关键词： YOLOv8   Transformer自注意力机制   深度学习   目标检测  

摘要： 当前,犬类检测多数基于YOLOv5模型,检测精度和检测速度均不高。文章以YOLOv8为研究基础,结合Transformer自注意力机制,研究了一种犬类检测方法。研究发现,YOLOv8融合Transformer自注意力机制后,相比于YOLOv5,检测精度提高了9.18%,检测时间缩短了4.5 s,召回率提高了4.3%,F1提高了6.85%。提出的YOLOv8算法为犬类检测提供了一种新思路。

关键词： 小目标检测   YOLOv8   算法   数字化造林验收   无人机   MobileNetV4   NAM   CCFM  

摘要： 【目的】为解决传统林场造林验收过程中存在的主观性强、缺乏科学性以及管理人员不足等问题,本研究提出一种基于单阶段目标检测框架的造林明穴检测模型MAFF-YOLO,旨在自动识别并统计造林明穴的数量和位置,推动造林验收的数字化转型,提高验收效率和科学性。【方法】基于YOLOv8模型,通过多方面改进获得了MAFF-YOLO。首先,采用MobileNetV4作为主干网络,引入更多参数和层次结构提高检测精度;其次,添加基于归一化的注意力模块(NAM),增强对明穴特征的捕捉能力,减少误检和漏检;然后,将特征融合模块替换为跨尺度特征融合模块(CCFM),在降低特征图拼接计算量的同时整合不同尺度特征,提升对小尺度明穴的检测能力;接着,将检测头替换为RFAHead,根据数据的复杂性和重要性动态调整感受野,增强网络对不同输入特征的适应性;最后,优化边界框损失函数为FocusCIoU,改善正负样本分布不平衡问题,增强对关键样本的学习能力。【结果】MAFF-YOLO在识别明穴数量和位置方面表现出较高的准确性。与基础YOLOv8模型相比,其精度提高了1个百分点,mAP50提高了0.7个百分点,F_(0.5)提高了0.6个百分点,且算法复杂度显著降低。【结论】在相同实验条件下,MAFF-YOLO相较于其他现有方法,在提升模型对造林明穴目标的检测效果方面表现出显著优势,并已成功集成至端到端的检测系统中,为造林验收的数字化提供了技术支持,进一步提升了造林验收的效率和科学性。

关键词： 接触网   异物检测   YOLO   目标检测   损失函数   注意力机制  

摘要： 接触网是为列车行驶提供电力的输电线路,附着在接触网的塑料袋等异物会对列车运行造成安全隐患。针对目前人工检查效率低下、劳动成本高等问题,本文提出一种基于YOLOv7改进的接触网异物检测模型YOLO-CDBW。首先,在特征提取阶段构建一种使用残差瓶颈结构和深度分离卷积层的特征提取模块,避免因网络深度增加造成的小目标特征丢失问题,并降低网络运算量;其次,颈部改用BiFPN结构,捕捉多尺度信息,改善细节特征丢失问题,同时嵌入BiFormer注意力机制,重新分配融合后特征图的权重,提高网络对异物的关注度;最后,使用WIoU损失函数优化模型,通过动态聚焦机制,将注意力聚集在普通质量锚框上,提高预测精准度。经实验,YOLO-CDBW模型平均精度均值mAP 0.5达到87.1%,检测速度FPS达到66.5 frame/s,较YOLOv7模型分别提高5.0和10.8个百分点,满足接触网异物检测需求。

关键词： 电力巡检   机器视觉   偏振成像   图像融合   目标检测  

摘要： 为提升智能电网监测系统在复杂光照条件下的隐患目标识别精度,本文提出了一种基于偏振度与偏振光强双模态信息融合的检测方法。首先,设计双路特征融合网络,通过密集卷积模块分别提取偏振强度图像和偏振度图像的特征,以增强浅层信息的保留能力;同时,引入空间-通道协同注意力机制,在空间与通道维度上建立特征依赖关系,从而提升模型的特征选择性聚合能力。最后,引入多尺度自适应结构相似性损失函数并设计加权算法优化参考图像的生成质量,优化融合图像的结构保真度与目标显著性,进一步提升其质量。实验结果表明,与当前最先进的图像融合算法相比,本研究提出的方法在多种评价指标上均展现出了显著的性能提升。同时,通过消融实验进一步验证了网络模块和损失函数的有效性与实用性。在自建的目标检测数据集中,采用本研究方法生成的融合图像在目标识别精度上达到了91.5%,同时mAP@0.5指标也达到了0.916,在客观评价方面优于对比方法,提升了后续目标检测网络的识别准确性。

