关键词： YOLO V8   April-Tags   目标检测  

摘要： 针对传统物流仓储领域普遍存在的人工巡检效率低下、计数误差率高和安全隐患突出等问题,本研究设计并实现了一套基于CanMV K210人工智能开发板的智能物流仓储解决方案。该系统集成YOLO V8目标检测算法与April-Tags二维码识别技术,构建了包含数据采集标注、AI视觉检测和数据管理可视化在内的技术架构。通过灰度轨迹巡检、多目标精准识别、货物快速定位等核心功能模块,实现了仓储场景的智能化改造。实验结果表明,系统在多样化仓储环境中表现出较好的任务处理能力,为电商仓储、智能制造等典型场景提供了低成本、高效率的智能升级路径,有效推动了传统物流企业的数字化转型进程。

关键词： 主成分分析   张量   图像去噪   图像处理   机器学习   计算机应用   信号处理   奇异值分解  

摘要： 为了解决张量鲁棒主成分分析(tensor robust principal component analysis,TRPCA)还原低秩结构时同等收缩奇异值造成的信息提取偏差问题,本文考虑区别对待奇异值,使用非凸加权张量Schatten-p范数(0

关键词： 时空图卷积   人体姿态估计   跌倒检测   计算机视觉  

摘要： 针对ST-GCN算法在动作识别中需要预先定义人体骨架拓扑图及准确率有待提高等问题,提出了基于OpenPose与改进ST-GCN结合的跌倒检测算法.利用OpenPose算法提取人体骨骼关键点数据,将骨骼关键点数据输入改进的ST-GCN算法中进行动作识别.对ST-GCN算法进行改进,引入自适应图卷积模块,通过动态调整图结构,增强模型对不同动作类型特征提取的灵活性;引入注意力机制模块,进一步提升模型的识别性能.在公开数据集上验证的结果显示,NTU-RGB+D 60数据集上,X-Sub和X-View的top-1准确率与改进前相比分别提高2.2%和2.5%;Kinetics-Skeleton数据集上,top-1和top-5准确率分别提高3.1%和4%.自建数据集上的准确率与改进前相比提高4.7%.实验结果表明,所提出的算法满足实际应用需求.

关键词： 碍航流态   目标检测   YOLOv5s   CA   BiFPN  

摘要： 针对石牌弯道航段表面碍航流态在线监测难题,进行图像目标检测应用研究。现有目标检测算法在流态识别领域应用较少,因此在目标航段采集流态特征数据,并自制表面碍航流态数据集SOFSD。为保障检测速度与精度,基于YOLOv5s框架,结合CA(坐标注意力机制)和BiFPN(双向特征金字塔网络)构建YOLOv5s-CA-BiFPN模型,并基于该模型提出一种新型航道表面碍航流态智能识别方法。试验结果表明:相较于YOLOv5s, YOLOv5s-CA-BiFPN模型在精准率和召回率上分别提升2.3%和0.8%,mAP@0.5提升1.3%和mAP@0.5:0.95降低2.2%,在检测效果和泛化性能上均优于YOLOv5s,有效减少漏检与误检,提升小目标检测能力。基于该方法构建航道表面碍航流态智能识别系统,可为智慧航道建设提供参考。

关键词： 松科球果   目标检测   目标定位   YOLOv5s算法   双目深度相机  

摘要： 传统松科球果采摘面临效率低、风险高和成本不可控等挑战,针对自动化松科球果采摘对果实的实时识别与定位问题,提出改进的YOLOv5s-7.0(You Only Look Once)目标检测模型,基于此模型,构建基于双目深度相机的松科球果检测与定位网络。为提高目标检测精度及效率,对YOLOv5s模型进行改进,将部分卷积PConv嵌入到模型的颈部网络neck多分枝堆叠结构中,面对松科球果的复杂场景增强对稀疏特征的处理能力,提升鲁棒性,减轻特征信息的冗余。在骨干网络backbone的深层及backbone与neck的连接处嵌入简单注意力机制SimAM,在不引入过多参数的基础上优化模型复杂背景下特征提取能力和信息传递的有效性。为满足高效率检测定位,基于双目深度相机测距原理和改进的YOLOv5s模型搭建目标检测及实时定位代码,通过深度匹配,构建松科球果检测与定位系统。根据构建的大兴安岭樟子松球果与小兴安岭红松球果数据集,改进后YOLOv5s模型目标检测精确率达96.8%,召回率和平均精度分别达94%、96.3%,松科球果检测与定位系统在x轴、y轴、z轴的平均绝对误差分别为0.644、0.620、0.740 cm,顺、侧、逆光照下定位试验成功率93.3%,暗光下定位成功率83.3%,视场角等其他性能符合松科球果采摘需求。研究提出的松科球果检测与定位系统为机械化采摘的实时目标检测与定位问题提供可靠的解决方案。

