关键词： YOLOv9   病害识别   深度学习   特征提取   目标检测  

摘要： 为解决黄瓜病害种类繁多且症状相似导致的识别困难问题,本文提出一种改进的YOLOv9黄瓜病害识别模型BiFEL-YOLOv9,以提高自然背景下黄瓜病害的检测精度.首先在关键网络层引入加权双向特征金字塔网络模块(bidirectional feature pyramid network, BiFPN),增强了模型对多尺度特征的融合能力;其次结合特征增强模块(feature enhancement)和大核选择性注意力机制(large selective kernel block, LSKBlock)对原始的RepNCSPELAN4模块进行改进得到RNFEL模块,增强了模型的特征表示能力及对复杂背景的鲁棒性.实验结果表明, BiFELYOLOv9模型准确率达到97.96%、召回率达到95.51%、平均精度均值mAP＿0.5和mAP＿0.5:0.95分别达到98.21%和95.12%,均优于原YOLOv9模型,有效实现了黄瓜病害的检测与识别.

关键词： 高光谱目标跟踪   聚类算法   光照感知   自适应融合  

摘要： 与传统的彩色视频相比，高光谱视频由于具有良好的光谱分辨率，在目标跟踪方面表现出优异的性能。然而，目前的研究还缺乏有效的应对跟踪中产生光照变化的策略。为了解决此类问题，本文提出了一种基于空间光谱聚类和光照感知融合的高光谱目标跟踪算法（Hyperspectral Object Tracking Based on Spatial-Spectral Clustering and Illumination-Aware Fusion， HSCIF）。首先，利用空间光谱聚类提取目标聚类的平均光谱曲线，再与高光谱图像进行光谱角距离计算实现降维，达到增强目标且抑制背景的效果。随后，通过多光照感知模块模拟光照的变化，增强跟踪器应对光照变化的能力。再将原始特征与多光照感知特征进行自适应融合，得到带有多光照条件下的混合特征信息。最终，将该特征送入预测头网络，得到目标的跟踪结果。实验结果表明，HSCIF具有较强的鲁棒性和准确的目标定位能力。面对光照变化挑战，在成功率上比最先进的高光谱跟踪器PHTrack高了5.1%。

关键词： 口腔全景X光片   口腔疾病   目标检测   双向注意力特征金字塔网络   多标签损失函数  

摘要： 目前，口腔疾病的患病率和发病率逐年增长，口腔疾病患病者术后缺乏定期检查意识导致病情复发，早期发现可以提前预防口腔疾病的发作或者降低治疗难度，术后定期检查可以降低病情复发概率。然而，口腔疾病病例特征复杂，仅靠口腔医师人工阅片存在个人主观误差，导致误诊漏诊。尽管各医学领域的自动诊断取得了进步，但由于相关数据集的缺乏，加上口腔异常的多样性和复杂性，口腔异常目标检测仍是一项巨大挑战。针对当前口腔相关数据集较少的问题，提出了一个新的口腔全景X光片数据集，其中包含1 600张具有标准诊断注释标签的口腔全景X光片。此外，还针对该数据集提出了一个深度学习目标检测框架以实现9类口腔疾病智能化、自动化诊断，ResNet提取口腔疾病特征，双向注意力特征金字塔融合网络从多层次特征图中自适应捕获丰富的上下文信息，从而提高了不同尺度的口腔异常疾病检测泛化能力，RPN网络进行口腔疾病区域生成，回归分类网络中通过一个多标签损失函数以降低标签竞争。该框架在所提出的数据集上可以准确地检测9类口腔疾病，各类疾病检测平均精度较基础模型都有不同程度的提升，mAP达82.5%。

