关键词： 目标检测   烟雾火焰检测   改进YOLOv8   深度学习  

摘要： 烟雾与火焰检测在安全领域中具有重要的实际应用,尤其是在复杂环境下,如何精准识别烟雾与火焰目标仍面临较大挑战。本文提出了一种改进的YOLOv8算法,引入CBAM (Convolutional Block Attention Module)注意力机制,增强了网络对不同尺度特征的关注能力,从而提高了小目标和复杂场景下的检测精度。实验结果表明,改进后的YOLOv8模型相比于原YOLOv8模型,平均精度均值(mean Average Precision, mAP)提升了0.57个百分点,对烟雾与火焰两类目标的检测效果较好。Flame and smoke detection plays an important role in safety applications, especially in complex environments, where accurately identifying smoke and flame targets remains a significant challenge. This paper proposes an improved YOLOv8 algorithm, which introduces the CBAM (Convolutional Block Attention Module) attention mechanism to enhance the network’s ability to focus on features of different scales, thereby improving detection accuracy for small targets and complex scenes. The experimental results demonstrate that the improved YOLOv8 model has seen an enhancement of 0.57 percentage points in mean Average Precision (mAP) compared to the original YOLOv8 model, exhibiting superior detection performance for both smoke and flame targets.

关键词： 目标检测   YOLOv8n   剪枝   知识蒸馏   违禁品  

摘要： 为了更好满足X光安检图像中违禁物品检测的实时性与可行性,提出了基于YOLOv8的轻量化检测方法,在提高检测精度的同时使模型更加轻量化。首先使用改进后的HGNetV2网络替换YOLOv8的主干网络,减少网络模型参数量、计算量和内存占用,然后使用SIoU损失函数替换CIoU损失函数,再使用注意力机制MPCA(Multi-Path Channel Attention)改进的可变形卷积DCNv2融合到颈部网络中的C2f模块,提高网络对图像关键特征的捕捉能力。其次将改进后的模型通过LAMP剪枝方案进行模型剪枝,进一步压缩模型,最后通过知识蒸馏,提升剪枝后模型的检测精度。结果显示,在公共数据集SIXary上,改进后模型相较于YOLOv8n模型mAP提高1.3%,模型参数量、计算量和模型大小分别降低66.2%、59.3%和62%。证明了改进算法的有效性。

关键词： 飞机目标检测   深度学习   YOLOv5网络   注意力机制优化   特征融合  

摘要： 由于飞机目标的大小和形状差异、遮挡、密集分布以及复杂背景等因素,现有模型在检测过程中存在较多的错检和漏检。为此,提出一种基于改进YOLOv5的飞机目标检测模型,称为AT YOLOv5。首先在主干网络中融合坐标注意力模块,增强模型的特征提取能力,然后针对FPN在特征融合时多尺度表征能力降低的问题,提出了注意力特征融合网络,该结构基于注意力权重可以实现不同尺度特征的自适应融合。最后,改进小目标检测层,并在所有检测层中加入Swin Transformer模块,以增强网络模型获取全局信息和关联目标信息的能力。实验部分采用DOTA和RSOD数据集来验证模型的有效性及泛化能力。实验结果表明,提出的检测算法在DOTA数据集下AP 50相对于YOLOv5s网络提高了3.9%,AP 50:95提高了1.0%,对高分辨率遥感影像的FPS可达到64,在RSOD数据集下的AP 50也可以达到96.7%。本文算法可以有效实现飞机目标检测任务,具有较好的检测精度、实时性和鲁棒性。

关键词： 目标检测   无人机航拍   损失函数   注意力模块   YOLOv5  

摘要： 针对架空地线破损检测场景,传统计算机视觉的手工特征泛化性差,主流通用目标检测网络迁移效果差等问题,提出一种以YOLOv5n作为主干网络的目标检测算法。首先,提出一种交叉上下文特征提取模块替换原主干特征提取模块,提升了模型针对遥感场景的特征提取能力。其次,颈部部分引入DAnet中的位置注意模块和通道注意模块提升模型复杂背景下多尺度目标的检测能力,抑制显著无关目标的特征,提升模型检测精度,并且进行了跨层特征图连接和增添了一层小目标检测层,提升模型对于细微小目标的感知能力。最后设计了一种类内聚合且类间分离的损失函数,显示引导模型提取更具可判别性的特征。相较于原YOLOv5n结构,改进算法在精确率方面提升了9.1%,召回率方面提升了7.4%,mAP50提升了10.7%。实验结果表明:改进YOLOv5算法能够高效且准确地识别出复杂背景下的架空破损地线目标。

