关键词： 深度学习   地面旋转目标检测   智能感知   Anchor-Free   空洞卷积   EA注意力机制  

摘要： 地面红外目标检测是高空侦察、智能感知和对地打击等领域的重要研究内容,针对所获取的地面红外目标常以不规则角度的形式出现,导致检测准确率低,容易发生误检、漏检等问题。以Anchor-Free目标检测模型为基础,构建了基于空洞卷积为特征提取方式的主干网络,增强了模型对地面旋转目标的感知范围与特征提取能力;在基于空洞卷积进行特征提取后,通过External attention(EA注意力机制)增加对所提取特征注意维度的关注,实现了对目标更高分辨率特征的提取,最终提出了基于无锚框(Anchor-Free)的地面旋转目标检测方法。构建的地面旋转目标检测模型在HIT-UAV数据集上达到了90.6%的检测精度,优化了基于Anchor-Free的目标检测模型针对地面旋转目标的检测性能。

关键词： 计算机视觉技术   智能化农机   农机导航   路径规划  

摘要： 为了提升智能化农业机械在农业生产中的应用效果,实现农机自主导航,研究了基于计算机视觉技术开发的智能化农机自主导航系统。在论述系统硬件构成的基础上,分析了计算机视觉技术下农机路径规划与算法要点。为验证计算机视觉技术在智能化农业机械中的应用价值,以小麦全程机械化生产为例,采用对照试验法评估了智能化农机自主导航系统的应用效果。研究结果表明,实验田小麦播种质量、作业成本及效率显著优于对照田,说明计算机视觉技术的应用对提高小麦全程机械化生产水平具有促进作用。

关键词： 目标检测   道路损伤   YOLOv10   可逆列网络  

摘要： 道路损伤是路面常见的病害之一,及时且有效的检测对于路面的维护与管理至关重要。YOLOv10算法作为一种新提出的YOLO系列算法,其具有的无NMS训练机制、双重分配策略以及轻量化模型设计等特点使得YOLOv10在保持高准确性的同时,实现了更快的推理速度和更高的效率,因此YOLOv10算法特别适用于实时的道路损伤检测任务。在实际应用中,由于移动检测终端的硬件资源有限,对于大参数量模型和大的运算量难以承受,因为本文对YOLOv10算法进行改进,在基本保持较高检测精度的条件下,降低算法的参数量和计算量,以便于其在移动终端的部署。本文采用可逆列网络结构的思想对YOLOv10的主干网络进行重构,重构后的网络使得骨干网络具有了横向的特征信息融合能力,重构后的网络虽然增加了复杂度,但是却大大增强了特征信息融合能力,为了平衡精度和复杂度,本文对YOLOv10骨干网络纵向结构的参数量进行了降维处理,实验结果表明,本文所提的改进YOLOv10算法在检测精度上虽然有略微的下降,但是却能够大幅度地降低算法的参数量和计算量,使得其在移动终端道路损伤检测的应用上更有竞争力。Road damage is one of the common diseases of road surface. Timely and effective detection is crucial for the maintenance and management of road surface. As a newly proposed YOLO series algorithm, YOLOv10 algorithm has no NMS training mechanism, dual allocation strategy and lightweight model design, so that YOLOv10 maintains high accuracy while achieving faster reasoning speed and higher efficiency. Therefore, YOLOv10 algorithm is especially suitable for real-time road damage detection tasks. In practical application, due to the limited hardware resources of the mobile detection terminal, it is difficult to bear the large number of parameters and the large amount of operation. Because this paper improves the YOLOv10 algorithm and reduces the number of parameters and calculation amount of the algorithm under the condition of basically maintaining high detection accuracy, so as to facilitate its deployment in the mobile terminal. In this paper, we use the idea of reversible column network structure to reconstruct the backbone network of YOLOv10. The reconstructed network makes the backbone network with horizontal feature information fusion ability. Although the reconstructed network has increased the complexity, it greatly enhances the ability of feature information fusion to balance the precision and the complexity. In this paper, the number of parameters in the longitudinal structure of the YOLOv10 backbone network is reduced in dimension. The results of the experiments showed that although the pr

