关键词： 水下目标检测   YOLOv7   特征融合   损失函数  

摘要： 传统的水下目标检测方法在复杂水下环境中面临诸多挑战，例如特征提取不准确、小目标检测效果差以及缺乏鲁棒性等问题。为了克服这些局限性，本文提出了一种适用于复杂水下环境的目标检测算法EEN-YOLO。首先，所提算法在YOLOv7网络的基础上引入了EVC模块，将底层特征与深层特征沿着通道维度相连接，扩大了感受野。其次，在检测头中增添Elan-Neck++结构，通过该结构中下采样模块提高了小目标检测精度。最后，采用NWD损失函数替换原算法中的CIoU损失函数，解决了原算法无法正确度量小目标边界框的问题。在公开数据集URPC上进行的实验结果表明，改进后的EEN-YOLO算法的mAP达到了88.3%。相比于YOLOv7、YOLOv8n、EfficientDet-d0、SSD，分别提高了3%、4.5%、7.8%和13.1%。

关键词： 遥感图像   YOLOv8   FasterNet骨干网络   EMA注意力机制   WIoU损失函数  

摘要： 针对遥感图像目标检测任务中进行特征提取时缺少小目标信息,特征融合过程中部分信息丢失,小目标特征信息不明显,会导致小目标检测精度不高的问题,提出了一种基于FEW-YOLOv8模型的遥感图像目标检测算法。首先,优化骨干网络架构,使用FasterNet骨干网络,更有效地提取了遥感图像中小目标的空间特征,使得网络模型更专注于微小目标,从而提升小目标检测精度。其次,使用EMA注意力与C2f构建全新的C2f＿EMA模块,替换Neck结构中的C2f模块,在融合特征前进行特征注意力加强操作,使网络模型更突出特征信息中小目标部分,有效解决特征融合过程中小目标特征丢失问题。最后,采用带有动态非单调FM的WIoUv3作为边界框的损失函数,提高了模型的边界框定位精度,并且提升了对小目标的检测性能。实验结果显示,在NWPUVHR-10数据集上经过优化的YOLOv8算法的mAP50相较于原始YOLOv8算法提高了7.71百分点,在HRSC2016和DOTAv1.0上分别提高了9.70百分点和12.32百分点,证明所提算法能够有效提升遥感图像中小目标的检测精度。

关键词： 树种识别   目标检测   特征提取   深度学习   YOLOv7  

摘要： 为解决目前大规模树种识别工作强度大、效率低且检测准确率欠佳的问题,本研究利用无人机采集的树冠影像,结合深度学习理论和网络剪枝技术,建立了高效的树种识别模型YOLOv7-Trees-T。以YOLOv7网络为基础,在特征提取网络中引入LSK(large selective kernel)注意力机制,在遥感场景中通过动态调整空间感受视野,模拟各种测距情景,提高检测精度;采用GSConv轻量级混合卷和一次性聚合VoVGSCSP模块重置特征融合网络,减少模型参数的同时实现特征多重利用;引入I-MPDIoU损失度量,解决在预测框与真实框具有相同宽高比,但宽度和高度值不同时导致损失函数无法收敛的问题,使模型更好地学习目标位置信息,提高模型回归效率;最后采用Network Slimming网络剪枝方法对模型进行剪枝微调,剔除对网络贡献率较低的通道,实现模型轻量化。研究结果表明,改进后的树种识别模型在数据集上平均精度达到96.39%,较原始YOLOv7模型提高了4.58%。通过使用网络剪枝方法,在保持检测精度的前提下,使浮点运算量和参数量分别下降了28.8%和63.4%,模型规模降低了63.6%。该算法模型能够利用无人机RGB图像快速准确识别树种,可为后续森林管理提供数据支持。

关键词： 唐卡图像目标检测   YOLOv8模型   级联融合网络   跨尺度连接   回归损失函数  

摘要： 唐卡中的元素绘制复杂且存在的多尺度情况会影响目标检测技术任务的准确度。为此,提出一种优化YOLOv8模型的唐卡元素目标检测方法。首先,采用级联融合网络提取图像特征,并将特征提取参数用于后续的特征融合,以有效增加参数利用效率;其次,借鉴双向特征金字塔网络的思想,在同一层的特征信息传递层中增加一条额外的路径实现跨尺度连接,以提升模型特征融合能力;最后,在检测头的回归损失函数中引入ElOU-Loss和ClOU-Loss,考虑边界框回归的多种因素,结合宽高和宽高比参数来提升模型目标定位效率和准确率。实验表明,优化后的YOLOv8模型相较于原有模型参数量、计算量分别下降7.21%、7.23%,mAP50、mAP50-95分别提升3.72%、4.55%;相较于其他目标检测算法优势明显;消融实验也验证了不同改进模块对模型的积极作用。

关键词： 人工智能   机器人技术   农业自动化   图像处理  

摘要： 在全球人口持续增长和劳动力成本上升的背景下,农业生产面临着提高产量和效率的双重压力。人工智能和机器人技术为解决这一问题提供了创新途径。基于此,设计了一款基于人工智能的农业采摘机器人自动化系统,通过整合先进的图像处理技术、智能决策支持系统以及高效的控制与数据处理策略,实现对农作物的精准识别、定位和采摘。系统框架包括感知层、决策层和执行层,利用深度学习模型和多传感器数据处理优化作业过程。仿真结果表明,该系统能有效提高采摘效率和减少作物损伤,展现出良好的实用性和广泛的应用前景。

