关键词： 目标检测   害虫识别   YOLOv5算法  

摘要： 结合目标检测的优势和农业领域亟待解决的害虫预警问题,致力于将目标检测技术应用于病虫害治理,以减少各地农业因病虫害问题造成的经济损失,增加农作物产量.提出以图像识别算法为基础,通过摄像头实时获取图像信息,对其进行预处理和图像增强,以扩充训练集;利用YOLOv5目标检测算法对病虫害信息进行训练,实现了对28种常见农田害虫的识别,并对其中24种准确率达90%以上;完成了对农田病虫害问题的实时监控及信息反馈,在面对病虫害问题时,能够及时治理,从而降低病虫害问题对农作物的影响及损失,提高农作物产量和经济效益.

关键词： 图像篡改   目标检测   YOLOv8   下文感知   多尺度特征   深度可分离卷积  

摘要： 目的近年来,随着数字技术的发展,图像篡改已经成为一个日益严重的问题,现有的众多图像篡改和目标检测方法均存在着识别精度不足和检测效果不理想的问题。为了更有效解决这一挑战,提出一个基于改进的YOLOv8检测算法,希望能够实现更高的检测精度。方法首先,为了捕获篡改的边缘特征,引入局部和全局注意力机制,对YOLOv8的骨干网络进行深度优化,这种优化结合了上下文感知和局部增强技术,大大增强了对边缘特征的识别力;考虑到篡改区域可能存在各种形态,进一步采用堆叠特征金字塔的网络结构,以捕获多尺度特征;最后,为了提高模型的计算效率和推理速度,在模型中结合深度可分离卷积和通道重排技术。结果在一系列的实验中,改进的YOLOv8篡改检测算法在CASIA2.0图像篡改数据集上展现了出色的性能,与原始算法相比,其准确率高达82.3%,明显提高了检测的效果;提出的基于改进的YOLOv8篡改检测算法,经过深度的网络优化和结构调整,成功地提高了图像篡改检测的准确性和效率。结论文中提出的方法在图像篡改检测方面表现出较高的准确性,为图像篡改检测领域带来了重要的进展,具有深远而重要的意义。

关键词： 自动驾驶   目标检测   YOLOv11n   Transformer   KITTI数据集  

摘要： 针对自动驾驶场景中目标检测存在的小目标漏检以及对复杂环境适应性差的问题,采用了轻量级目标检测模型YOLOv11n。该模型使用Transformer作为骨干网络提高全局特征的提取能力,引入C3k2模块增强局部特征的表达能力,集成SPPF模块融合不同尺度的特征信息,结合跨阶段部分连接(CSPC)和金字塔挤压注意力(PSA)机制设计C2PSA模块,使得YOLOv11n模型能够更精确地聚焦关键区域。在KITTI数据集上的实验结果显示,YOLOv11n模型的精确度(P)、召回率(R)和平均精度(AP)均有所提高,其中车辆检测精度达到94.0%,提升了复杂场景下的检测能力,减少了小目标漏检率,为自动驾驶技术的实际应用提供了更高效可靠的解决办法。

关键词： 工业质检   深度学习   目标检测   引脚距离  

摘要： 在工业视觉质检中,微型电子元器件引脚距离测量是一个难点。传统的方法需使用OpenCV对引脚图像进行大量操作,过程还需工程师反复调整,效率较低且精度不高。在深度学习中,能够通过距离回归以及目标检测的方法解决上述问题。方法一:通过ResNet18网络提取图像特征,并采用全连接回归距离值,最终测量引脚距离;方法二:训练YOLOv8n检测引脚框,进一步计算引脚间的距离。此外,由于生产线上采集的图像同质性较强,引脚位置基本相近,导致模型过拟合情况严重,通过设计模拟生成引脚测距的方法可以增加模型的鲁棒性。实验结果表明,对比传统的OpenCV距离测量方法,基于深度学习的距离测量方法的精度有显著提升。

关键词： 无人水面艇   深度学习   YOLOv8n   目标检测   轻量化  

摘要： 基于YOLOv8n目标检测算法提出一种适用于无人水面艇的轻量化水面目标检测算法LWD-YOLO。首先设计了一种高效双向加权特征金字塔网络(E-BiFPN)模型,在训练过程中融合更多有效的目标尺度特征信息,增强算法对水面多尺度特征的提取能力,使模型轻量化。然后提出一种轻量化共享卷积检测头技术,使用共享卷积策略并对特征进行尺度缩放,大幅减少参数数量并尽可能减少精度的损失。最后通过自建的水面目标检测数据集,训练基准网络和整合后的网络,并在同一验证集下验证其性能指标。由试验可知,相比于基准网络,改进方案的mAP50指标提升了1.5%,计算复杂度减少了30%,检测速度提升了15%。与现有方法相比,论文方法在检测准确性和模型轻量化方面都取得了显著改进,具有较高的实际应用价值。

