关键词： YOLOv8   DCNv2   SPPFCSPC   上下文注意力机制   小目标检测头  

摘要： 在海洋复杂的环境中,由于图像拍摄模糊、背景复杂,导致基于深度学习的目标检测算法存在特征提取困难和目标漏检等问题,因此海洋目标检测算法需要更加高效且性能优越。为此提出了一种基于YOLOv8n改进的海洋动物目标检测算法:DPSC-YOLO。在主干网络中引入DCNv2模块,通过增强空间建模能力来适应对象的几何变化;在主干网络末端引入空间金字塔池化SPPFCSPC,在保持模型感知场不变的同时减少模型的计算量;在颈部网络增加F 2极小目标检测头,结合其余3个尺度,使用4个不同的感受野检测层提高小目标检测精度;在颈部网络的C2f模块中结合CoTAttention注意力机制更好地利用相邻键之间的上下文信息,并根据数据的特点动态调整注意力分配。实验结果表明,DPSC-YOLO目标检测算法与YOLOv8n相比mAP@0.5提升了1.1%,mAP@0.5:0.95提升了4.6%,同时仅有较少的参数量和计算量的增加,证明DPSC-YOLO更适合复杂海洋环境中的目标检测任务。

关键词： 机器视觉   烟支   外观缺陷检测   传统YOLOv5s   目标检测  

摘要： 针对烟支外观缺陷数据的特点,提出了一种改进YOLOv5s的烟支外观缺陷识别方法。首先,使用k-means++算法优化了YOLOv5s的锚框尺寸回归,增强了锚框与缺陷大小的适配性。其次,针对数据特点在损失函数中引入位置损失,提升缺陷的位置敏感性。最后,针对数据不平衡引起的问题,优化了推理策略,使其能支持独立置信度阈值,提高综合性能。经过以上优化,准确率达到86.49%,召回率达到81.81%,F1Score达到0.84,mAP@0.5达到0.73。与传统YOLOv5s相比,所提方法的准确率、召回率、F1 Score、mAP@0.5分别提高了1.83%、2.74%、0.02、0.02。推理时应用独立置信度阈值,在测试集上推理出整体准确率、召回率、F1Score分别达到89.7%、86.3%、0.88,与未应用独立置信度阈值相比,其提高了3.2%、4.5%、0.04。研究结果表明,所提出的改进方法不仅提升了烟支外观缺陷识别的准确性和稳定性,还为卷烟厂产品质量管控提供了一种高效可行的解决方案,具有重要的实际应用意义。

关键词： 人工智能   婴儿监护系统   计算机视觉   姿态识别   Home Assistant  

摘要： 随着人工智能技术的发展,婴儿监护系统在生活中的应用日益普及,本文设计了一种基于人工智能的婴幼儿行为监护系统,利用计算机视觉技术和深度学习算法,结合Raspberry Pi 4B、Camera V2等硬件设备,实现对婴幼儿行为的实时监测与智能分析。系统通过Google MediaPipe姿态识别算法提取婴幼儿关节特征并结合设置的安全范围,采用优化后的Moondream 2模型进行多模态数据推理,显著提升系统实时性和准确性。系统引入轻量化时间序列分析模块以增强行为变化的敏感度以及动态预警功能的集成,确保监护系统的高效、可靠。通过Home Assistant平台、MQTT协议及内网穿透技术,系统支持远程访问与实时通知功能。实验结果表明,系统在准确性及稳定性方面表现良好,可广泛应用于家庭监护和智能看护场景,为婴幼儿的安全管理提供了新型解决方案。

关键词： 深度神经网络   机器人视觉   目标检测   优化策略  

摘要： 在机器人视觉感知领域,深度神经网络已成功地运用于目标识别、跟踪、三维视觉等过程。然而在现有方案中,仍然存在计算能力受限、数据质量以及复杂环境等因素导致的诸多问题。文章对此类深度神经网络在机器人视觉感知过程中的应用展开了整体研究,并探讨对模型轻量化、数据优化、鲁棒性提升和多模态融合等优化策略,以提升机器人视觉感知时的实时性、稳定性及适应性。此外,文章通过立足于当前技术的更新,对未来智能化机器人视觉感知的优化提出可行性建议。

关键词： 目标检测   复杂环境   数据增强   自动驾驶  

摘要： 为提高光照变化、模糊、噪声和遮挡等复杂环境下视觉感知系统目标检测模型的性能,基于YOLO 11x模型,结合数据增强方法,分析了目标检测模型在不同复杂环境下的性能变化情况,结果显示,不同类型的环境干扰对模型性能的影响各有特点,其中高斯噪声和运动模糊的影响较为显著,亮度调整和随机遮挡的影响相对较小。

关键词： 图像处理   文本处理   知识处理   语音处理   人工智能  

摘要： 民航旅客运输具有时间分布高度集中、空间流向区域性聚集等特点,航空公司、机场在旅客出行高峰期的高负荷运行对客服人员提出了极大挑战。智能客服作为民航智慧出行服务中的典型场景,是缓解人工客服压力的重要手段,必将在大型航空公司和枢纽机场加速落地。智能客服是基于人工智能及大数据技术,通过大规模处理语音、文本、图像等单一模态或多模态信息与知识,形成的一种面向客户服务的AI应用,其短时间内服务大量旅客的特点十分契合民航业务需求。智能客服作为人工智能新质生产力发展的典型场景,已在政务、医院、银行、旅游等多个领域已取得较为成熟的应用。本文将阐述智能客服的技术演进和民航智能客服应用形态,并展望基于大模型的民航智能客服系统发展。

