关键词： 铁路隧道   目标检测   模型试验   超前支护小导管   可变形卷积   门控特征融合   模型轻量化  

摘要： 针对因隧道内部环境复杂和小导管形态变化导致的超前支护小导管难以自动识别的问题,本文提出一种联合可变形卷积与门控特征融合机制的超前支护小导管影像实时检测Transformer模型。该模型通过可变形卷积灵活地进行特征图采样,提升模型对于小导道形态变化的适应能力,建立多尺度门控特征融合机制,自适应筛选并融合各个尺度的特征,过滤冗余信息。此外,在主干特征提取网络中引入部分卷积(Partial Convolution,PConv),在保持识别精度的同时降低模型计算量,提升了检测速度。试验结果表明,本文模型在保持推理速度的情况下,平均精度和每张影像最多考虑10个检测结果时的平均召回率指标较基线模型分别提升1.3%和0.9%,证明了模型改进的有效性。

关键词： 遥感图像   目标检测   注意力机制   全局特征融合   锚框优化  

摘要： 针对遥感图像目标检测中复杂背景干扰、多尺度目标检测以及检测精度差的问题,提出一种基于改进YOLOv8的遥感图像目标检测算法CGF-YOLOv8。首先,将CPAM双重注意力模块嵌入特征提取网络之后,使模型提取的特征更充分,在处理复杂背景时更好地区分目标与非目标区域。其次,GFPN通过跨尺度特征融合的方式,将不同分辨率的特征信息有效地结合起来,使模型在处理多尺度目标时达到更高的检测准确性。最后,利用FIoU的锚框优化策略,通过赋予每个特征点不同的权重,在提升预测框与真实框匹配精度的同时,显著提高定位精度。在RSOD数据集上的测试结果表明,此方法的平均精度达到了98.6%,帧率FPS为每秒112帧。与原YOLOv8算法比,mAP提升了6.8%,帧率提升了12帧,达到了实时检测的效果。

关键词： 无人机   目标检测   SOEP模块   C2f-MDCNv2  

摘要： 随着无人机(UAV)技术的进步,深度学习在无人机航拍目标检测中的应用越来越普遍。然而,复杂背景中小目标检测仍是一个重大挑战。为了解决该问题,文章提出了一种基于SM-YOLOv8n的无人机航拍目标检测方法。首先,提出SOEP(Small Object Enhance Pyramid)模块,利用SPDConv处理P2层特征并结合OmniKernel模块的多分支设计;然后,利用SOEP模块实现了全局上下文和局部细节的均衡获取,通过解耦头输出高性能的检测结果;最后,在SPPF前引入C2f-MDCNv2,通过多路径注意力机制(MCA),有效地利用各路特征,进而充分提取和整合多尺度、多层次的信息。这种设计增强了模块在复杂场景和多尺度目标检测中的表现。在VisDrone2019数据集上进行实验,结果表明,相比原算法,所提方法mAP_(50)提高了3.6%,与其他方法相比也具有明显优势,可更好地应用于无人机航拍目标检测。

关键词： YOLO   目标检测   CGLU   CATM   水果成熟度检测  

摘要： 针对水果成熟度检测中存在的精度不足、复杂背景下识别难度大,传统方法在特征提取上表现出明显的局限性等问题,为此,提出了一种基于改进YOLOv11的水果成熟度检测算法(AGLU-YOLOv11),以满足水果成熟度检测中对数据高效、可靠采集的需求。AGLU-YOLOv11通过优化YOLOv11主干网络中的C3k2模块,融合CATM(Conv Additive Self-Attention)与CGLU(Convolutional Gated Linear Unit)设计了C3k2_AddBlock_CGLU模块,显著提升特征提取能力及多品种、多阶段成熟度果实的适应性。同时,在特征融合阶段引入AFCA注意力机制,强化全局特征表达及复杂背景的适应性,实现高效水果质量检测与标注。实验结果表明,AGLU-YOLOv11在Precision、Recall、mAP@0.5和mAP@0.5:0.95指标上相比其他检测模型,在精度、鲁棒性和多尺度目标适应性上表现更优,能够更好地满足识别水果成熟度的需求。

关键词： 改进YOLOv8s   焊缝缺陷   目标检测  

摘要： 针对YOLOv8s模型在焊缝缺陷检测中误检、漏检以及特征提取、特征融合能力不足的问题,文章提出了YOLOv8s改进算法。该算法通过将原网络模型中的部分C2f模块升级为C2f-Triplet模块,增强了特征提取和融合能力;引入CARAFE上采样算子,提升了大范围特征信息的聚合;并将CIoU损失函数改进为Powerful-IoU,加快了收敛并提高了回归精度。实验结果表明在Weld ***8数据集上,改进YOLOv8s算法较原算法精度提高1.6百分点,平均精度均值提高2.6百分点,可以更加准确地检测出焊缝缺陷的类别和位置。