关键词： 遥感影像   目标检测   YOLOv4   非对称卷积   位置注意力  

摘要： 基于YOLOv4提出一种改进的遥感影像地面目标检测模型。在骨干网络中,以非对称卷积核组及其等效卷积核代替常规卷积核进行特征提取运算,同时通过位置注意力模块进一步增强模型对正样本特征的学习强度。在特征增强网络中,增加了额外的输出特征图尺寸来增强模型对小尺寸目标的检出能力,最终在检测输出端通过softNMS算法优化模型的候选框输出机制。实验结果表明,所提出的改进算法相比原始模型有着更好的综合检测精度与鲁棒性,同时能够在测试环境下实现对遥感影像内不同类目标的实时检测,能够在城市规划、军事侦察、应急救灾等领域内具有一定的应用价值。

关键词： 图像处理   文本检测   可变卷积   自然场景  

摘要： 场景文本检测是近年来极具挑战性的任务,针对自然场景中密集文本检测受限、漏检的特点,提出了面向场景文本的检测方法。首先,采用可变形ROI池代替平均池化层改进DenseNet网络作为特征提取网络,实现对不同尺度的文本进行自适应局部定位,然后通过卷积注意模块对多层级图像特征加权,增强文本特征。此外,在特征融合时引入可变卷积代替普通卷积,增加调整卷积核的方向向量,从而使采样网格自由变形,促使卷积核的形态更贴近文本形状。最后,在输出层引入辅助的双向门控循环单元,聚集文本区域。该模型相较于已有的方法在ICDAR2013数据集上提高了近1.11%,在ICDAR2015数据集上提高了近1.17%,一定程度上提高了检测的精确率。

关键词： 肺结节   Transformer   ConvNeXt   注意力机制   计算机视觉   双骨干网络  

摘要： 为了提高对肺结节的准确分割,文中提出一种CSF-UNet的双骨干网络特征提取方法。使用两种不同侧重的骨干网络并行提取图像特征,通过利用ConvNeXt网络提取局部特征,并结合Swin Transformer网络提取全局特征来提升模型的特征提取能力。提出了一种自适应大核融合模块,有效地融合两种不同规格的特征,通过串联两个大核卷积获得更大的感受野和动态选择机制来突出重要的空间区域。在SPPF中融合了ECA通道注意力和密集链接,提出了ESPP模块以进一步挖掘双骨干网络提取的高级语义信息,使网络更加关注重要的特征通道。在LIDC数据集上的实验结果表明,提出的模型在3个指标上优于基本UNet模型以及最近几年其他研究团队提出的针对该数据集的分割网络。最终,CSF-UNet模型实现了78.1%的IoU、87.71%的DSC、87.19%的敏感度和88.23%的精确度。这些结果表明,该模型在肺结节分割方面表现出良好的性能,对医生进行早期肺结节诊断具有重要的临床意义和应用价值。

关键词： 多尺度注意力机制   YOLOv8s算法   特征提取   跨尺度特征融合   小目标检测  

摘要： 针对无人机航拍图像密集度大、目标尺寸小、背景复杂等难点,提出一种基于多尺度注意力机制的小目标检测(Small target detection of BPAN-EF_C2f YOLOv8s,SBE_YOLOv8s)算法,通过设计一种基于多尺度注意力机制的特征提取模块(EMA-Faster Block_C2f,EF_C2f),替换YOLOv8网络中的C2f模块,提高网络对小目标特征的提取能力;在特征融合网络中增加P1检测层,并设计一种跨尺度特征融合结构(Bi-Path Aggregation Network,BPAN),融合小目标特征信息;增加一个微小目标检测头,使用SIoU Loss作为边界框损失函数,提升小目标检测精度和网络收敛速度。在公开数据集VisDrone2019上进行实验验证。验证结果表明:与YOLOv8s算法相比,新算法在检测精度上提升了6.9%、mAP50提升了9.1%,模型参数量减少了44.6%,检测速度为28帧/s,新算法在小目标检测领域具有一定的实用性。

关键词： 深度学习   小目标   YOLOv5s   渐进型金字塔网络  

摘要： 针对传统YOLOv5算法在无人机小目标检测中计算量大且精度不足的问题,在YOLOv5s算法的基础上进行优化,提出一种基于YOLOv5s的无人机小目标检测改进算法YOLOv5s-DAEA。首先,在Conv模块中引入深度可分离卷积算法,降低网络的参数量提高计算效率;其次,采用了全新的渐进特征金字塔网络结构(AFPN),提高多尺度特征的提取能力和检测的准确性。同时通过在颈部网络添加EMA注意力模块,以提升模型对目标的关注度;最后,将传统损失函数更换为EIOU,进一步提高了检测精度和鲁棒性。实验结果表明,YOLOv5s-DEAE算法在VisDrone2019数据集上的mAP@0.5达到了37.7%,相较于原始的YOLOv5s算法,在检测精度上提高了5.4%,同时其参数量减少了18%,在保持检测速度的情况下明显提升检测精度,符合无人机航拍图像中的小目标检测需求。