关键词： 预成端盒   目标检测   目标识别   实例分割   模板匹配  

摘要： 预成端盒是一种连接和管理光纤网络物理分布的重要光传输设备,现阶段对该类设备的巡检主要依赖人工完成.为了降本增效,亟需上线智能化巡检方式.然而,受制于设备部署场景复杂的光照条件、多样的端口连纤状态及遮挡问题,利用现有的图像识别技术对端口信息(端口连纤状态和连纤条码信息)进行自动化识别具有极大的难度:既难以保证端口信息识别的精度,又难以将识别结果与其实际物理位置相匹配.为此,提出基于空间匹配校准的预成端盒端口信息自动化识别方法,包括:基于空间多尺度匹配和多角度补偿的端口状态识别和校准方法,采用多尺度模板校准算法自适应地匹配端口实例的状态信息及其物理位置,并设计多角度补偿方案完成端口的校准识别;基于自适应矫正与动态极小值匹配的光纤尾端条码信息识别方法,自动检测条码成像姿态并有效切割和识别条码,利用动态极小值匹配算法进行空间匹配校准,实现连纤端口的条码信息识别.构建一个真实数据集,并基于此进行大量实验,实验表明所提出的方法在端口信息的识别精度和效率上均优于同类应用场景;同时,将所提出的方案在移动设备上进行部署测试,可实现准确高效的预成端盒端口信息自动化识别.

关键词： 水下目标检测   多尺度特征增强机制   多尺度注意力机制   全维动态卷积   Wise-IoUv3  

摘要： 【目的】针对水下目标图像存在成像模糊和复杂背景下检测精度低的问题,提出融合多种注意力机制和Wise-IoUv3的水下目标检测算法。【方法】首先,设计多尺度特征增强机制,在主干网络部分采用全维动态卷积(ODConv)替代部分卷积并引入高效的多尺度注意力机制(EMA),提升主干网络对模糊目标和小目标特征提取能力。其次,改进快速空间金字塔池化(SPPF)模块,增加平均池化分支补充空间信息,提升全局上下文感知能力并在两个分支融入轻量级BiFormer注意力机制,降低模型计算复杂度,增强对小目标检测性能。然后,在预测阶段,用Wise-IoUv3代替原损失函数,平衡不同质量图像模型训练结果。最后,用动态检测头(DynamicHead)替代原检测头,增强检测头的尺度感知、空间感知和任务感知能力,提高对象位置的识别准确性。【结果与结论】在RUOD和URPC数据集上实验结果表明,模型的检测精度、参数量和计算量较目前其他的主流模型表现良好,特别是与YOLOv8n算法相比,改进后算法在平均精度均值上提升3.6%和1.7%,尤其在包含大量小目标的类别(如海胆、扇贝)中表现更优;模型的参数量和计算量分别减少了0.26×10^(6)和0.4 GFLOPs。实验结果表明,该方法减少了在复杂情况下模糊目标和小目标漏检和误检情况,提高了检测性能,同时保持了模型的轻量性。

关键词： 目标检测   无人机图像   YOLO-DSBE   可变形卷积   BiFormer  

摘要： 针对无人机捕获图像背景复杂、目标尺度小且相互遮挡、漏检率高等问题,提出一种基于YOLO-DSBE的无人机对地目标检测算法。提出基于可变形卷积的DC-ELAN与DC-MP模块,适应不同形状大小输入特征,提升网络对复杂背景下特征的解析能力;设计高分辨率多尺度检测层,增强算法提取小目标特征能力,提高微小目标检测精度;深度融入BiFormer动态稀疏注意力机制至改进后的特征融合网络中,剔除无关特征信息,提高相关细节的关注度并降低漏检率;引入边框损失函数EIoU,解决CIoU形状惩罚项失效的问题,提升模型收敛速度与检测精度。实验结果表明,改进算法在UA-DETRAC数据集上的的平均精度达到56.1%,相比原算法,mAP 50与mAP 50:95在VisDrone2019数据集上分别提升了3.5%与2.8%,有效提升了无人机图像识别的准确率。

关键词： 草莓   叶片病害   目标检测   YOLOv8n   动态卷积   GSConv   CARAFE  

摘要： 为提高目标检测模型在果园环境中对草莓叶片病害的检测能力,本研究以YOLOv8n模型为基准模型,引入动态卷积(Dynamic convolution)模块替换骨干网络的第3个卷积层和颈部网络的部分C2f模块,引入GSConv和Slim-neck模块替换颈部网络的卷积层和部分C2f模块,并引入内容感知特征重组上采样(CARAFE)算子替换上采样中的最近邻插值法,提出了一种改进的YOLOv8n模型——YOLOv8n-DGC,以期在保持模型轻量化的同时提高模型对草莓叶片病害的检测精度。结果表明,改进后的模型YOLOv8n-DGC对草莓叶片病害检测的交并比(IoU)阈值为0.50时的平均精度均值(mAP_(50))、IoU阈值范围为0.50~0.95的平均精度均值(mAP_(50∶95))、精确率和召回率分别比基准模型提高2.5个百分点、1.5个百分点、1.6个百分点和1.6个百分点,模型大小和参数量分别增加3.2%和3.3%,而浮点运算量减少8.6%。与Faster R-CNN、SSD、YOLOv5s、YOLOv7-tiny等模型相比,YOLOv8n-DGC模型能更好地实现检测精度与效率的平衡,更适合布置到轻量化的检测设备或终端中。