关键词： YOLOv5   目标检测   超声测温   超声信号提取  

摘要： 针对测量超声波飞行时间时利用互相关算法在噪声形式复杂的情况下会出现波形选取不易导致时延计算错误的问题,提出一种基于YOLOv5的超声波特征信号检测方法,引入互相关算法完成对超声特征信号时延值的计算,完成传感器的标定。训练结果表明,精确率为0.993,mAP@0.5为0.990,mAP@0.5:0.95为0.796。

关键词： 目标检测   无人机航拍   YOLOv5   模型轻量化   动态卷积   解耦检测头   Focal⁃EIoU损失函数   特征提取  

摘要： 为了提升无人机航拍影像目标检测的准确率,并实现模型的轻量化,文中对YOLOv5目标检测模型进行了多方面的改进。首先,对YOLOv5的骨干网络进行了优化重组,采用更高效的动态卷积结构和多通道并行处理策略增强特征提取能力和检测精度,并显著减少模型参数量;其次,改进了损失函数,引入Focal⁃EIoU损失函数,更适合无人机航拍图像的特点,进一步提升了模型的检测精度;此外,将原本耦合的检测头进行了解耦处理,设计了轻量级解耦头,使分类、回归和置信度任务解耦处理,提高了检测精度和收敛速度,并合理控制了模型参数量。实验结果表明,改进后的DEP⁃YOLO模型在mAP@0.5指标上提升了9.6%,同时模型大小和参数量分别降低了77.93%和83.82%。综上所述,文中提出的综合改进策略显著提升了无人机航拍影像目标检测的精度,并实现了模型的轻量化,验证了其在航拍影像目标检测领域的有效性。

关键词： 计算机视觉   Dijkstra算法   路径规划   应急疏散  

摘要： 为提高人员室内疏散效率,实现疏散最优路径规划的高效化和智能化,该文开展了基于Dijkstra算法的室内疏散最优路径规划模型的研究。首先,基于计算机视觉技术和单目视觉方法,获取了建筑监控视频中的人群数量和人流速度信息。接着,基于IFC(industry foundation classes)标准提取建筑空间信息,构建了符合疏散需求的路径网络,并提出了设置预测边的摄像监控网络布局方法。然后,提出了计算剩余预测边的人流速度的方法,规定了导航路网中边权的计算方法。最后,利用Dijkstra算法得到各个节点到终点的用时最短的路径。利用自建行人数据库开展测试实验,实验结果表明,该模型可在每一个决策节点处动态显示当前最优路径方向。通过上述研究,验证了基于Dijkstra算法的室内疏散最优路径规划模型在提高疏散效率与安全性方面的可行性,为应对复杂室内疏散场景提供了理论基础和技术支持。

关键词： 计算机视觉技术   造纸   质量控制  

摘要： 随着科技的迅速发展,尤其是计算机视觉技术的不断进步,各行各业的生产和质量控制模式正在经历着深刻的变革。在造纸行业,传统的生产方式和质量检测手段已经难以满足现代大规模工业化生产对精度、效率和实时性方面的高要求。计算机视觉技术凭借其在图像处理、模式识别和数据分析等方面的优势,已被广泛应用于多个行业,尤其是在生产质量控制中表现出巨大的潜力。通过高精度的视觉识别系统,能够实时监测生产过程,自动识别出各种质量问题,为企业提供及时的数据支持,优化生产过程,减少人为干扰。因此,就计算机视觉技术在造纸产品质量控制中的应用展开讨论,具体分析了其在纸张表面缺陷检测、厚度与密度的自动检测、自动分类与缺陷识别等方面的应用情况,并探索了其在提升质量控制精度、降低生产成本、提高生产效率等方面的实际效益。

关键词： 坐标注意力机制   特征融合   YOLOv5网络   红外图像   无人机目标   目标检测  

摘要： 为解决无人机带来的安全隐患与隐私侵犯等问题,提出选择性坐标注意力下红外图像无人机目标检测方法。基于选择性坐标注意力机制,通过非对称卷积核在不同方向上捕捉不同尺度和形状的特征,将无人机特征的行列位置信息进行编码,动态地调整不同位置特征的权重,强化关键区域的特征表示。将多个红外图像输入YOLOv5网络中进行训练和处理后,在主干网络中经卷积操作后嵌入选择性坐标注意力机制,实现红外图像无人机目标特征精确提取。采用GIoU作为损失函数,优化预测框的位置和大小,实现红外图像无人机目标精准检测。实验结果表明:该方法对大小不同的无人机目标均能实现准确且快速的定位与检测,能够保持较高的检测精度。