关键词： YOLO v8   飞行安全   远程塔台   目标检测   图像处理  

摘要： 现有的塔台视角目标检测系统易出现定位偏差大、小目标检测精度低等问题,为解决该问题,提出基于ECIOU结构嵌入YOLO v8模型的塔台视角下飞机类目标检测方法,以提高检测的准确性和效率。在传统YOLO v8模型基础上,增加CBAM模块,加强目标特征的判别性;引入GConv和SENet注意力机制,以优化Bottleneck结构,从而增强其特征提取能力;使用ECIOU Loss代替原有的CIOU损失函数,提升其在复杂环境下的检测性能;重新构建小目标检测头PWHead,以更好地捕捉小目标的细节信息。通过在Roboflow公开数据集上对模型进行评估,并将其性能与其他主流模型进行对比,结果表明:改进的YOLO v8模型的精确度达90.2%,平均精度均值达86.9%,较YOLO v8n分别提升了2.2%和1.3%,即提升了检测效率。

关键词： 水下目标检测   YOLOv8n   轻量化   多尺度特征融合   计算机视觉  

摘要： 由于水下检测仪器的存储和计算资源有限,使用高参数量的模型会占用更多的存储空间和计算能力。为了解决这一问题,提出了一种基于YOLOv8n改进的目标检测模型—YOLOv8n-MAL,该模型在保持检测精度的同时,实现了整体的轻量化。首先,提出了一种轻量型多尺度注意力机制(MSCBAM),通过不同大小的卷积核和池化操作,能够从输入特征图中提取不同尺度的特征,可以提升模型在复杂场景中的鲁棒性,确保模型在面对不同类型的输入时都能维持较高的检测精度。然后,设计新的颈部模型MSFFN,对比原颈部模型增强了模型多尺度融合的能力,加强了不同层级特征的交互,使得高层次和低层次特征能够更加充分地结合,这种跨层级融合能够更有效地利用网络的特征表示能力,避免信息在传递过程中的丢失或弱化,进而提升模型的检测效果。其次,提出了轻量多尺度卷积模块(LMSCM),并将该模块和部分卷积融入到C2F模块中构成PC2F-LMS,通过引入更高效的卷积结构和轻量化设计,增强了特征提取和表达的能力。最后,使用WIoU优化原网络损失函数。实验结果表明,改进后的算法在URPC数据集上的平均精度均值(mAP)mAP@0.5提高了1.4%,与YOLOv8n算法相比参数量下降了38.6%,为水下目标检测提供了有效的参考价值。

关键词： 课堂评价   智慧教育   人工智能   学习行为   计算机视觉  

摘要： 随着人工智能技术的迅速发展,将其积极融合到课堂教学效果分析中具有重要意义。文章提出了一种基于计算机视觉的课堂教学效果多元分析方法,该方法通过教室内的摄像头获取视频数据,分析学生状态并量化指标,同时开发了一套课堂教学效果多元分析系统。系统具有4项主要功能,包括对学生的学习行为、情绪状态和出勤情况的精准识别,从而实现对课堂教学效果的多维度分析。实际应用验证表明,该系统能够有效分析学生的课堂状态,为教师提供科学的教学反馈,助力智能化教学管理。未来,随着该系统的广泛应用,将进一步促进智能化教学管理的实现,为提升教育教学质量提供强大的技术支持。

关键词： 显著目标检测   弱监督   涂鸦注释   特征交互引导   特征增强   多尺度特征   特征对齐  

摘要： 为解决现有的基于稀疏标记的弱监督显著目标检测模型需要引入额外标签恢复显著目标结构、模型检测效果不佳等问题,提出一种基于涂鸦注释的特征交互引导网络用于弱监督显著目标检测,无需预处理/后处理操作或额外标签。模型集成特征增强机制分别对浅层和深层的多尺度特征进行扩展与聚合,轮廓重定位模块恢复并优化显著目标结构,所提全局特征对齐损失辅助模型感知显著目标的全局结构。实验结果表明,所提出模型优于现有的弱监督方法。

关键词： 遥感图像   YOLOv8n   特征提取模块   损失函数   旋转框   注意力机制  

摘要： 针对遥感图像中目标尺度差异较大、类别多样且分布不均等因素造成检测时目标定位不精准、漏检和误检等问题,提出一种改进YOLOv8n的遥感图像目标检测算法。首先,构建SC_C2F模块作为主干网络的特征提取模块,通过在Bottlececk结构中引入空间通道重建卷积,增强不同尺度通道和空间的特征提取能力;其次,设计ESPPM模块替换原金字塔池化模块,引入自适应平均池化层与大可分离核残差注意力机制,丰富上下文信息,提高模型多尺度特征聚合能力;再次,结合GSConv轻量化卷积与VoVGSCSP结构,引入Slim-PAN结构到颈部网络,在减少模型计算量的同时保持检测精度;最后,引入增加参数表示法的旋转框作为角度坐标回归,并设计RBCL损失函数计算旋转框损失,使检测过程更加贴合目标形状,提高对小目标和密集目标的检测精度。将改进的YOLOV8n算法在DOTA数据集上进行实验,相较原算法mAP@0.5提高5.1%,计算量降低0.4 GFLOPs。