关键词： 显著性目标检测   特征细粒度   多尺度特征   跨模态融合  

摘要： RGB-Depth(RGB-D)显著性目标检测是一项有意义且具有挑战性的任务,受到学术界的高度关注。然而,现有方法难以妥善处理骨干网络所提取的特征信息以及如何有效融合跨模态特征,不能有效应对背景信息混乱,深度图质量低和目标轮廓复杂的情况。为解决这些挑战,提出了一种基于特征细粒度增强和跨模态融合的RGBD显著性目标检测模型。首先,采用经过ImageNet数据集预训练的Res2Net50网络为特征提取器,分别对RGB图像和深度图进行特征提取,并通过设计的特征细粒度增强模块增强提取到的多尺度特征,该模块可以自然嵌入到不同级别的编码器中,提升不同层次特征的细粒度表达。接着,通过跨模态双注意力特征融合模块学习两种模态之间的互补信息,利用通道和空间双注意力机制自适应地整合跨模态信息,以获得丰富的显著特征信息,更精准地定位显著物的位置。然后,在解码器部分设计了一个多尺度特征聚合模块,将学习到的多尺度特定模态特征用来增强共享特征,以实现显著特征图的精确生成。通过在5个公开基准数据集上与10种主流方法相比较,所提模型在多个指标上均有较明显的提升,有效提升了检测性能,证明了所提模型的有效性。

关键词： 目标检测   车辆检测   YOLOv7   EfficientViT   Shape-IoU  

摘要： 为了提高道路交通监控中车辆识别准确率和速度不高的问题,提出了一种基于YOLOv7-coupling的车辆检测算法.在网络模型方面,将EfficientViT与YOLOv7结合,引入多尺度线性注意模块,用于高效的高分辨率密集预测.在保持良好硬件性能的同时,实现了全局接受域和多尺度学习.同时引入Shape-IoU损失函数,该方法通过关注边界框自身的形状和尺寸来计算损失,从而使边界框回归更准确.结果表明,改进后的YOLOv7-Coupling在UA-DETRAC车辆检测数据集上平均检测精度为98.2%,比原YOLOv7模型提升了1.1个百分点,模型参数量缩减了33.21%,浮点计算量降低了61.3%.

关键词： YOLOv8s   轻量化   图像处理   桥梁裂缝   深度学习   目标检测  

摘要： 针对桥梁裂缝检测中精确度不足和处理复杂背景能力有限的问题,设计了一种基于YOLOv8s网络的改进模型。该模型通过在YOLOv8s网络的不同位置添加新模块,以提升网络的性能。首先,采用C2f_GhostNet模块替换主干网络的第2、4、6层的C2f模块,以优化特征融合并保持轻量化;其次,引入BoT3模块以增强模型对长距离依赖关系的捕捉能力;最后,采用VoVGSCSP模块替换颈部网络C2f模块来强化颈部网络中的特征融合,从而提升模型对细微裂缝的识别精度。实验结果表明,改进后的YOLOv8s模型在精确率、召回率及mAP50等关键性能指标上分别达到了83.3%、79.2%和83.6%,显著优于原始YOLOv8s模型的表现,可以满足实际检测要求。

关键词： 状态空间模型   YOLO   Mamba   目标检测   输电线路隐患  

摘要： 输电线路巡检是保证电力稳定运输的重要手段,现有的隐患检测方法难以做到在保障模型实时性的同时有效建模全局信息。本文在YOLOv8的基础上引入状态空间模型,通过分块操作与低秩近似实现了空间长距离隐患的检测,以较低的复杂度提取全局信息。在状态空间模型中,使用交叉扫描和动态多路径激活机制来解决状态空间模型对图像数据的方向不敏感和非因果特性,捕获隐患目标结构和模式信息,并利用空间上下文信息识别出局部特征;在目标分类和定位阶段,设计了基于空间对齐的分离式检测头,通过不同的表征方式对齐空间错位,增强分类和定位的精确性。最后,通过实验证明了新模型在平均精度和帧率方面优于主流的单阶段和双阶段目标检测模型,精度提升了2.8%。

关键词： 电力巡检   特征融合   目标检测   特征聚焦扩散网络   YOLOv8  

摘要： 针对无人机电力巡检航拍图像通常背景复杂、待检目标尺寸较小,使用通用的特征提取网络往往导致漏检、误检率较高,提出了一种用于特征融合的特征聚焦扩散网络(FFDN),利用FFDN对YOLOv8算法进行改进,设计了基于YOLOv8的电力巡检目标检测算法YOLOv8-SFD。在主干网络采用空间到深度非跨步卷积(SPDConv)保留更多小尺度特征,减少跨步卷积造成的特征损失,避免小目标以及遮挡目标特征提取过程中的特征丢失;在特征融合阶段使用FFDN代替传统的特征金字塔网络,利用特征聚焦模块融合多尺度特征并扩大感受野,将特征聚焦模块输出的多尺度特征图扩散传递至不同尺度,提升小目标的检测精度;将原始YOLOv8的头部替换为融合了尺度、空间和任务3种注意力机制的动态检测头(DyHead),进一步提高模型检测性能。实验结果表明,YOLOv8-SFD准确率达到76.7%,召回率达到43.0%,平均精确率均值达到48.2%,分别比YOLOv8n提高了7.6%,2.0%和3.8%。YOLOv8-SFD有效提升了小目标和遮挡目标的检测精度,且检测速度达到119帧/秒,满足实时检测的需要。