关键词： 目标检测   竹节   YOLOv8n   MSCA注意力机制   Slim-Neck   ConvNeXt v2  

摘要： 竹节的快速检测和准确识别是提高竹子初加工质量的重要前提。针对竹子加工避节难的问题,提出了一种YOLOv8n-CSM竹节检测模型。首先,采用ConvNeXt v2作为骨干特征提取网络,以增强网络的特征提取能力;其次,使用广义稀疏卷积(Generalized-Sparse Convolution, GSConv)和VoVGSCSP模块搭建Slim-Neck颈部网络结构,在减少模型参数量的同时保持模型的识别精度;最后,将多尺度卷积注意力机制(Multi-scale convolutional attention, MSCA)嵌入到模型的主干输出端,以增强模型对竹节的特征提取能力并削弱背景干扰。结果表明,优化的YOLOv8n-CSM模型,其在竹节测试集上的平均精度均值(Mean average precision, mAP)达94.4%。与目标检测模型YOLOv3-tiny、YOLOv5、YOLOv6和YOLOv8n相比,YOLOv8n-CSM模型的mAP0.5分别高出0.5,1.1,1.3,1.5个百分点,可为竹节快速准确检测提供技术支持。

关键词： 飞机遥感图像   目标检测   注意力机制   检测层   检测评估方法  

摘要： 针对目前遥感图像中飞机识别存在的分辨率低、尺度多样、检测目标小、背景复杂等问题,提出一种改进的YOLOv5_RCSL飞机遥感图像精确检测算法。该算法在YOLOv5主干网络中采用卷积块注意力模块(convolutional block attention module,CBAM)注意力机制,有效进行特征信息的提取,提高遥感图像识别检测的精度,使其更加有利于遥感图像飞机目标大小特征值的全局提取;在原YOLOv5的检测头部再增加一个尺度为20 px×20 px的检测层,提升检测识别小类别遥感图像飞机目标的准确度。另外,采用一种基于Wasserstein距离的小目标检测评估方法和一种改进的标准化Wasserstein距离(normalized Wasserstein distance,NWD),提高小目标和相应特征的识别率。与原有的YOLOv5模型的对比结果显示,改进的YOLOv5_RCSL算法的平均检测mAP50值达到了96.2%,提升了16.1%;改进算法的平均检测速度达到了60 F·s^(-1),提升了30 F·s^(-1)。实验证明,改进的YOLOv5_RCSL算法能有效解决遥感图像目标检测识别度低和遥感图像分辨率不高导致的误检、漏检问题。

关键词： 合成孔径雷达   目标检测   深度学习   注意力机制   特征融合  

摘要： 合成孔径雷达(Synthetic aperture radar,SAR)图像目标通常具有不明显的边缘特征,且不同尺度下的目标边缘特征并不完全相同。边缘特征可以提供目标物体的形状和轮廓信息,增强模型对目标物体的定位能力。现有的SAR目标检测方法对于边缘特征的学习仍然不足,导致模型对于边缘特征的感知能力较弱。基于此,提出一种基于边缘特征引导学习(Edge feature guided learning,EFGL)的SAR目标检测方法,该方法基于FCOS(Fully convolutional one-stage)目标检测框架,主要利用目标边缘特征引导特征金字塔网络(Feature pyramid networks,FPN)的特征学习,通过在FPN中引入边缘算子模块,显式增强网络对不同尺度目标边缘特征的学习能力;另外,在多尺度特征融合过程中,构建边缘特征引导融合模块,利用融合边缘特征的空间注意力模块实现边缘特征引导的相邻层级特征融合。在MSAR数据集和SAR-Aircraft-1.0数据集上,所提方法在AP’07标准下分别达到了68.68%和67.44%的检测精度,比基础网络分别提升了1.34%和4.81%。与其他相关算法相比,所提方法能够更好地进行目标定位,且SAR目标检测性能更优。

