关键词： 深度学习   机器视觉技术   船舶目标检测   国际形势  

摘要： 随着国际形势的变化和海洋强国战略的大力推进,我国对海上航行安全问题尤为重视,船舶目标检测成为愈加重要的任务,涉及航运安全、港口管理和海洋保护等方面。传统的船舶目标检测方法主要依赖人工观测、雷达探测等手段,这些方法存在人力成本高、受环境影响大和检测精度有限等局限性。基于深度学习的机器视觉技术能够从海量图像或视频数据中自动学习船舶的特征模式,实现高效、精准的检测,为船舶目标检测提供了一些新思路。

关键词： 目标检测   注意力机制   道路缺陷检测   YOLOv8算法  

摘要： 在路面缺陷中,裂缝和坑洞是道路安全检测的重点。针对现有路面缺陷检测算法存在的低精度问题,提出了一种基于改进YOLOv8算法的路面缺陷检测方法。首先,在YOLOv8主干网络中引入了双层空间注意力模块,以提高检测精度并实现更灵活的计算分配;其次,在颈部网络中引入了多尺度注意力机制,在不降低维度的情况下减少各个子网络通道之间的交互,从而增强特征提取能力;最后,添加一个微小物体检测头,以改善对小目标检测不足的问题。与原模型相比,改进模型在mAP50上提高了2.9%,同时参数量下降了6.1%。与其他主流模型相比,改进模型具有更高的准确性。

关键词： YOLOv8   火焰检测   算法优化  

摘要： 针对火焰检测领域中YOLOv8模型精度不足的问题,提出两种改进方法以优化YOLOv8网络模型的火焰检测算法。设计一种改进的EIOU损失函数并引入YOLOv8模型中,通过对比实验确定参数α的最佳取值,使模型的收敛效果和火焰检测精度更佳,增强网络对不同场景下火焰的鲁棒性;引入AttnConv-EMA注意力机制,通过感知权重的非线性优化模型对内容的适应性,增强模型的精度和性能。使用自行建立的火焰检测数据集,基于Pytorch深度学习框架对YOLOv8模型进行训练,并结合不同的损失函数和注意力机制模块对原始的YOLOv8训练模型进行改进。研究结果表明,改进后的YOLOv8模型在火焰检测的检测精度上有显著提升,AttnConv-EMA注意力机制的引入进一步提升了模型的感知能力和精度,满足了火焰检测数据集的检测精度需求。

关键词： 目标检测   图像增强   LSKNet   空间和通道卷积模块   通用感知大内核卷积网络  

摘要： 针对夜间环境光照度低、光照分布不均匀导致车辆检测细节模糊以及车辆漏检和错检等问题,提出一种改进YOLOv8n的夜间目标检测算法。首先,引入图像增强算法Zero-DCE提高图像质量,减小光照度低、光照分布不均匀的影响,同时使用LSKNet作为主干网络,调整动态感受野,改善模型特征提取能力,提高检测精度;其次,采用空间和通道卷积(SSConv)模块融合C2f模块,减少特征之间的空间和通道冗余;最后,提出通用感知大内核卷积网络(SPPF_UniRepLKNet)替换SPPF模块,使用非膨胀卷积更好地提升感受野,从而有效捕捉模型的特征,提高模型的检测精度。实验结果表明,改进YOLOv8n算法的检测精确率和平均精度均值分别提高了4.7%和4.9%,适用于夜间环境下车辆检测。

关键词： 深度学习   计算机视觉   YOLOv8   缺陷检测  

摘要： 针对当前钢材缺陷检测中目标特征复杂导致检测精度较低的问题,提出了一种基于改进YOLOv8n的钢材缺陷检测算法GOS-YOLO。首先,使用由轻量级卷积GSConv构建的Slim-neck范式作为特征融合网络,在减小模型参数量的同时提高精度。其次,将骨干网络的部分C2f模块替换为与全维度动态卷积(ODConv)相结合的C2f_ODConv模块,以实现模型的多维特征关注进而提高模型的精度。最后,将结合了多分支结构与压缩和激励操作的SENetV2注意力机制嵌入颈部网络,增强模型对复杂特征的提取能力。实验结果表明,在NEU-DET数据集上,GOS-YOLO的R、mAP50、mAP50~95较YOLOv8n分别提高了3.3%、1.7%、2.3%。在VOC2007数据集上mAP50~95提高了1%,FLOPs降低了16%。

关键词： 计算机视觉   交通流量统计   YOLO   DeepSORT   智能交通  

摘要： 为解决传统交通流量统计算法在实时性、稳定性和精确度方面的不足,提出一种基于改进YOLOv10算法的目标检测算法。将改进后的YOLOv10算法与DeepSORT追踪技术相结合,构建新的交通流量统计架构。采集实际路况的交通场景视频,对该框架的准确性进行验证。实验结果表明,相较于原算法,改进后的新算法在车辆检测方面平均精度提升了1%,视频车流量统计精度提升了3.46%。