关键词： 纱线条干   条干均匀度   图像处理   三维仿真   三维测量  

摘要： 针对传统纱线三维模型仿真方法精度不高、纱线条干均匀度二维测量方法无法全面表征纱线立体结构的问题,基于双斜交平面镜成像原理,以纱线的多视角图像绘制圆形并将其拟合为纱线条干横截面,堆叠所有横截面,重构纱线条干三维模型,并从二维、三维层面分析所提方法的有效性和可靠性。结果表明:所提方法能够精确构建纱线条干三维模型并全方位展示纱线条干情况;在二维层面,纱线条干三维模型横截面平均面积与USTER TESTER 5所测纱线直径的相关系数为0.996,横截面面积变异系数与USTER TESTER 5所测条干均匀度变异系数的相关系数为0.834,这表明所提方法能够较为准确地反映纱线条干的特性;在三维层面,纱线条干横截面面积变异系数与现有纱线外观三维测量方法的条干均匀度相关系数为0.965,进一步验证了所提方法在纱线条干三维模型仿真上的有效性,并探索了其在纱线外观三维测量上应用的可能性。

关键词： 计算机视觉技术   烟叶烘烤   智能化  

摘要： 计算机视觉技术是一个发展十分迅速的新技术,近年来,已经应用到了农业各个方面,包括路径识别技术、采摘收获技术、种子分选技术和农产品分级技术等,机器视觉技术的出现解决了人工方式存在的很多问题,可以对农机作业环境进行实时监测和分析,提高作业的效率和质量,降低劳动成本,具有广泛的发展潜力。但目前对于计算机视觉识别技术在农产品烘干中的应用研究甚少,以云南省烟叶烘烤为例,综述了计算机视觉技术在烟叶烘烤中的一些应用研究情况。

关键词： 信号装置   人工智能   图像处理  

摘要： 针对当前船闸信号装置缺乏倒计时显示和人工操作可能导致信号跳转不及时的问题,本文提出了一种提高船闸运行效率的信号装置系统。该系统采用红绿信号灯和倒计时器组成信号装置,通过监控摄像头和激光雷达等感知设备实时采集过闸船舶数据,并利用人工智能和图像处理技术进行处理和分析。系统能够根据闸室内船舶的进出情况,实现红绿信号的自动跳转和倒计时显示功能,从而提高船闸的运行效率,减少过闸时间损耗,提升船舶过闸的安全性和顺畅性。

关键词： 水果分拣   YOLOv5   流水线系统化   目标检测  

摘要： 为解决当下人工分拣水果成本高、耗时长等问题,本文设计一种能够自动、高效、准确地分拣水果的系统。该系统以树莓派5搭载YOLOv5作为视觉识别部分,流水线分拣部分以stm32f407开发板作为控制系统,接收并处理识别的数据来控制步进电机、数字舵机、编码电机进行分拣操作,不仅具有对水果种类、形态识别的功能,而且能高效地判别优劣质水果并进行分类。加上位置传感器后,分拣拨片对不同种类水果分拣准确率高达98.9%以上。由于系统实现方法相对简单,大大提高水果生产线的分拣效率和分拣后的水果质量,降低人力成本,促进水果产业的发展,有较好的市场应用前景。

关键词： YOLOv5   目标检测   病虫害识别  

摘要： 【目的】农田害虫种类多、信息复杂,传统人力监测手段难以满足现代农业需求,因此亟需更先进高效精准的监测技术与策略提高对农田病虫害的识别效率和准确性。【方法】提出了一种基于YOLOv5的农田病虫害图像检测识别系统,引入了Input、Backbone主干网络、数据增强技术、PIL图像处理库等,增强了网络提取图像特征的能力。同时,共收集了13 160张害虫的图像构建数据集,并按7∶3划分了训练集和测试集,通过多次测试计算精确率、召回率和F1值等性能指标,评估模型效果。【结果】在经过1 500世代的训练后,平均精确度约为0.83,平均验证精确度约为0.791,F1值约为0.877,充分证明了模型在复杂条件下的鲁棒性和高精度识别能力。【结论】运用深度学习的YOLOv5和数据挖掘技术进行农田病虫害图像识别研究,有助于实现自动化精准识别,为农业生产和生态保护提供支持保障。深度学习技术在农业智能化管理方面的应用潜力巨大,未来可以增加害虫的种类来扩充数据集,进一步提升识别精度,推动相关产业的健康发展。

关键词： 体质测试   辅助训练   姿态识别  

摘要： 文章针对高校学生体质测试训练的需求,以立定跳远和引体向上项目为研究重点,提出了一种基于计算机视觉的智能体测辅助训练方案。通过分析训练者不同动作的关键点,自动捕捉动作的轨迹与姿态变化,实现动作规范性的智能评估,从而帮助受训者全面了解动作表现并加以改进,提升训练质量和测试成绩。该方案为高校体质测试训练的智能化与标准化提供了技术支持和创新思路。