关键词： 索引调制   跳频   抗干扰   时频分析   图像处理   定频干扰   频谱效率  

摘要： 虽然基于索引调制的跳频扩谱(IM-FHSS)拥有优秀的抗反应式干扰能力,但此技术在频谱效率(SE)以及抗定频干扰上的表现并不理想。提出了一种新型跳频抗干扰技术:基于时频索引调制的跳频(TF-IMFH)。利用跳频图案中频率和驻留时间2个维度作为索引资源,构成一种基于时频二维索引的跳频技术,有效提升系统的频谱效率。同时在接收端利用时频分析结合图像处理技术解调出索引在跳频图案中的关键信息,此外,针对定频干扰的能量特征,加入时频能量对消算法,可以有效地对抗定频干扰,从而实现更加优秀的抗干扰能力。仿真结果表明,所提技术比传统IM-FHSS有着优秀的频谱效率表现,以及优秀的抗定频干扰能力。

关键词： YOLOv8n   目标检测   辣椒花   EMA注意力机制   GSConv模块   WIoU损失函数   轻量化模型  

摘要： 辣椒花目标检测是机械授粉的基础,为提高自然环境下辣椒花目标检测的精度,该研究提出了一种基于改进YOLOv8n的轻量化辣椒花目标检测模型YOLOv8n-Chili Flower。首先,在Neck层引入高效多尺度轻量化注意力机制模块EMA(efficient multi-scale attention),提升模型对辣椒花特征的识别能力,从而增强检测的灵敏度和准确性;其次,在模型的Backbone层将C2f模块替换为GSConv(group separable convolution)模块,减少不必要的信息冗余,防止特征信息丢失,在提高注意力机制模块效果的同时,降低了模型的复杂度;最后,采用WIoU(weighted intersection over union)损失函数替换CIoU(complete intersection over union)损失函数,优化回归损失的计算,并引入平滑项更准确地计算边界框的重叠度,实现模型更精确匹配辣椒花的形状和分布,从而加快了模型收敛并提高检测精度。结果表明,YOLOv8n-Chili Flower模型的召回率和平均精度均值分别为94.6%和95.9%,较原始YOLOv8n模型分别提升了0.9和0.6个百分点,浮点计算量、参数量和模型大小分别为7.2 G、2.39 M和5.0 MB,较原模型分别降低了12.20%、20.60%和20.63%。与YOLOv5s、YOLOv7tiny、YOLOv8s和YOLOv9主流模型相比,改进模型能够更好地平衡平均精度均值和轻量化,将改进模型部署至NVIDIA Jetson AGX Orin计算平台上开展真实场景测试,正确检测率和检测帧率分别为83.25%和99.02帧/s,具有较好的正确检测率和检测速度。该研究可为辣椒机械授粉的花朵实时检测和轻量化部署提供一定的技术支持。

关键词： 自动驾驶   深度学习   目标检测   轻量化   嵌入式  

摘要： 针对嵌入式系统中自动驾驶目标检测算法在计算量大、实时性差以及模型泛化能力不足等问题,提出了一种基于改进MobileNet-V3和Ghost模块的轻量化目标检测算法。首先,采用MobileNet-V3作为主干网络,利用深度可分离卷积技术有效减少计算量,同时保持特征提取性能。其次,在Neck部分引入Ghost模块,通过特征映射的线性转换提升多尺度信息融合能力,并显著降低模型复杂度。最后,将损失函数中的边界框回归优化为EIoULoss,以解决传统损失函数在预测框宽高变化不一致情况下的不足,从而提升模型回归性能。实验结果表明,该算法在KITTI和Gopro数据集上表现优异,平均精度(mAP)达到91.419%,召回率为97.031%,模型参数量仅为5.5 M,并在Jetson Xavier NX设备上实现了毫秒级的推理速度,充分满足嵌入式系统中实时性与检测精度的双重需求。