关键词： 遥感图像   小目标检测层   Shape-IoU   注意力机制  

摘要： 针对遥感图像目标检测任务中存在特征信息不足和分布密集的问题,提出一种基于特征交互注意力的遥感图像目标检测算法。首先,对于遥感图像中目标分布密集的问题,在网络的Backbone部分采用C2f-DAT模块和AIFI模块来处理图像的多尺度特征,使网络更好地检测目标;其次,为了解决遥感图像中小目标特征信息不足的问题,在Neck部分使用SlimDy结构来优化网络的卷积和上采样模块,来突出小目标的特征信息,同时在网络结构中添加小目标检测层以增强网络对小目标的感知能力;最后,使用Shape-IoU损失函数来替换原损失函数,进一步提高网络检测预测框的准确性。通过在Dotav1和SIMD数据集上实验验证,改进方法的mAP@0.5达到了76.3%和82.3%,模型整体效果优于目前对比主流算法。

关键词： 螺栓连接   旋转角度   图像处理   视觉检测  

摘要： 螺栓松动检测对于机械设备或机械结构的正常安全工作十分重要,现有的螺栓松动视觉检测方法存在效率低实用性差等缺点,且对于螺栓分布复杂的机械系统的检测存在一定的局限性。基于此,提出了一种多方位螺栓松动量视觉检测方法。对于螺栓正面可见方位,首先对相机进行参数标定,接着对相机采集的图像进行滤波降噪等预处理操作后转换到HSV色彩空间,调节特定通道的阈值来获取ROI区域,最后通过最小二乘法将矩形ROI区域拟合成直线,将直线斜率转换为螺栓松动角度,可实现0°~180°范围松动角检测,最大绝对误差为0.98°。对于螺栓侧面可见方位,对图像进行处理后获取ROI区域,接着通过旋转卡壳法获取ROI区域的最小外接矩形,然后检测最小外接矩形的宽度,将像素宽度值转换成标记带的实际宽度值后代入螺栓标记带长度与螺栓旋转角度的转换模型中,从而得出实际螺栓旋转角度,可实现0°~300°范围松动角检测,最大绝对误差为3.59°,最小测量绝对误差为0.2°,平均误差为1.77°。可以实现机械系统工作过程中螺栓角度的非接触式检测,提高了检测效率,具有较强的工程适用性。

关键词： GIS   地质矿产勘查   图像处理   遥感异常   成矿模型   数据集成  

摘要： GIS技术具备多源信息空间数据库,能储存大量地质特征信息,在地质矿产勘查中具有广泛的应用前景。文章基于GIS技术特征、应用原理分析,重点论述了GIS技术在地质矿产勘查中的具体应用。研究表明,GIS技术在提高地质勘查效率、精确度以及决策支持方面具有优势,为地质矿产勘查提供了科学依据。

关键词： 日光温室   场景识别   特征聚合   视觉Transformer   图像处理  

摘要： 场景识别可作为温室环境空间定位的替代方案,也是智能农机装备视觉系统的重要功能之一。针对以特征聚类为基础的场景识别范式无法适应高动态变化且高度相似的温室场景识别的问题,提出一种基于深度特征聚合的温室场景识别方法,以预训练的视觉Transformer网络为基础,提取场景图像局部特征,应用多层感知机全局感受野特性,考虑局部特征空间关系,融合图像局部特征,生成场景图像全局描述子,以多重相似性损失最小化为优化目标,构建温室场景识别模型。试验结果表明,模型场景识别R@1(top-1召回率)、R@5和R@10分别达到78.43%、89.21%和92.47%,具有较高的场景识别精度。所提出的基于多层感知机的特征混合方法是有效的,与采用池化操作进行特征聚合相比,R@1提高8.01个百分点。模型对光照条件变化具有一定的鲁棒性,与正常的中等光照条件相比,强光及弱光条件下,R@1下降未超过4.00个百分点。相机视角及采样距离的变化也会影响模型识别性能,20°以内的视角变化,R@1下降6.61个百分点,2倍以内的距离变化,R@1下降17.87个百分点。与现有场景识别基准方法NetVLAD、GeM、Patch-NetVLAD、MultiRes-NetVLAD和MixVPR相比,R@1分别提高7.82、6.59、3.56、4.14、1.88个百分点,在温室场景识别任务上模型性能有较大提升。该研究构建的基于多层感知机的图像全局特征聚合方法,能够生成可靠的全局描述子,用于温室场景识别,且具有一定的光照、视角、距离及时间变化的鲁棒性,研究结果可为智能农机视觉系统设计提供技术参考。