关键词： 工艺流程图   工业图纸智能识别   计算机视觉   卷积神经网络  

摘要： 在工业自动化领域,数字化流程图在提高生产效率和降低成本等方面发挥着显著作用。工艺流程图是对具体生产过程进行抽象和概括,以图形化方式表示各种生产流程、设备和生产线路之间的关系和组合。在工艺流程图分析和再绘制应用中,人工识别流程图具有机械性与重复性等特点,费时费力,效率低下。为此提出了一种基于深度学习的工艺流程图智能识别方法,利用目标检测网络、OCR(Optical Character Recognition,光学字符识别)网络和图像处理算法提取工艺流程图信息,包括工业设备、标识、文本和管线等元素,实现解放人力和提高工作效率的目的。

关键词： 牵引变电所   指针式仪表   深度学习   目标检测   语义分割   自动读数  

摘要： 在牵引变电所的复杂环境下,现有的计量识别方法难以准确捕获仪表表盘刻度和指针位置。为解决这一问题,结合计算机视觉技术,提出一种基于YOLOv5深度学习语义分割网络模型的目标检测方法。采用YOLOv5深度学习网络检测目标仪表区域,利用特征对应算法和角度透视变换算法解决了图像的镜面反射和失真问题,通过语义分割网络模型Deeplabv3+对图像中仪表盘及刻度和指针进行像素级别分割。该研究方法在牵引变电所环境中实现了指针式仪表的高效自动读数,为指针式仪表目标检测和自动读数提供了新的技术思路。

关键词： 水面漂浮小目标   计算机视觉   目标检测   图像处理   改进YOLOv5s   CBAM   NWD损失函数  

摘要： [目的]针对无人船视角下的水面漂浮瓶识别易出现错检、漏检等问题,基于YOLOv5s算法,提出一种改进的YOLOv5s水面漂浮小目标检测算法。[方法]对原始数据集Flow-Img进行数据增强和扩充,从而避免模型出现过拟合的现象;为了提高深度学习模型对极小目标的检测精度,在YOLOv5s的3个检测层的基础上,增加1个极小目标检测层,同时去掉用于大目标的检测头,避免数据不均衡带来的先验框分配问题;接着,在骨干网络中增加CBAM注意力模块,以解决模型在水面漂浮瓶检测任务中目标特征信息捕捉能力不足的问题;最后引入归一化Wasserstein距离(NWD)的回归损失函数,将IoU损失函数和NWD损失函数进行加权组合,形成一个综合的回归损失函数,从而进一步提高对水面漂浮瓶识别的准确率和精度。[结果]实验结果表明,所提算法在水面漂浮瓶检测时mAP@0.5值达到95.7%,比原始YOLOv5s算法的mAP@0.5提升了2.6%,mAP@0.95提升了4.5%,同时,模型参数量下降了61.9%。[结论]在实现轻量化的同时使得水面漂浮瓶检测结果更加准确,为水面小型漂浮物的检测提供了重要的技术参考。

关键词： 弹道导弹   主动段防御   目标跟踪   轨迹预报  

摘要： 主动段拦截是多层反导防御体系中的第一道屏障,高精度的弹道导弹目标跟踪与预报是主动段拦截成功的重要前提和基础。主动段跟踪与预报的主要目的是输出目标导弹在当前及未来时刻的运动状态估计值和相关弹道参数。从弹道导弹目标主动段实时跟踪与轨迹预报两方面对国内外研究现状及发展动态进行了综述。回顾了主动段跟踪中涉及的主动段运动建模和状态估计方法;将弹道导弹轨迹预报归纳为轨道解析、数值积分和函数逼近3类方法,并对各类方法的特点进行了分析;总结并展望了该领域的技术发展方向。

关键词： 数字图像处理   人工智能类专业   教学改革   混合式教学  

摘要： 数字图像处理课程是人工智能类专业的专业核心课程,信息技术的发展对该课程教学培养模式提出新的要求。对数字图像处理课程现阶段教学过程中的问题进行总结与分析,发现该课程现有的教学模式、教学方法和教学过程与相关行业对人工智能类专业人才的需求存在一定差距。探索人工智能类专业数字图像处理课程教学改革方向,为增强教学效果和提高人工智能类专业学生培养质量提供支撑。通过统计分析学校相关专业连续两届学生该课程的考核结果,初步验证改革的有效性和可行性。