关键词： 高速公路   无人机(UAV)   YOLOv8   目标检测   多目标   小目标  

摘要： 正常运行的高速公路上,存在干扰驾驶员判断、造成交通隐患的危险目标,使用无人机进行检测时可能面临遮挡、重叠、分散、异构等难点。为解决这些问题,提出一种基于YOLOv8n的高精度检测算法——CT-YOLO。在YOLOv8骨干网络C2f模块中重构空洞卷积(dilated convolution),在卷积前后分别融合1×1卷积,解决应用场景目标分散的问题;改进经典特征金字塔网络,额外增加两个检测层,提高了对遮挡、小目标的检测精度;将改进的三重注意力机制融合到Head部分的C2f模块中,增强模型对异构目标信息的捕捉能力。通过视频采集、分帧、人工标注和数据增强,构建了一个包含11种异常目标的图像数据集,包括裂缝、修补、果皮、树叶、塑料、坑槽、箭头、车道线、纸箱、泛油和易拉罐。实验结果表明,CT-YOLO算法在异常目标图像数据集上mAP@0.5提升了13.2个百分点,mAP@0.5:0.95提升了11个百分点,检测精度明显提高,具有较好的实际应用效果。

关键词： 番茄   授粉机器人   视觉系统   目标检测   实例分割   数据增强  

摘要： 随着全球人口数量的增长和自然传粉媒介数量的减少,农业生产面临授粉效率低和产量不稳定的难题。番茄作为重要的经济作物,其传统授粉方式效率低、成本高,严重制约番茄产业的发展。该文综述了番茄授粉机器人视觉系统的研究现状和关键技术,并展望了其未来的发展趋势,以期为设计高效、稳定、精准的授粉机器人视觉系统提供理论依据与技术支持。

关键词： 重组装饰薄木   计算机视觉   机器学习   深度学习  

摘要： 随着生活水平提高,人们对家居环境的个性化和美观性需求不断增加,重组装饰薄木作为可持续材料受到广泛关注。计算机视觉领域中重组装饰薄木的研究具备较高的理论和实践价值,但其现有文献数量较少,通过扩充文献检索范围,系统分析木材领域的计算机视觉研究进展,为重组装饰薄木的相关研究发展提供理论指导。使用Citespace对中英文文献进行系统梳理,对文献作者、所属机构、关键词和研究热点进行可视化图谱绘制。通过对文献的分析,确定两个热点研究方向,即识别分类和缺陷检测,分析发现二者都经历了传统机器学习技术到深度学习技术的发展过程,并对重组装饰薄木领域识别分类及图像特征生成的设计应用趋势作出展望。并由此提出新的发展方向:未来应积极探索深度学习技术的不同应用场景,重组装饰薄木的视觉生成研究将成为领域内重点的研究方向。

关键词： RGB-T目标跟踪   Transformer   通道特征融合   跨模态特征融合  

摘要： 近年来,RGB-T跟踪方法因可见光与热红外图像的互补特性而在视觉跟踪领域得到广泛应用。然而,现有方法在模态互补信息利用方面仍存在局限,特别是基于Transformer的算法缺乏模态间的直接交互,难以充分挖掘RGB和TIR模态的语义信息。针对这些问题,提出了一种多模态特征融合的RGB-T目标跟踪网络(Multi-Modal Feature Fusion Tracking Network for RGB-T,MMFFTN)。该网络首先在骨干网络提取初步特征后,引入通道特征融合模块(Channel Feature Fusion Module,CFFM),实现RGB和TIR通道特征的直接交互与融合。其次,针对RGB和TIR模态差异可能导致的融合效果不理想问题,设计了跨模态特征融合模块(Cross-Modal Feature Fusion Module,CMFM),通过自适应融合策略进一步融合RGB和TIR的全局特征,以提升跟踪的准确性。对本文提出的跟踪模型在GTOT,RGBT234和LasHeR三个数据集上进行了详细的实验评估。实验结果表明,与当前先进的基于Transformer的跟踪器ViPT相比,MMFFTN在成功率(Success Rate)和精确率(Precision Rate)上分别提升了3.0%和4.7%;与基于Transformer的跟踪器SDSTrack相比,成功率和精确率分别提升了2.4%和3.3%。