关键词： 目标检测   YOLOv8   轻量化   李子   LDetect  

摘要： 为了解决果园李子受枝叶和果实遮蔽、环境变化等因素影响,难以准确检测的问题,该研究提出了一种基于改进YOLOv8s的轻量级果园李子检测模型。首先,采用自设计主干网络Faster-EMA缩减模型复杂度、提高检测精度。其次,引入焦点调制网络(focal modulation)替换原模型中的SPPF模块增强特征融合能力,丰富特征提取的语义信息;最后,引入参数共享策略并实现轻量级检测头LDetect,满足了低功耗嵌入式设备部署需求。试验结果表明,优化后模型的平均检测精度达到97.2%,与原模型相比,检测精度提高了7.4个百分点;模型计算量降低了44.8%;模型参数数量减小了25.8%;部署在边缘计算设备Jetson Nano 4GB上,检测帧率达到了48.3帧/s。该研究所提出的方法能有效的解决复杂背景下果园李子的智能化检测,有助于促进李子智能化采摘技术的发展。

关键词： 光学遥感图像   风车   目标检测   BiFPN   特征融合  

摘要： 遥感图像风车的目标检测有广泛的应用前景,与自然场景图像相比,卫星遥感图像风车存在尺度差异大、目标较小、背景复杂等特点。针对卫星图像检测中存在的干扰误检较多、复杂背景下准确率较低以及检测置信度较低的问题,提出一种基于yolov5的加权双向特征金字塔网络(BiFPN),引入可学习权值来学习不同输入特征,实现了自上而下与自下而上的深浅层特征双向融合,增强不同网络层之间特征信息的传递,在一定程度上提高了多尺度以及受地表覆盖影响下的风车目标识别率,并在同种情况下提高了目标检测的置信度,最终在遥感风车数据集上获得了93.6%的mAP,以及95.3%的精准率和93.0%的召回率。相比于原yolov5网络结构,mAP提升了1.6%,证明了网络改进对复杂背景下遥感图像目标检测的有效性。

关键词： 行人检测   方向梯度直方图   颜色通道缩减   计算效率   特征提取   目标检测  

摘要： 行人检测在智能监控和自动驾驶等领域需要兼顾精度和实时性。然而,现有技术在处理复杂场景时仍面临计算效率低的问题。该研究采用基于方向梯度直方图(HOG)的行人检测方法,并通过颜色通道缩减技术,在保留图像关键信息的同时减少计算量。通过一系列实验验证了预处理策略在减轻计算负担和提升检测精度方面的有效性。研究结果表明,该方法在保持检测精度的同时,检测速度提升了8%,为行人检测技术的发展提供了新的视角和优化方向。

关键词： 海底检测   YOLO   GELAN   DSConv   深度学习  

摘要： 海底成像质量差、分辨率低导致目标边缘模糊、识别困难,小目标的聚集又增加了漏检和误检的风险。针对这些问题,考虑到YOLOv7-tiny算法兼顾高精确度和小体积的特点,在其基础上设计了YOLO-sea网络检测算法。针对低分辨率场景小目标的特征学习不足、细粒度信息易丢失的问题,基于SPDConv(space-to-depth convolution)改进主干网络,提高低分辨率场景下密集小目标特征的提取能力。针对海底成像模糊、目标边缘识别困难的问题,设计了参数共享对比度增强注意力机制(parameter shared contrast enhanced attention,PSCEA)来优化局部细节和边缘信息的表示。基于YOLOv9的GELAN架构和DSConv(dynamic snake convolution)的思想,设计高效的聚合模块DSCELAN,轻量化同时增强对海底海参、鱼类等细长目标的聚焦能力。重构检测头,进一步提升小目标的检测效果。改进后的模型YOLO-sea算法在DUO数据集上的mAP提升了2.8个百分点,参数量减少了41%,证明了该创新在海底检测方面的优势。在主流网络YOLOv5s、YOLOv7-tiny和YOLOv8n上均进行注意力对比实验,加入PSCEA机制后使mAP分别提高了1.1、1.3和0.7个百分点,证明了该机制的泛化性和有效性。

关键词： 深度学习   OpenCV   图像处理软件  

摘要： 本文设计并实现了一款基于深度学习的OpenCV图像处理软件。软件系统采用模块化设计,集成了卷积神经网络(CNN)和生成对抗网络(GAN),用于实现图像分类、图像增强和边缘检测等功能。在CIFAR-10、DIV2K和BSDS500数据集上验证软件系统性能,结果表明该软件在图像处理任务中具有较高的精度和效率,能够满足多种复杂图像处理需求。