关键词： 速食粉面   YOLOv8   计算机视觉   目标识别   深度学习  

摘要： 该研究旨在解决速食粉面生产过程中对多品种外包装的智能识别难题,计算机视觉技术为速食粉面外包装生产线提供了一种高效、智能化的包装识别与分拣解决方案。当前,生产线上的包装识别系统往往受限于识别种类,每增加一种外包装识别功能,便大幅增加企业的生产开发成本。该文创新性地融合YOLOv8目标识别算法与计算机视觉技术,实现了速食粉面外包装的实时识别功能,并对外包装内食品质量无实质性影响,不仅减少了因扩展识别种类而增加的成本,还显著提升了生产线的运行效率。经实验表明,模型的精准度为99.93%,召回率为99.98%,mAP0.5为99.49%,mAP0.5∶0.95为99.47%,该研究给速食粉面包装生产企业提供了一种多品种外包装识别解决方案,具有一定的研究价值。

关键词： 高光谱成像   图像处理   灰度特征   大津算法  

摘要： 为解决作物胁迫试验中高光谱图像高精度批量分割的问题,提出了一种改进灰度特征的图像灰度变换算法,结合高光谱多通道、高谱段的特点,通过450 nm、600 nm、670 nm及700 nm至1000 nm波段反射率运算生成灰度特征图,提高灰度特征图像中目标植物与背景区域的对比度,降低阈值分割难度,再利用大津算法对图像进行分割。结果表明:提出的改进灰度特征算法结合大津算法,其分割结果的兰德指数和Jaccard相似系数在不同植株的表现中最高达0.9823和0.9799,比常用的超绿特征算法、近红外特征算法和归一化植被指数算法有更好的分割效果。该方法在有效剔除作物高光谱图像多种背景、提取绿色叶片的同时,保留作物叶片本身带有的杂色和胁迫引起的失绿、变黄、萎蔫叶片,最终实现单株作物高光谱图像的批量精确分割。

关键词： 深度学习   图像篡改检测   计算机视觉   卷积神经网络   图像处理   图像取证   图像伪造   伪造检测  

摘要： 随着数字图像编辑工具的普及,图像篡改变得越来越容易,大量被篡改后的虚假图像通过网络和社交媒体进行传播,这对法律、新闻媒体和科学研究等领域的真实性和可信度构成了威胁。图像篡改检测的目的是检测和定位篡改图像中的篡改区域,以保护图像的可信度。本文对基于深度学习的篡改检测方法进行了回顾总结。首先,介绍了目前图像篡改检测领域的研究现状。其次,对近5年的深度学习方法进行了分类整理。然后,介绍了主要的数据集和评价指标,以及各种方法的性能对比。最后,探讨了目前篡改检测方法的局限性并对未来的发展方向进行了展望。

关键词： 双目视觉   KCF算法   目标检测   位姿解算  

摘要： 针对海洋工程领域技术不断创新,以及对提高适应复杂海况能力需求持续增长的现状,该文以波浪补偿装置检测系统为背景,运用基于双目视觉的核相关滤波(kernelized correlation filters,KCF)算法作为目标检测方法。该方法基于双目视觉检测负载运动,获取图像上的特征点;并通过坐标系变换求解负载在惯性坐标系中的位置,实时检测被补给物的空间位置和姿态,从而通过对负载六自由度运动的控制,使其与被补给舰无相对运动,实现波浪补偿;基于机器人操作系统(robot operating system,ROS)在Ubuntu系统下进行编程,通过波浪补偿样机进行对比及仿真实验,验证所采用的检测跟踪方法可行性。结果表明,该方法可很好地适用于波浪补偿系统。

关键词： 遥感图像旋转检测   密集场景   选择性大核卷积   渐进式融合解耦检测头   YOLOv7  

摘要： 遥感图像目标的高效精确检测是目标检测领域的重要问题。然而,物体有限的外观纹理特征和多样的旋转方向使得遥感图像目标检测变得困难。针对这些问题,提出了一种改进YOLOv7的遥感图像旋转目标检测算法。首先,引入KL(Kullback-Leibler)散度作为回归损失函数将旋转框坐标转换为二维高斯分布,解决了传统水平框检测在计算旋转角度时产生边界不连续的问题。其次,引入选择性大核卷积改造YOLOv7网络的特征提取模块,增强网络对目标形状、类别、尺度等特征信息的感知能力,提高网络模型的精度。最后,针对检测头中分类和回归任务共享特征带来的精度下降问题,采用了TSCODE特征解耦的检测头,提升了网络对分类特征和回归特征的学习能力。在DOTAv1.0和HRSC2016数据集上进行了相关实验,验证了所提方法的有效性和鲁棒性。

关键词： 计算机视觉算法   停车管理   停车识别   系统研究  

摘要： 随着城市化进程的加快,停车难问题日益凸显,传统的停车管理方式已无法满足现代城市的发展需求。基于计算机视觉算法的智慧停车管理系统应运而生,旨在通过先进的技术手段提升停车效率,优化资源配置。该系统不仅能够实时监控车位状态,还能够自动识别车辆信息实现智能化管理。其中,车牌识别技术作为系统的核心,其准确性和实时性直接影响到整个系统的性能;车位状态检测技术则通过图像处理和分析,确保车位信息的实时更新;系统集成与测试环节则是确保各模块协同工作的关键。智慧停车管理系统的研究与实现,不仅能够缓解城市停车压力,还能为城市交通管理提供新的思路和解决方案。