关键词： 目标检测   无人机海上救援   多尺度   渐进融合   轻量化模型  

摘要： 无人机(Unmanned aerial vehicle,UAV)目标检测在海上救援任务中发挥着重要作用。然而,由于无人机空中拍摄的视角和高度多变,检测目标存在多尺度变化。此外,阳光照射海面产生的耀斑会造成误检现象。基于上述问题,为满足无人机实时目标检测的算法轻量化需求,本文以YOLOv8n为基准网络,提出一种基于动态渐进融合的轻量级无人机海上救援目标检测算法(Dynamic progressive fusion YOLO,DPF⁃YOLO)。首先,提出轻量级冗余信息提取模块(Redundant information extraction module,RIEM),通过减少特征图中的冗余信息,突出关键特征,避免耀斑误检问题。其次,提出动态多尺度特征提取模块(Dynamic multi⁃scale feature extraction module,DMFEM),通过动态调整感受野大小以适应不同尺度的目标,增强多尺度特征表达能力。最后,结合DMFEM模块提出动态渐进融合网络(Dynamic progressive fusion network,DPFNet),通过渐进式融合结构,减少非相邻层间不同尺度目标的语义差异,增强多尺度特征融合效果。DPF⁃YOLO设计为P2、P3和P4检测层结构以适应海上救援任务中不同尺度的目标,丰富多尺度信息,增强对小目标的特征提取。在SeaDronesSee v2数据集上的实验结果表明,DPF⁃YOLO以仅1.19M的参数量实现了mAP0.5=72.2%的检测精度,较基准网络YOLOv8n参数量降低60.5%,召回率提升12.4%,精度提升8.2%。在VisDrone数据集上的泛化性实验结果表明,DPF⁃YOLO具有较好的泛化能力。

关键词： 伪装目标检测   前景与背景信息   非局部注意力   特征交互   特征融合  

摘要： 针对目前伪装目标检测(camouflaged object detection, COD)方法中检测结果不完整、边缘细节模糊的问题,提出了一种新颖的前景与背景交互融合网络(FBIFNet),通过前景与背景区域的共同探索来进一步提升COD的性能。FBIFNet中包含了一个关键的双边交互融合模块(BIF),该模块使用一对互补的注意力来引导网络从前景和背景两个方向联合对伪装对象进行推理,并利用基于双向注意机制的交互策略和加权融合策略学习前景与背景间的互补信息。此外,还包含了一个注意力级联定位模块(ACP),ACP能够从全局角度对伪装对象进行定位,并为BIF提供更准确的前景和背景引导。得益于所提出的两个模块,FBIFNet能够更精确地检测伪装目标。3个公共数据集(CAMO、COD10K和NC4K)上进行的大量实验表明,所提出的网络在4个评估指标上均优于相关领域的先进方法。

关键词： 目标跟踪   注意力机制   动态模板更新   质量评分头   Transformer目标跟踪  

摘要： 基于Transformer的目标跟踪方法广泛应用在计算机视觉领域,并取得了优异的效果。但是,由于在实际跟踪任务中受目标变换、目标遮挡、光照变化以及目标快速运动等因素的影响,导致目标信息发生变化,现有方法对目标模板变化信息利用不足,限制了跟踪性能的提高。为此,通过附加一条动态模板更新分支反映目标最新的外观和运动状态,提出一种基于实时动态模板更新的Transformer目标跟踪方法TransTRDT。该分支通过模板质量评分头对模板是否更新进行判断,当判定可以进行更新时,随后将初始模板、前一帧动态模板以及裁剪后的最新预测结果传入动态模板更新网络中更新动态模板,通过获取更可靠的模板从而实现更准确的目标跟踪。在公共数据集上的实验结果表明,TransTRDT在GOT-10k、LaSOT以及TrackingNet上的跟踪性能优于SwinTrack和StarK等算法,在OTB100中的跟踪成功率为71.9%,跟踪速度为36.82帧/s,达到目前行业的领先水平。

关键词： 结直肠息肉   深度学习   深度卷积神经网络   目标检测   YOLO  

摘要： 目的利用2023年新推出的YOLOv8m网络,开发一款人工智能辅助系统,旨在实现腺瘤性息肉的自动定位和诊断。方法使用4个结肠息肉数据集,总计包括9411张静态图像和25段视频。所涵盖的息肉类别包括增生性息肉和腺瘤性息肉。利用LabelMe工具对图像进行标注,并将标注数据转换成适用于深度学习模型训练的YOLO格式。在模型训练方面,采用预训练的YOLOv5m和YOLOv8m模型,并结合实时数据增强以及多种图像处理技术进行迁移学习训练。模型性能的评估采用多个指标,包括敏感性、特异性、假阳性率和检测速度(每秒帧数,frames per second,FPS)、平均精度(mean average precision,mAP)等。此外,还使用混淆矩阵进行详细评估,并将模型的性能与不同资历的医师进行比较分析。结果在对1411个息肉的验证集进行评估中,YOLOv8m模型在多项性能指标上超越了YOLOv5。YOLOv8m的整体准确率为98.58%,在腺瘤性息肉、增生性息肉检测的敏感性分别为98.06%和99.32%,特异性分别为99.33%和98.09%,不同类型息肉预测的mAP50为0.994。在与内镜医师的性能比较中,YOLOv8m模型在准确率(98.58%)和处理速度(60.61帧/s)方面均优于低年资(准确率为86.02%)和高年资内镜医师(准确率为93.14%),其处理速度是低年资内镜医师的67.2倍。结论基于YOLOv8m网络的深度学习模型能够快速、精确地检测与分类结直肠息肉,在辅助内镜医师提高腺瘤性息肉检出率方面展现出很大的应用潜力。