关键词： 目标检测   多特征融合   交并比   特征加强   复杂交通场景  

摘要： 近年来深度学习算法在计算机视觉领域取得了显著的进展，但是由于复杂交通图像中目标尺寸小、特征信息不明显、易受干扰等问题，目标检测精度依旧不高。针对这一问题，本文对最先进的检测模型YOLO11进行改进，设计多尺度特征融合模型ETF-YOLO11n (Effective Traffic Feature YOLO)。首先，本文设计了三重特征融合模块TFF (Triple Feature Fusion)，将主干网络提取到的不同尺寸特征信息进行有效融合；其次设计了基于混合空洞卷积的特征加强模块HDCFE (Hybrid Dilated Convolution Feature Enhancement)，并添加至模型的颈部网络中整合不同感受野提取到的特征，降低因为遮挡等情况对模型的干扰；最后用本文提出的GeoCIoU(Geometrically Improved Complete IoU)替代CIoU，通过两个不同的惩罚项，模型能更精准反馈检测框与真实框的匹配情况。本文所提出的ETF-YOLO11n在交通数据KITTI上AP达到65.6%，mAP@0.5达到90.7%，与基线模型YOLO11n相比分别提升了2.4%和1.2%，体现了良好的检测效果。此外，ETF-YOLO11n在COCO-Traffic数据集上达到了42.5%AP和59.8%mAP@0.5；本文方法迁移至YOLOv8模型，在KITTI数据集上达到66.9% AP和91.5% mAP@0.5。实验结果说明本文方法能显著提升模型检测能力，且对不同模型和数据集都有较好的泛化性，在精度与参数量上达到了很好的平衡。代码已开源：https://***/yin＿haonan＿handsome/etf-yolo11。

关键词： 水下视觉   目标跟踪   场景感知   图卷积网络   双视图图对比学习  

摘要： 水下视觉目标跟踪是自主水下航行器(AUV)场景理解的核心技术之一。然而,复杂水下环境中的光照不均、背景干扰和目标外观变化等问题,严重影响传统视觉目标跟踪方法的准确性和稳定性。现有方法主要依赖目标的表观建模,难以实现复杂环境下可靠跟踪,尤其是在相似目标干扰的情况下,容易导致误识别和目标漂移。文中提出了一种基于场景感知的水下单目标跟踪方法,通过基于区域分割的图卷积模块提取场景内所有目标区域,并结合图卷积网络建模目标区域与周围关键区域的长距离依赖关系,显著提升对相似目标的区分能力。此外,文中引入双视图图对比学习策略,通过生成随机扰动的目标特征视图,实现图卷积模块的无监督在线更新,使得模型能够在复杂环境下保持较强的适应性和稳定性。实验表明,所提方法在跟踪精度和鲁棒性方面显著优于经典方法,尤其在光照变化大、背景复杂和相似目标干扰较强的场景下,成功率和精确度均有明显提升。这表明文中研究有效解决了水下目标跟踪中因光照变化和背景干扰导致的目标漂移问题,能在相似目标存在时保持稳定跟踪,为水下无人系统提供了高效可靠的目标跟踪解决方案。

关键词： 火焰检测   B/S架构   计算机视觉   运动信息   监控系统  

摘要： 在化工厂这类高风险地区,火灾安全始终备受关注。尽管烟雾及火焰报警器已被广泛应用,但仍然存在只用于单点检测以及易受环境影响等问题。针对此类问题,设计并实现了一种基于B/S架构的化工厂区多路火焰智能视频监控系统,并以Web系统的形式呈现。首先,系统中集成了一种改进的YOLOv5火焰检测算法,该算法用Ghost卷积替换常规卷积以实现网络的轻量化;其次,添加改进的注意力机制模块和小目标检测锚框来增强小目标检测能力;最后,将由光流网络提取的火焰运动信息与原始火焰数据进行融合送入改进的YOLOv5火焰检测算法中,进一步提高对火焰的检测精度。大量的现场测试表明,该系统能够实时识别和定位厂区内火焰,检测帧率可达15ms/帧,检出率达到100%,具有较高的稳定性,可为化工行业提供一种高效、可靠的火灾监测解决方案。

关键词： 交通工程   安防   自动化码头   目标检测   轻量化   注意力机制  

摘要： 为提高算法在异常天气、背景干扰与数据噪声等因素影响下,对港区集装箱堆场作业人员与车辆的检测精度,以及降低模型参数,满足实时检测需求,提出1种基于改进YOLOv5的面向自动化码头集装箱堆场作业人员与车辆的实时检测算法C3Rep-YOLO。该算法在特征提取网络中使用基于MetaFormer通用体系结构的轻量级ViT代替原来的CSPDarknet53网络,可提高算法的检测速度。在颈部网络中采用改进的RepGFPN结构代替原始的PAN结构,以提升特征融合效果与模型表征能力。由于在码头场景的实际检测过程中会不可避免地混入数据噪声,嵌入CAFM模块,以提高算法的全局特征捕获能力与去噪能力。研究结果表明:改进后的算法将检测速度提高了37.5%,mAP提高了4.8百分点,达到74.8%,可实现识别速度与精度的平衡。研究结果可为港区自动化安防与智慧港口建设提供理论基础和技术参考。