关键词： 棒料识别   目标检测   YOLOv5s   MobileNetV3   GSConv   MPDIoU  

摘要： 为提高制造业中棒料自动上料的效率,提出了一种改进的Gs-YOLOv5s模型。将YOLOv5s的骨干网络替换为MobileNetV3的block模块,减少了模型参数并提高了检测速度。在颈部网络中嵌入GSConv模块,丰富输出特征图并增强模型对棒料特征的捕捉能力,同时减少了参数量。采用MPDIoU损失函数,通过引入距离惩罚和面积惩罚,使得模型在复杂背景下的棒料检测更加准确。实验结果表明,Gs-YOLOv5s模型的精度仅下降0.2%,但检测速度达到81帧/s,提高了45.3%,参数量减少了57.6%。该改进模型在保持精度的同时,实现了显著的轻量化和检测速度提升,适合在实际生产中部署使用。

关键词： 海上平台   YOLOv9模型   劳保用品   目标检测   模型优化  

摘要： 针对海上平台人员作业过程监控需求,以现场人员劳保用品穿戴检测为目标,引入SE注意力机制和Focaleriou损失函数,对YOLOv9模型进行优化,以提高模型的特征提取能力和检测精度。模型优化前后纵向对比试验表明,改进模型的mAP@0.5提高了3.0%,反映了改进模型的检测精度优势。与其他常用模型的横向对比结果表明,改进模型在多个目标上的F1性能分数提升明显,说明改进模型泛化性能较好。改进模型实现了对现场作业人员及其劳保用品穿戴情况的高精度检测。

关键词： 显著目标检测   多尺度特征   注意力机制   编码器—解码器   深度学习  

摘要： 随着多模态信息融合在计算机视觉任务中的普及,RGB-T(可见光和热红外图像)显著性检测作为一种重要的跨模态任务受到了广泛关注。现有的RGB-T显著目标检测模型大多采用卷积运算,构建复杂的多尺度融合结构实现跨模态信息集成,但其固定的感受野和权重共享机制难以有效捕捉多模态图像中的长距离依赖关系。为此,提出一个基于自注意力和交叉注意力机制的显著目标检测模型。该模型由3个关键模块组成:自注意力特征增强模块(SFEM)、多模态特征融合模块(MFFM)和特征细化模块(FRM)。SFEM混合多尺度卷积和多头自注意力机制,对提取的RGB特征和热成像特征进行增强;MFFM通过应用交叉注意力机制对所增强的特征进行多模态融合,同时连接上层特征;FRM以VGG为主干网络,通过聚合初级与深层特征来缓解深度神经网络退化问题,同时补充细节特征。实验结果显示,该模型在定量和定性比较方面均取得了显著效果。

关键词： 智能手杖   超声波测距   YOLO模型   目标检测   计算机视觉   卷积神经网络  

摘要： 传统盲人手杖只注重盲人使用过程中的多功能性和舒适性,而忽视了与信息技术的结合,为此设计了一款基于计算机视觉的智能盲人手杖系统,旨在解决盲人出行中遇到的实际问题。系统利用计算机视觉进行目标检测和人脸识别,采用超声波模块测量盲杖前方障碍物的距离,通过耳机语音实时播报,帮助盲人更好地感知周围环境。系统由K210主控制器、超声波模块、摄像头模块、LCD显示屏和语音提示器等组成,使用YOLO模型对图像进行处理分析,将识别结果显示在LCD屏幕上,并实现同步实时的语音提示。经验证,系统运行稳定,且具有通用性和适配性,可以嫁接到其他盲人手杖上,并可根据用户需求进行升级,具有较广阔的应用前景。

关键词： 机器视觉   自动点胶   视觉检测   图像处理  

摘要： 阐述基于机器视觉的自动点胶检测系统设计,该系统采用高精度工业相机配合同轴光源,建立点胶轨迹识别算法与胶点质量评估模型。实验验证表明,系统在点胶位置精度等方面均取得显著提升。

关键词： 无人机   航拍图像   注意力机制   损失函数   轻量化  

摘要： 针对无人机视角下航拍图像目标检测中存在的目标尺度变化多样、背景复杂、小目标聚集以及无人机平台计算资源受限等问题,提出了一种改进YOLOv8目标检测算法YOLOv8-CEBI。首先,在骨干网络引入轻量级Context Guided模块,显著降低模型参数量与计算量,同时引入多尺度注意力机制EMA,捕获细粒度空间信息,提升对小目标和在复杂背景下的检测能力。其次,引入加权双向特征金字塔网络BiFPN,对颈部进行改造,在保持参数成本的前提下,增强多尺度特征融合能力。最后利用Inner-CIOU损失函数生成辅助边框以更精准地计算损失并加速边界框回归过程。在VisDrone数据集上进行实验,结果表明,与原始YOLOv8s算法相比,改进方法参数量减少51.3%,运算量减少28.5%,mAP50提升1.6%。所提模型在轻量化的同时提升了精度,取得了在减少计算资源与保证精度之间的平衡。