关键词： 目标检测   红外弱小目标   信息补偿   全局目标响应   非对称交叉融合  

摘要： 针对红外弱小目标容易在网络迭代过程中损失纹理细节信息,从而导致目标定位和轮廓分割的准确性下降的问题,提出一种基于信息补偿的红外弱小目标检测方法。首先,利用图像特征提取(IFE)模块编码红外源图像的浅层细节及深层语义特征;其次,构建多级信息补偿(MIC)模块通过聚合相邻级别的特征对编码阶段下采样后的特征进行信息补偿;随后,引入全局目标响应(GTR)模块联合特征图的全局上下文信息对卷积局部性的限制进行补偿;最后,构建非对称交叉融合(ACF)模块对浅层和深层特征进行融合,以实现目标解码时纹理信息与位置信息的保留,进而完成对红外弱小目标的检测。在公开的NUAA-SIRST(Nanjing University of Aeronautics and Astronautics-Singleframe InfraRed Small Target)和NUDT-SIRST(National University of Defense Technology-Single-frame InfraRed Small Target)混合数据集上训练和测试的实验结果表明,与UIUNet(U-Net in U-Net Network)、LSPM(Local Similarity Pyramid Modules)和DNANet(Dense Nested Attention Network)等方法相比,所提方法在交并比(IoU)上分别提高了9.2、8.9和5.5个百分点,在F1分数(F1-Score)上分别提高了6.0、5.4和3.1个百分点。以上表明所提方法对红外复杂背景图像中的弱小目标可以实现准确检测和有效分割。

关键词： 输电线路鸟窝检测   视觉显著性检测   计算机视觉   多特征融合   条件随机场  

摘要： 鸟类在输电线路杆塔上筑巢会对电网的稳定运行造成极大的威胁。针对无人机航拍图像中鸟窝检测问题,提出一种基于视觉显著性的输电线路杆塔鸟窝检测算法,该算法通过灰度值分析定位出线路杆塔所在的区域并将其作为感兴趣区域,提取图像的三种显著性特征,并采用条件随机场模型进行特征融合得到显著图;根据鸟窝的形状特征制定约束条件,排除电力线和云层等伪目标的干扰,得到鸟窝检测结果。实验结果表明,所提出的方法能够准确地检测出输电线路杆塔上的鸟窝。

关键词： 人工智能   计算机视觉   视觉算法   铁路安全   异物入侵监测   深度学习   铁路线路  

摘要： 铁路线路异物入侵是威胁列车运行安全的严重问题之一,现有的智能识别系统在解决数据稀缺和异物种类多样性等问题时面临巨大挑战。针对上述问题,提出一种基于人工智能大模型的铁路线路异物入侵智能识别方法,基于预训练大模型的特征提取能力和泛化性能,通过对大模型结构深度和宽度的扩展,结合迁移学习策略,微调使其适应铁路线路异物识别任务。实验结果表明,基于人工智能大模型的异物入侵检测算法,能够显著减少对标注数据的依赖。在面对训练数据有限和未知异物类别多样的问题时,能实现较高的检测准确率和实时性能,显示出其在复杂环境中处理未知多变异物入侵的强大能力。

关键词： Faster R-CNN   光伏并网变电站   故障检测   图像处理   目标检测  

摘要： 提出了一种基于Faster R-CNN的图像处理方法,用于光伏并网变电站的运行故障检测。该方法首先对变电站的实时图像进行预处理,然后利用Faster R-CNN模型进行特征提取和区域建议,在标注的故障数据集上训练模型,实现了对光伏组件、连接线和设备故障的高效检测。实验结果表明,该方法能够准确地检测出多种类型的故障,显著提高了变电站运行的安全性和可靠性。

关键词： 城市作战   目标检测   YOLOv7   PCAC-YOLO   无人机视角  

摘要： 无人机在城市作战的复杂环境中,目标对象不仅种类繁多且密集分布,极易遭遇相互遮挡的情况;此外,由于无人机视角下的目标尺寸显著缩小,因此,检测过程中会出现漏检和误检的问题出现。针对以上问题提出了一种无人机目标检测算法PCAC-YOLO。为了增强遮挡目标边缘信息的表征能力,通过裁剪CBS层和添加基于相似度的激活模块(Similarity-Aware Activation Module,SimAM)注意力机制,设计了新的空间池化连接自注意力机制(Spatial Pooling Connect Self-Attention Mechanisms,SPCSM)模块。同时引入卷积特征提取模块Conv2Former,提高了模型对小目标特征的关注能力。实验结果表明,在AU-AIR数据集中,相较于原始的YOLOv7算法,Precision值增加至52.8%,提升了14.1%;mAP@0.5值增加至41.4%,提升了6.1%;mAP@0.5:0.95|small值为16.2%,提升了1.7%。该目标算法有效提升了在城市作战环境无人机视角下的目标检测准确率,证明了设计算法的有效性。