关键词： 变电设备   多模态   特征交互引导   红外图像   可见光图像   图像融合   目标检测  

摘要： 针对变电设备在复杂场景下单模态目标检测出现漏检、误检及精度差的问题，本文提出了红外-可见光图像特征交互引导的目标检测方法。基于YOLOv8网络框架，首先，构建了一个可以同时输入红外和可见光图像的双分流主干网络；其次，针对红外图像目标细节模糊且存在远距离的小目标、目标点遮挡，可见光图像在低光照情况下目标与背景区分度不足，导致网络对目标特征捕捉能力差的问题，在双分流特征提取网络引入了通道先验卷积注意模块（Channel-prior Convolutional Attention Module,CPCAM），以提升对关键目标的特征提取能力；最后，为解决现有图像融合方法在融合过程中容易出现噪声淹没，提出了一种多模态特征交互引导模块（Multi-modal Cross-guided Feature Module,MCFM），将图像的亮度和对比度作为预测权重，以引导特征共享的方式进行双向模态特征自适应融合。实验表明：本文的图像融合检测方法对比YOLOv8单模态网络在可见光和红外图像检测上的m AP@0.5分别提高了19.98%、35.25%，对比主流图像融合方法的检测精度平均提高了11.08%，并且均无漏检、误检现象。

关键词： 工程施工物资   钢筋识别   小目标检测   YOLOv5  

摘要： 提高工程施工物料库存智能盘点的自动化程度对于提升工程施工效率和工程质量具有重要意义。旨在通过数字图像处理技术,提出一种基于改进YOLOv5算法的钢筋自动计数方法。改进YOLOv5的网络结构,加入小目标检测层得到更大的特征图,同时使用加权双向特征金字塔融合多尺度特征图,保留高层语义信息,相比原YOLOv5x模型参数量减少,模型的鲁棒性和推理速度有所提升,可以更好地识别边缘和被遮挡的端面小的钢筋。另外,针对钢筋数据集过少且大尺度样本和小尺度样本分布不均匀的问题,使用几何图像增强、添加噪声、调整亮度等数据增强方法进行数据集扩充。在试验中,将融合小目标检测层和加权双向特征金字塔的YOLOv5模型与原模型在符合实际工况的测试集上进行对比试验。试验结果显示,该模型在检测精度和推理速度上均有提高,平均精度均值达97.00%,相较YOLOv5x提升了1.30%,每秒帧数达59.79,较YOLOv5x提升了6.88。同时, F1-score达到96.00%,表明模型已满足实际工况要求,可以进行工程部署。本研究成果为工程钢筋计数管理提供了智能化的技术方法。

关键词： 无人机航拍场景目标检测   可变形注意力   尺度特征交互  

摘要： 无人机航拍场景由于目标尺度差异大、分布密集且部分目标特征不明显，导致通用的目标检测算法难以有效捕获到目标区域，检测精度低。为解决该问题，基于YOLOv8s提出一种改进的无人机航拍目标检测方法。通过引入可变形注意力机制，实现感受野自适应调整，提升模型对目标几何形状的感知；使用尺度特征交互模块进行特征增强，动态聚合特征局部与全局信息，增强模型的特征表达能力；进一步采用EIoU损失函数，联合优化目标位置与形状，降低漏检和误检率。实验结果表明，在公开数据集VisDrone2019上，该算法相较于YOLOv8s，精确率提升2.5%，召回率提升1.7%，平均精度mAP提升2.3%；对比其他主流模型也拥有更好的检测性能。同时通过可视化效果验证，该算法在密集场景、多尺度目标和夜间场景下检测能力均有提升。

关键词： 棉田昆虫   目标检测   RT-DETR   小波变换卷积   M2SA  

摘要： 针对当前棉田昆虫检测面临着准确率不足、漏检和误检频发的问题，提出一种基于改进RT-DETR的棉田昆虫检测算法。首先，使用WTConv替换残差块中的第二个传统卷积，在保持较少可训练参数的前提下，显著增加感受野，使模型能够更好地聚焦于小目标的检测;然后引入M2SA模块，采用双分支结构来提取全局特征和通道信息，从而提升模型对复杂场景的理解和对小目标的检测精度;最后在跨尺度特征融合阶段提出了小目标优化金字塔（Small Target Optimization Pyramid，STOP），通过高效学习全局与局部特征，提升小目标检测效果。实验结果表明，改进后的RT-DETR平均检测精度达到了95.4％，相较于原RT-DETR模型提升了8.9个百分点，同时改进后的模型参数量为12.1M，计算量为42GLOPS，相较于原模型分别降低了36％和26％。综上，在本项研究中，经过改进的RT-DETR模型显著提高了棉田昆虫检测的准确率，为精准管理和防治棉田害虫提供了一种高效的识别手段。

