关键词： 光伏玻璃   缺陷检测   YOLOv5s   目标检测   注意力机制  

摘要： 针对现有的缺陷检测算法计算量大、参数量多、检测速度慢、检测精度低等问题,文中提出了一种基于YOLOv5的高精度光伏玻璃边部缺陷实时检测算法。首先使用新设计的一种基于廉价操作和特征复用的稠密连接模块(New_DBlock(C))替代YOLOv5特征提取网络的C3模块,减少整个算法的计算量和参数量;其次使用融合了通道注意力机制SE(Squeeze-and-Excitation)的C2f_SE模块替换YOLOv5特征融合网络的C3模块,实现检测速度以及检测精度的提升;最后使用改进的YOLOv8解耦检测头取代YOLOv5的耦合检测头,提升算法的定位精度和分类精度。实验结果表明,改进后的算法mAP@0.5提升了1.0%,mAP@0.5:0.95提升了3.1%,计算量下降了48.1%,参数量下降了56.7%,检测速度提升了18.5%;与其他主流的YOLO和R-CNN系列算法相比,改进后的算法同样具有较高的检测精度、检测速度以及较低的计算量和参数量,适合光伏玻璃边部缺陷的实时检测。

关键词： 深度学习   目标检测   医学影像   注意力机制  

摘要： 肝癌是一种恶性肿瘤,对其进行早期筛查和准确检测是提高治疗效果、延长患者生存期的关键。针对使用单期相计算机断层扫描(computed tomography,CT)图像难以准确检测复杂多变的肝癌的问题,本文提出一种基于FCOS(fully convolutional one-stage object detection)的双期相CT肝癌检测方法。首先构建了双期相肝脏CT四元组网络,并利用其匹配双期相肝脏CT切片,确保不同期相之间肝脏位置的一致性,为后续肝癌检测奠定基础。其次改造了FCOS网络以接收双期相CT图像的输入,设计并插入AFF(attention-based feature fusion)模块进行带混合注意力的特征融合,以提高肝癌检测的准确性。实验结果表明,改进算法在本文数据集上的平均精度(average precision,AP)达到了78.56%,相比于单期相FCOS网络提高了4.9%,展现出更优越的性能。

关键词： 计算机视觉   思政元素   融入   立德树人  

摘要： 为更好地落实立德树人的课程思政建设要求,将思政教育切实融入专业课程教学,分析近年来计算机视觉课程思政建设的现状,提出从多个切入点将思政元素融入计算机视觉课程的教学内容、教学方法和教学评价中,通过分析实际教学案例,总结教学经验,阐述如何深入挖掘与计算机视觉课程相关的思政元素,旨在为高等教育中的课程思政改革提供有益参考与借鉴。

关键词： 织物缺陷   目标检测   YOLOv8   颈部网络   边界框损失  

摘要： 为了解决织物缺陷检测中尺度变化大、面积占比小导致识别难的问题,提出一种基于改进YOLOv8的织物缺陷目标检测算法。首先引入SimAM无参注意力优化YOLOv8m的C2f模块,提升对织物缺陷的特征提取能力;再参考Rep-BiFPN结构,引入BiC模块重构骨干网络与颈部网络的连接(Concat)模块,同时参照Bi-FPN金字塔跨层连接的思想对原颈部网络的FPN-PAN进行改进,提升颈部网络的特征融合能力;最后使用Wise-IoUv3替换YOLOv8m的CIoU计算模型边界框损失,通过降低模型对纵横比较大缺陷的惩罚力度提高检测精度。实验结果表明,改进YOLOv8m的平均精确度的均值mAP达到了94.1%,相较于YOLOv8m提高了8.6百分点,并且对于各类织物缺陷算法的检测精度都保持在90%以上,满足工业对织物缺陷检测的实际需求。

关键词： 卫星视频   目标跟踪   多粒度信息学习   运动状态估计   孪生网络  

摘要： 在遥感卫星视频目标跟踪任务中,由于跟踪目标分辨率低,背景干扰较多,容易被遮挡等问题,导致现有目标跟踪算法不能满足需要。针对这些问题,提出了一种基于多粒度信息学习与运动状态估计的卫星视频目标跟踪算法。多粒度信息学习通过双向融合网络,将空间信息丰富的浅层特征与语义信息丰富的深层特征进行双向自适应融合,提升特征对低分辨目标的表征能力。进一步,使用运动状态估计方法,基于历史目标运动状态,估计当前目标位置,以修正跟踪网络受遮挡和背景噪声干扰输出的错误结果,提升跟踪网络在复杂场景下的鲁棒性。最后,基于以上两种方法和孪生网络设计实现了一种新的卫星视频目标跟踪算法,并在遥感卫星视频数据集SatSOT上进行了测试。实验结果表明,所提出算法的跟踪性能优于其他目标跟踪算法,其在跟踪精确度和成功率方面比同样基于孪生网络的SiamCAR算法分别有5.1%和3.2%的提升。