关键词： 机器视觉   车载红外目标检测算法   YOLOv8   辅助驾驶   图像识别   C2F-DA   Focal-SioU  

摘要： 针对车载红外图像检测中的目标相互遮挡和小尺度目标漏检问题,提出一种基于YOLOv8的车载红外目标检测改进算法(VITD-YOLO)。首先,在Neck网络中增加大尺寸特征网络预测层(S-layer),增强网络对于小目标的检测精度;其次,在Backbone网络中设计C2F-DA模块,利用offset轻量化结构增强模型对目标的局部特征感知能力,并结合3种不同尺度自注意力设计了动态卷积头检测模组(Dy-head),提高被遮挡和密集目标的定位和分类精度;最后,采用Focal-SIoU作为网络的损失函数,解决训练样本中行人车辆目标类别不均衡问题,并提高网络训练和推理能力。将该算法在FLIR红外数据集上测试,实验结果表明:VITD-YOLO具有良好的检测效果和鲁棒性,对小尺度目标检测精度更高;该算法的平均精度达到91.2%,比原算法提高了2.5%,召回率达到83.4%,比原算法提高3.2%。

关键词： 目标检测   深度学习   深度卷积神经网络   特征提取   计算机视觉   树干检测   复杂场景  

摘要： 【目的】因为在复杂环境下树干目标尺寸差距大且易受遮挡,所以树干检测容易出现漏检、错检等问题。为有效解决这个问题,提出一种基于单阶段目标检测框架的树干检测算法SSFYOLO。【方法】首先,设计了空间感知网络模块SAM。SAM模块能够高效处理多尺度和多分辨率的特征信息,在保证计算效能的同时,实现对各类特征的充分整合与精确提取,提高目标检测的准确性和效率。其次,设计多尺度特征增强自适应网FastScaleNet,用于替代YOLO模型中的C2f结构。FastScaleNet通过更为精细的多尺度特征融合与优化,并且利用跳跃连接和特征融合策略,有效保留不同层次的特征信息,增强模型对不同尺度目标的表达能力,提升模型的稳健性和广泛适用性。最后,引入加权IoU(WIoU)机制,实现对小目标损失权重的动态优化。WIoU机制根据目标尺寸的不同,动态调整损失权重,使模型在面对小尺寸目标时,能够灵活调整参数,从而灵活适应不同尺寸目标的检测需求,进一步提高小目标检测的准确性和鲁棒性。【结果】对复杂场景下树干数据集进行检测实验,与主流检测算法YOLOv8相比,SSFYOLO算法在缩小参数量的同时,具有更好的检测精度,其参数量减少了20%,平均精度均值(mAP)和召回率分别提升了1.6和0.7个百分点。【结论】本研究设计了面向复杂森林场景的树干检测算法SSFYOLO。SSFYOLO算法在复杂环境树干检测中表现出色,具有广阔的应用前景。

关键词： 焊缝缺陷   图像处理   边缘检测   Hough变换   OTSU算法  

摘要： 焊缝缺陷检测是工业环节中极其重要的一环,焊接的质量直接影响工程的质量,因此焊缝缺陷的检测变得尤为重要。针对传统人工检测存在的效率低、误判率高、细微缺陷检测准确率低、工作强度大等不足,提出了一种基于连通域分析的钢管焊缝缺陷检测方法。首先,利用X射线成像系统得到焊缝原始图像;然后,经过Canny边缘检测、Hough变换和条件筛选提取出完整的焊缝区域;之后,通过OTSU算法、梯度法和连通域分析,填充了缺陷内部以获取完整的焊缝缺陷;最后,计算缺陷位置的平均灰度并根据筛选条件选择出真正的焊缝缺陷,自动检测并标记了焊缝原始图像中的缺陷,有效降低了焊缝缺陷检测的漏检率和误报率。实验测试了1 000幅左右的焊缝原始图像,验证了所提算法的正确性和有效性。所提算法识别率可达95.3%,漏检率为2.1%,误报率为2.6%。对比其他算法,所提算法对缺陷类型不敏感,检测速度快且识别率高,具有较强的适应性和通用性。