关键词： 废钢   分类   深度学习   目标检测   YOLOv5  

摘要： 废钢作为一种可循环利用的绿色资源，是钢铁工业重要低碳属性原料，对促进钢铁行业可持续发展发挥着关键作用。废钢的品级关系到生产成本及质量，其精准分类和评级对废钢回收至关重要。现有废钢分类的研究普遍存在小目标废钢检测效果不佳及背景干扰等问题，影响废钢分类的精准度。为此，提出一种基于YOLOv5改进的密集小目标废钢识别算法YOLO-SNBP。首先，通过增加小目标检测层以提升模型在验收场景下密集小目标废钢的识别效果；其次，引入BiFormer注意力机制来加强模型在复杂背景中对小目标特征的提取能力；最后，采用Soft-NMS（Soft Non-Maximum Suppression）算法替代传统NMS（Non-Maximum Suppression）以减少因重叠导致废钢漏检问题。在自建废钢数据集上对YOLO-SNBP模型进行训练和验证，并不同检测算法进行对比分析。试验结果表明，相比基础模型，YOLO-SNBP模型P（Precision）、R（Recall）和PmA（mean Average Precision）值分别提高2.8%、7.2%和7.4%，与前人算法相比PmA值分别提升29.0%、18.2%和18.8%，在废钢料型精准识别中展现出显著优势，为验收时的高效评级提供了有效支撑。

关键词： YOLOv8   遥感影像   目标检测   变电站   注意力机制  

摘要： 针对现有研究多集中于变电站局部结构检测而缺乏大区域快速发现与动态监测的问题,通过高分辨率卫星影像实现变电站的高效识别,提升电网安全隐患排查能力。首先构建了基于高分辨率光学卫星影像的变电站目标检测样本库;随后提出改进的YOLOv8算法,在骨干网络中嵌入SimAM轻量级注意力模块以增强细部特征聚焦能力,并将颈部结构替换为Efficient-RepGFPN,结合DySample动态上采样模块设计新型颈部结构GDFPN,以解决多层级特征语义错位问题。实验表明,改进方法优于主流检测算法,mAP75和mAP50-95分别提升至96.8%和87.1%,验证了其在变电站检测任务中的优越性。所提出的改进YOLOv8方法可有效支持大区域变电站的快速发现与动态监测,为电网安全管理提供了可靠的技术支撑。

关键词： 铁磁性金属套管   无损检测   脉冲涡流检测   缺陷检测   缺陷图像降噪   缺陷图像增强  

摘要： 油气开采中，铁磁性金属套管是保障油气通道安全的关键设施。但在高温高压环境下，深埋地层中的套管因冲刷和腐蚀易发生变形、扭曲甚至破损，从而导致重大经济损失和人员伤亡。因此，定期检测和维护在役油气井套管至关重要。脉冲涡流检测技术因高效、非接触及信息丰富，被广泛用于套管缺陷检测。然而，检测过程中存在大量噪声，进而影响缺陷检测图像的质量。为解决该问题，对前期套管缺陷检测图像进行了图像处理方法研究，提出基于二维经验模态分解（BEMD）的改进小波阈值降噪（IWTD）结合限制对比度自适应直方图均衡化（CLAHE）的图像处理算法（BIC）。该算法首先利用基于BEMD-IWTD对缺陷检测图像去噪，再通过CLAHE增强图像。为验证方法有效性，在含环状和局部缺陷的套管上开展缺陷检测实验，并进行图像处理。经BIC算法处理后，不同深度的环状缺陷可以有效区分，特别是由于噪声影响的1mm和2 mm深度的缺陷；局部缺陷图像中，原本因噪声干扰难以识别的小尺寸缺陷得以有效识别，缺陷对比度Cd显著提升。实验结果表明，提出的BIC算法能有效抑制缺陷检测图像噪声，增强缺陷与背景对比度，提升缺陷的识别率和检测效果，为后续检测提供可靠的图像处理支持。