关键词： 目标检测   YOLO   烟叶   烟叶计数   轻量化  

摘要： 烟叶产量的预估是一项非常重要的任务,叶片数量与产量直接相关。传统人工统计效率低、成本高,为解决这些问题,研究提出一种轻量化YOLOv8-SLSS烟叶计数检测算法,该算法针对YOLOv8n检测精度不足、计算复杂度高以及烟叶遮挡场景导致的漏检问题进行改进。算法采用改进后的ShuffleNetV2light网络结构替代原模型的骨干网络,缩减模型参数和计算负荷;引入设计的LHCB模块到颈部网络的C2f中,扩大模型的感受视野,提高模型检测精度的同时减少计算量;引入SEAMDetect检测头模块,增强了烟叶遮挡场景下的检测能力;最后,引入SPPELAN模块,增强模型多尺度特征提取能力和计算效率。实验结果表明,改进后的模型参数量和浮点运算量分别减少了63.3%和61.7%,算法的检测平均精度AP@0.5由原算法的92%提高到93.1%,实时检测速度达到83 fps,相比原YOLOv8n模型提高5.1%。改进后的算法提高了传统YOLO模型在烟叶遮挡场景下的检测能力,实现了较高精度、轻量化、实时检测性能的平衡,为烟草农业数字化提供有效地技术支持。

关键词： 图像处理   轻量化   幽灵瓶颈模块   C2f-全局注意力模块   多尺度特征融合   可变形卷积   YOLOv7-tiny网络模型  

摘要： 为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题,对你只看一次(YOLO)网络YOLOv7-tiny进行改进,提出一种新的YOLOv7-ghost网络模型。针对模型参数量大的问题,引入幽灵瓶颈(GB)代替部分池化操作和高效层聚合网络(ELAN),大幅度降低模型参数量;构建了一个全新的高性能轻量化模块(即C2f-全局注意力模块),综合考虑全局和局部特征信息,更好地捕捉节点的上下文信息;然后引入快速空间金字塔池化和幽灵瓶颈(SPPF-GB)模块,对特征进行重组和压缩,以融合不同尺度的特征信息、增强特征的表达能力;最后在头部引入可变形卷积(DCN),增强感受野的表达能力,以捕获目标周围更细粒度的目标结构和背景信息。结果表明,改进后的模型参数量下降了20.33%,模型大小下降了18.70%,平均精度mAP@0.50和mAP@0.50~0.95分别提升了1.2%和3.3%。该网络模型在保证轻量化的同时,检测精度得到了大幅度的提升,更利于室内场景目标检测算法实际应用的部署。

关键词： Photoshop   图像处理   套索工具   魔术棒工具  

摘要： 阐述四种主流抠图工具的技术要点与应用场景,包括套索工具的抠图应用、魔术棒工具的抠除技巧、快速选择工具在抠图操作中的技巧、钢笔工具在复杂抠图场景中的技巧。通过掌握这些工具的组合应用策略,使用户可以应对各种场景的抠图需求,高效提取照片中的元素进行背景替换、合成或美化。

关键词： 液化天然气   船舶目标检测   YOLOv5   MobileNetv3   卷积注意力模块  

摘要： 基于视觉传感器的环境感知设备在液化天然气(LNG)船舶实现自主航行过程中发挥着重要作用。海上环境复杂及船舶存在多样性,现有的船舶目标检测算法难以同时满足检测高精度和实时性的要求,为此提出一种轻量化的船舶目标检测算法。基于YOLOv5算法,使用MobileNetv3结构替换YOLOv5的主干特征提取网络,以大幅减少主干网络的参数量及降低网络计算量;在特征融合网络的末端添加卷积注意力模块(CBAM),以增强有用特征的权重,优化目标检测的精度;采用K-means++聚类算法获取适用于船舶目标检测的初始anchor;利用自建数据集对模型进行训练及评估。结果表明,改进YOLOv5 MC模型的平均精度均值(mAP)高达95.66%,较YOLOv5、YOLOv5 M模型分别提高了2.75%和4.7%;该模型的参数量较YOLOv5模型降低了81.5%,约为45.40 MB;传输帧率达到39.55帧/s,满足LNG船舶检测的实时性要求,在检测小目标与遮挡目标中效果良好。

关键词： 水稻   病害   目标检测   YOLOv8n改进模型   卷积神经网络   模型轻量化设计  

摘要： 为解决水稻病害检测中存在的小目标特征提取困难、复杂环境下检测精度不高的问题以及在边缘化设备上实现高效实时检测,该研究提出了一种轻量化水稻病害识别方法YOLOv8-DiDL。该方法通过引入倒残差移动模块(inverted residual mobile block,iRMB)增强小目标特征捕捉能力,采用变形卷积模块DCNv2(deformable convolutional networks)优化目标几何变化适应性,结合采样算子DySample(dynamic sample)算法提升复杂环境适应能力,并改进快速空间金字塔池化模块(spatial pyramid pooling fast,SPPF)为大核分离卷积注意力模块(large separable kernel attention,LSKA)增强多尺度特征融合。试验结果表明,改进的YOLOv8-DiDL模型准确率、召回率和平均精度均值分别为91.4%、83.5%、90.8%;与原始基础网络YOLOv8n相比分别提升7.0、0.5、2.5个百分点,模型权重降低9.7%,每秒浮点运算次数提升7.4%。该研究通过改进模型显著提高了水稻病害检测的精度和部署效率,为智能化农业的实时病害监测提供了技术基础。

关键词： 深度学习   目标检测   CenterNet   输电线路   残差网络  

摘要： 针对高压输电线路会存在异物影响线路正常运行,提出一种改进CenterNet的高压输电线路巡检异物的检测方法,对常见的输电线路异物小目标进行检测。该方法基于空洞卷积设计宽型残差模块,加宽残差模块的特征提取面,并且分别采用通道注意力机制与空间注意力机制对特征信息进行二次处理,优化检测精度。实验结果显示,改进后的平均精度从88.59%提升到93.09%,整体提升了4.5百分点。