关键词： 弱监督目标检测   边界框回归   全监督检测   注意力机制  

摘要： 由于实例级类别标注的缺失,弱监督目标检测网络在精确预测目标位置时面临显著挑战。当前主流策略倾向于采用分阶段学习,然而这一过程可能导致特定对象类别陷入局部最优。为克服此难题,提出一种新的端到端联合训练框架,即构建了一个集成多实例学习与边界框回归分支的统一网络架构,两者共享一个高效的主干网络以促进协同。同时,引入注意力机制于主干,深化特征中的位置信息挖掘。通过在基准数据集PASCAL VOC 2007、2012上的广泛实验验证,证实所提方法达到了较高的性能。

关键词： 计算机视觉   遥感图像目标检测   YOLOv8   多尺度   小目标  

摘要： 由于遥感图像目标检测中尺度变换以及小目标特征信息丢失等问题的存在,导致现有模型检测精度不佳。为解决上述问题,以YOLOv8为基线网络进行改进,提出了一种基于多尺度特征聚合的遥感图像目标检测算法。首先,引入LSK(Large Selective Kernel)构建LSKC2f模块,通过LSKC2f自适应地调整感受野大小,帮助模型充分提取多尺度目标的特征信息;然后,设计一个全局特征聚合(Global Feature Aggregation)模块,将浅层特征图与多个不同尺度的深层特征图进行融合并输出,提升小目标检测精度。实验结果表明:相较于基线网络,改进的新算法在具有挑战性的公共数据集DIOR上的检测精度提升了1.4%达到了73%,证明了本算法的有效性。

关键词： 继电保护   图形畸变   图像处理   匹配   拼接  

摘要： 针对继电保护室巡检空间狭小,设备巡检拍摄的图像难免存在畸变,对设备的安全可靠运行具有一定影响的问题,提出了对图像畸变校正和图像拼接方法。首先,对继电保护室保护屏柜图像的倾斜及畸变特征量进行分析,通过寻找棋盘格的角点,对图像进行倾斜及畸变矫正;接着,基于特征提取、特征匹配及图像配准实现图像匹配;最后,通过图像拼接,得到清晰完整的所需图像。以某电力二次保护屏柜的畸变图像组为例,应用所提图像处理技术,验证了所提算法技术能够有效解决小空间内图像畸变和不完整的问题,获得狭小空间和一定俯仰角度下的无畸变图像。

关键词： 深度学习   注意力机制   目标检测   目标追踪  

摘要： 根据飞鸟回波在天气雷达反射率产品上呈现明显的圆环形态这一具体图像特征,提出一种基于轻量化卷积神经网络(YOLOv5)与多目标跟踪算法(DeepSort)相结合的改进算法,利用2020—2023年营口雷达体扫回波强度资料,构造模型训练数据集和测试数据集,分别对鸟回波进行识别和追踪。首先,在YOLOv5算法中引入轻量级注意力机制以提高整体模型检测的准确性与有效性;其次,在DeepSort算法中将原有的交并比IOU匹配机制替换为一种改进的目标检测的损失函数DIOU匹配机制,DIOU在计算边界框重叠度的基础上,引入了边界框中心点之间的距离,从而提供更精确的定位,减少了因部分遮挡重叠等原因造成的追踪目标编号ID错误匹配和ID切换次数。试验结果表明,优化后的YOLOv5算法在精准度方面提升了2.6百分点,召回率提升了1.0百分点,阈值大于0.5的平均精准度提升了1.2百分点;改进后的DeepSort算法使得ID切换次数降低2次,多目标跟踪准确率提高了4.5百分点,实现对初始模型的轻量化;整体检测性能得到明显提高,满足对鸟回波识别与追踪的实际需求。

关键词： 目标检测   安全帽   注意力机制  

摘要： 为了解决安全帽检测算法推理时间长,小目标检测漏检等问题,提出一种改进的YOLOv7实时检测模型。以EIOU(Efficient Intersection Over Union)损失作为损失函数,引入焦点损失,聚焦于高质量的锚箱,达到加快收敛速度、提高回归精度的目的。同时采用全局注意力机制,通过减少信息损失并增强全局交互表示来提高深度神经网络的性能。实验结果表明,改进后的模型m AP@0.5为0.951,比YOLOv5s、YOLOv7和YOLOv7-tiny模型分别高出3.93%、2.92%、5.32%,改进后的YOLOv7模型可以有效地实现复杂环境下安全帽的精确检测,能够准确识别工人安全帽佩戴情况,从而大大降低施工现场的安全风险。