离合并最大池化动态卷积模块(Separable and Pooled Maxpool ODConv,SPMPO)加强小目标特征识别提取能力,避免特征信息的流失;然后,通过使用MbO(MobileOne)模块,达到轻量化网络模型的目的;最后形成新的模型MPGS-YOLO(MbO-P-GAM-SPMPO based YOLOv7),应用于火焰检测。结果表明:MPGS-YOLO模型相比于YOLOv7,检测率和检测速度分别提高了15.69%和8.74%,而参数量和计算量分别降低了19.78%和63.79%,且优于其他对比模型,性能更好。

关键词： 目标检测   上下文表示   轻量化网络   卷积自注意力   特征融合  

摘要： 与通用目标检测相比,小目标检测由于低分辨率和抗干扰噪声能力有限而更加具有挑战性,充分利用上下文语义信息对于解决小目标检测存在的问题具有重要的意义。本文在YOLOv7模型的基础上,提出了一种基于上下文语义融合模块的轻量级网络模型算法。该模型由主干网络、多尺度特征表示网络和检测头部三部分组成。其中,模型利用部分卷积构建主干网络P-Net,在保证检测效果的同时进一步减少计算量;在传统特征金字塔网络结构中引入卷积自注意力模块,减少上下采样过程中的信息丢失;采用差异化检测头部检测不同尺寸的目标。在航空图像小目标检测(Aerial Image Tiny Object Detection,AI-TOD)数据集上的实验表明,本文提出的模型算法在AI-TOD基准上平均精度达到21.6,速率达到161 frame/s,超过了其他检测模型算法。此外,在具有较低参数量及计算量时检测效果优于其他检测模型,同时消融实验的结果表明本文提出的改进模块均具有效性。

关键词： 坩埚缺陷识别算法   机器人智能化验系统   YOLOv8   数据扩充   目标检测   加权机制   推理时间  

摘要： 基于轻量级YOLOv8的坩埚缺陷识别方法,可解决机器人智能化验系统中坩埚几何形态多样性显著、缺陷样本分布失衡导致的检测可靠性难题。首先基于DDPM的图像数据扩充增强策略,根据数据标签分布,实现坩埚图像数据的平衡扩充;随后为了更好地平衡网络模型的推理速度和检测精度,提出改进的YOLOv8坩埚缺陷识别算法,引入无参数注意力和自适应加权机制。实验结果表明,该方法的平均精度(mAP)为97.40%,单张图像的推理时间为1.20 ms。尽管推理速度比YOLOv11-n延迟0.2 ms,但当前通用目标检测方法中的轻量级方法检测精度居于最优,所提方法能有效应用于工业坩埚缺陷检测场景。

关键词： 遥感影像   地面目标检测   YOLOv4   通道注意力   密集上采样卷积  

摘要： 针对遥感影像中目标尺寸较小且特征信息少等问题,提出一种基于改进YOLOv4的遥感影像地面弱小目标检测方法。基于YOLOv4结构,在骨干网络中引入改进通道注意力机制强化对正样本学习能力,使用密集上采样卷积代替最邻插值上采样核来保留更多的样本特征,对于尺寸过大的遥感影像,采用分片-筛选组合来获取尺寸合理且特征充足的训练样本。实验结果表明,改进后模型在检测精度方面显著优于原始模型,能够在应急救援、军事侦察等多个领域内发挥应用价值。

关键词： 牛只个体识别   深度学习   目标检测   语义分割   目标识别   泛化能力  

摘要： 非接触式牛只个体识别方法在节约识别成本、简化识别流程和提升识别精度方面具有一定的优势,近年来在牛只个体识别领域有了充分的发展。但现有的研究中存在着识别准确率受环境和天气等外部因素影响过大、模型迁移训练困难等问题。针对上述问题,基于YOLO-Unet组合网络提出了包含3个模块的牛只个体识别模型。首先,根据YOLOv5模型构建图像提取模块,用以提取牛只面部图像;随后,采用Unet模型构建背景消去模块,用以去除牛只面部图像背景,以消除环境影响,进而提升模型泛化性能;最后,使用MobileNetV3构建个体分类模块,对经背景消去后的牛只面部图像进行分类。对背景消去模块进行了消融实验,实验结果表明,引入背景消去模块能极大地提升模型泛化性能。引入背景消去模块的模型在测试集上的识别准确率为90.48%,相较于未引入背景消去模块的模型提升了11.99%。

关键词： 机器视觉   视觉显著性   弱小目标   目标检测   光照补偿   区域分割  

摘要： 在不同的光照环境下,弱小目标的亮度和对比度会发生变化。当光线从一侧照射时,部分区域过亮而部分区域过暗,弱小目标若位于暗区,会因为亮度太低而难以被检测到,若位于亮区,会因为过曝而丢失部分特征,由此导致弱小目标检测准确性下降。为此,提出基于机器视觉的视觉显著性弱小目标检测方法。首先,收集弱小目标图像,根据其光照类型将其分割成不同的分量,利用灰度映射函数对其进行变换处理,并采用机器视觉中的校正方法实现图像的光照补偿,对于过暗区域,增加的亮度值,对于过亮区域,降低的亮度值,从而使整个图像的亮度更加均匀,提高弱小目标的可检测性。然后,定义图像的中心矩阵的邻域矩阵,从中提取出图像的特征,计算中心矩阵与邻域矩阵之间的相似性度量,计算中心像素点的显著性,筛选多个符合要求的像素点。最后,通过计算每个像素点的加权值,构建图像的视觉显著图,再通过阈值分割检测出图像的弱小目标。实验结果表明,设计的检测方法在实际应用中信杂比增益值为5.51,其能够准确检测出图像中的弱小目标。

关键词： 计算机视觉   机械臂   NeRF   三维场景重建  

摘要： 通过机械臂控制、视觉成像采集、神经辐射场(NeRF)重建等进行机械臂路径规划与自动NeRF图像采集,搭建基于机械臂的NeRF三维场景重建系统教学平台,克服手动的NeRF图像数据采集方式效率低、重复性差等问题。该教学平台基于树莓派、Python、Pytorch、OpenCV、PyMyCobot等平台和框架实现自动化NeRF三维重建和场景感知,可为人工智能课程相关方面的教学、教改提供参考,也可用于视觉引导机器人抓取、视觉导航、虚拟现实等方面的教学与研究。

关键词： 卷积神经网络   目标检测   R-CNN  

摘要： 卷积神经网络在图像目标特征提取中具有自动化和高效性的优势。文章深入阐述了R-CNN及其改进算法的核心原理,并展望其发展趋势。首先介绍了R-CNN通过选择性搜索生成候选区域,并利用CNN进行特征提取与分类。随后简述Fast R-CNN到Sparse R-CNN如何在保持高精度的同时优化速度和效率。最后讨论了目标检测算法的未来研究方向。R-CNN及其改进算法在目标检测中发挥了重要作用,为后续技术的发展提供了宝贵参考。