关键词： 点云配准   计算机视觉   注意力机制   自适应权重   特征提取   特征融合  

摘要： 三维点云配准作为一项关键技术,在计算机视觉、自动驾驶和机器人导航等领域有着广泛的应用场景。为了解决三维点云配准网络中存在的空间结构信息提取、融合不充分等问题,提出一种混合注意力自适应权重的点云配准算法。利用混合注意力机制进行特征提取,将关键点的局部细节与全局上下文信息相结合以强化特征的表征能力。采用自适应权重网络,根据数据内在特性学习并分配不同特征的重要性权重实现特征融合。在ModelNet40数据集和KITTI odometry数据集上分别进行实验,实验结果表明在ModelNet40数据集上配准准确率达到96.7%。在KITTI odometry数据集上相对旋转误差和相对平移误差分别降低到6.2cm和0.32°。本文算法使用的混合注意力机制自适应权重,有效提升点云配准精度。

关键词： 特征点提取   特征匹配   GMS   动态贝叶斯网络  

摘要： 针对传统图像处理中快速特征检测和描述算法(ORB)特征点提取不均匀、匹配速度慢、匹配准确率不高的问题,提出了一种改进ORB特征点提取与匹配的图像处理算法。首先,使用改进的四叉树算法对ORB特征点进行均匀化提取,最大限度利用整幅图像的信息;其次,进行特征点的暴力匹配和基于网格的运动统计(GMS)筛选,对特征匹配进行初步筛选,提高匹配准确率;最后,利用动态贝叶斯网络筛选得到最佳匹配模型和最佳匹配对,提高匹配准确率的同时减少筛选时间。实验结果表明,提出的改进算法较传统算法,均匀度有明显改善,完成提取与匹配所用的平均时间较其他改进算法均有减少,匹配准确率较其他算法均有提高,特别是相比传统ORB算法提高了49.1%,整体效果明显优于传统的ORB算法及其他改进算法。证明改进ORB特征点提取与匹配的图像处理算法可以较好地实现特征匹配准确率与特征匹配速度的同步提升。

关键词： 目标检测   表情识别   YOLOv7-tiny   注意力机制   Mish函数   CARAFE算子  

摘要： 表情识别不仅能够提升人机交互体验,推动情感计算的发展,还可以辅助心理健康评估和治疗,提升社会安全和监控效率。为了提高表情识别的检测平均精度,提出了一种基于优化YOLOv7-tiny的表情识别算法。首先,将YOLOv7-tiny中原有的激活函数替换为Mish函数,提高了模型的优化能力;在YOLOv7-tiny的主干网络上再增加CA注意力机制,提高了对目标感兴趣区域的注意,增加了检测的平均精度;最后,将Neck层的上采样部分替换为轻量级上采样算子CARAFE,提高了特征融合能力。实验结果表明,优化后算法的检测效果有了明显的提升,与原始YOLOv7-tiny相比,模型的mAP@0.5提高了1.6百分点,达到88.6%,mAP@0.5:0.95提高了1.3百分点,达到64%;图片检测速度达到每张图片5.0 ms,而且模型保持了轻量化。

关键词： YOLOv5s   注意力机制   采摘机器人   BiFPN   目标检测  

摘要： 为了提升采摘机器人采摘番茄果实的识别准确率,减少误判和漏检的情况,该文提出一种基于YOLOv5s的番茄检测改进模型,首先将CA注意力机制加入到YOLOv5s模型的特征提取环节,为了进一步提高模型的泛化能力,实现多尺度特征融合,引入了BiFPN结构替换原有的PANet结构,同时结合损失函数IoU进一步优化模型的训练过程,从而提高检测精度。经过试验验证,提出的模型在番茄果实检测任务中获得了显著成果。相比YOLOv5s模型,改进后的模型准确率、召回率、F1分数和平均精度分别上升2.2%、2.1%、2.2%和1.3%。改进后的模型可以应用于番茄采摘机器人,并可以对成熟番茄与未成熟番茄进行分类,与原YOLOv5s算法相比,有效提升了检测的精度。