关键词： 无人机   深度可分离卷积   注意力机制   损失函数  

摘要： 在无人机在室外低空飞行中,现有的目标检测算法在平衡检测精度和速度方面存在缺陷。为了解决上述问题,提出了一种基于改进的MobileNet的轻量化YOLOv5s目标检测算法。算法在YOLOv5s的主干网络中引入了MobileNet结构,使用深度可分离卷积,引入SE注意力机制,采用了FPN-PAN结构和加权特征融合,同时使用EIOU作为回归损失函数,解决了传统的目标检测网络在无人机等移动设备上运行时内存需求量大和运算量大的问题,提高了目标检测精度。实验结果表明,本研究中提出的模型在平均检测精度上相比YOLOv5s提高了3.59%,同时参数量下降了81.94%,FLOPs下降了86.14%。在搭载树莓派4B的Z410四旋翼无人机上,上述轻量化算法的实时检测帧率原网络提高了56.06%。

关键词： 黑猪盘点   目标检测   注意力机制   低光增强   特征提取   YOLOv7   智慧养殖  

摘要： 为解决低光环境下黑猪图像质量差、识别与定位难度大,以及黑猪聚集时因遮挡和粘连导致的误检与漏检问题,提出LADnet(low-light animal detection network)检测模型。首先,采用亮度自适应模块(illuminationadaptive-transformer,IAT)及坐标注意力机制(coordinate attention,CA)对图像进行增亮与降噪处理;接着,设计了选择核卷积注意力(selective kernel convolutional attention,SKCA)模块,以提高模型对黑猪的感知能力;最后,利用ReLU激活函数解决了梯度消失和梯度爆炸等问题。结果表明,LADnet模型的精确率、召回率和平均准确率(mAP@0.5)分别达到97.32%、86.61%和92.73%,与基准模型相比,分别提升1.07、6.15和3.05个百分点;与单阶段目标检测模型SSD、YOLOv5相比,LADnet的平均准确率分别高出8.33、7.35个百分点;与两阶段目标检测模型Cascade R-CNN、Faster R-CNN、DAB_DETR相比,LADnet在检测精度提高的同时,具有更小的参数量和更快的检测速度,更符合实时检测要求。LADnet模型在低光黑猪检测任务中展现出卓越的检测性能和更高的鲁棒性,为低光环境下的黑猪精准识别提供了一种高效可靠的工具,对推动低光智慧养殖的发展具有重要意义。

关键词： YOLOv5s   缺陷苹果   注意力机制   损失函数   目标检测   采摘机器人  

摘要： 【目的】为了充分利用上下文信息和融合多尺度特征,提出基于BiFPN和Triplet注意力机制的YOLOv5s(BTF-YOLOv5s)缺陷苹果识别算法。【方法】首先,加权双向特征金字塔网络(BiFPN)引入额外的权重学习不同输入特征的重要性,模型通过自顶向下和自底向上的双向路径,实现多尺度特征的反复融合,提高多尺度的检测能力;其次,将Triplet注意力机制应用到Neck层以增强模型对目标之间的关联和上下文信息的表示能力,使模型更专注于苹果特征的学习;最后,采用Focal-CIoU损失函数调整损失权重,使模型更关注缺陷苹果的识别,提升模型的感知能力。通过消融试验对比不同损失函数,改变注意力机制在YOLOv5s结构中的位置,并与主流算法进行比较。【结果】BTF-YOLOv5s在初始YOLOv5s模型基础上,准确率、召回率和mAP方面分别提高了5.7、2.2和3.5个百分点,模型内存使用量为14.7 MB;平均精度比SSD、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8n、YOLOv8s和YOLOv9的分别提升了5.7、3.5、13.3、3.5、2.9、2.6、2.8和0.3个百分点。【结论】模型在缺陷苹果识别中表现出显著的优越性,为采摘机器人在采摘过程中实现优质苹果与缺陷苹果的自动分拣提供了一定的技术支持。

关键词： 滑坡   YOLOv11   航拍影像   目标检测   可变形卷积   精确率  

摘要： 为在大量无人机航拍影像中快速检测航线下方的滑坡目标,并克服小目标、形状多变、背景复杂等难点,在YOLOv11基准模型基础上,探索改进YOLOv11模型在无人机航拍滑坡目标检测中的应用,即在C3k2模块中引入可变形卷积以增强对多尺度目标的检测能力,同时将边界框回归损失函数CIoU调整为EIoU,以更适应航拍影像滑坡目标检测。将该模型在无人机航拍滑坡影像数据集上进行了测试,并从性能指标评估、消融试验、YOLO家族算法对比、测试集检测等角度,探讨了改进模型的性能、效率和实际检测效果。结果表明:相对于YOLOv11,尽管DCN-YOLOv11参数量有少量增加,但在精确率、召回率、mAP50、F 1等性能指标上均有明显改善,与FasterR-CNN模型及YOLO家族系列模型相比,该模型在航拍影像滑坡检测精度上整体表现优秀,同时运算速度也得到了保证;DCN-YOLOv11模型成功检测出多个被YOLOv11漏检的小范围滑坡体,展示了较好的小目标检测能力和泛化能力,可为研发基于航拍影像的无人机地质灾害巡检系统提供参考。

关键词： 葡萄   果穗检测   卷积神经网络   YOLOv5   目标检测  

摘要： 针对现代化农场中葡萄果穗分布密集、背景复杂导致其检测精度较低的问题,提出一种基于改进YOLOv5的葡萄果穗快速精确检测算法。以YOLOv5为基础目标检测算法,使用坐标注意力机制对特征提取网络进行改进,增强其特征表达能力,再利用Bi-FPN对图像特征的高效融合,增强网络整体预测能力。实验结果表明,该模型检测精度可达83.1%,可以在复杂环境中有效地检测葡萄果穗。