关键词： 小目标检测   特征融合   特征增强   注意力机制  

摘要： 针对目前主流目标检测算法SSD算法对小目标检测精度不高的问题,提出了一种基于双向特征融合和轻量级特征增强的改进算法。该算法特征融合模块通过深度可分离卷积和上采样操作构建双向网络通道进行特征融合,使得来自主干网络不同尺度特征层的细节表观信息和高维语义信息能够更加充分地融合;算法特征增强模块采用了注意力机制和特征图拼接方法,注意力机制通过权重分配,使得模型聚焦于目标区域而非背景。特征图拼接仅对部分通道卷积能够在保证检测速度的前提下,增加特征层的语义信息。通过组合这两个部分的输出,能够实现对输入特征的双增强。实验说明了其有效性:在HRRSD小目标数据集上,BiLFE-SSD相较SSD算法指标mAP提高了11.1%。

关键词： 模拟集成电路   EDA   即时语义分割   计算机视觉  

摘要： 在模拟电路后端版图设计中,合理规划N阱区域对于版图布局和布线的紧凑性至关重要。针对模拟版图中的N阱区域规划问题,提出了一个基于即时分割算法的N阱区域规划框架。提出WellSegNet-阱区域分割网络利用自建类模拟版图数据集生成N阱的初始约束区域,有效解决了版图样本不够的问题;提出了一种在约束区域内操作的精准规划算法,以使生成的N阱遵循工艺设计规则,得到具有可用电路性能的N阱区域;提出了一套评估标准对生成的N阱区域进行评价。实验结果表明,所提出的算法框架能够生成接近手工布局的N阱,与基准算法相比,SSIM指标提高了13%,IoU指标提高了16%,为解决模拟电路后端版图设计中的N阱区域规划问题提供了一种有效的解决方案。

关键词： 深度学习   目标检测   计算机视觉   检测算法  

摘要： 目标检测是计算机视觉领域中的重要任务,被广泛应用于身份识别、数量统计、位置确定等领域。随着计算资源的增长,深度学习已经替代了大部分的传统图像算法,在目标检测领域上取得了很大的进展。然而,目标检测依然面临诸多挑战,如物体尺寸不一、背景复杂、排列密集、方向任意等,这些问题使现有的检测框架依然有提升的空间。尽管如此,目标检测的算法经过发展已经有了很大的提升,并且在各种领域起到了巨大的作用。

关键词： 安全工程   火焰识别   YOLOv8   图像检测   算法优化  

摘要： 目前民航客机货舱火灾探测主要通过烟雾探测实现,存在漏报、误报、实时性差等问题,基于视觉的视频图像探测是解决上述问题的重要技术。针对视频图像检测火焰算法多收敛速度慢等问题,提出了基于YOLOv8优化的火焰检测算法模型。首先,在众多视频火焰检测算法中,以火焰检测精准度筛选出YOLOv8算法作为底层火焰检测算法,针对YOLOv8算法,以优化速度为方向,设计了RFAConv卷积方式,运用组卷积方式融合卷积通道,以达到减少YOLOv8计算量、提升运算速度的目的。通过采集模拟货舱大空间火灾火焰图像,验证了优化后的YOLOv8火焰检测算法在检测精度不变的情况下,压缩了10%的参数量,实现了算法的轻量化,提升了运算效率。

关键词： 深度学习   水稻害虫   YOLOv8s   目标检测  

摘要： 水稻种植过程中的害虫分布具有规模小和密度高等特性,导致其识别具有挑战性。本文基于深度学习,利用经典的YOLOv8s轻量级模型进行稻纵卷叶螟、水稻叶毛虫和稻潜叶蝇等14种水稻害虫数据集的训练识别,得到了模型训练及验证结果。训练结果发现,该模型收敛速度和稳定性较好;验证结果表明,该模型性能较好,对14种水稻害虫的识别精度为0.788,召回率为0.721,识别准确率为0.809,mAP@0.5为0.772。综合来看,该模型性能较好,能够满足水稻害虫检测要求。研究结果为水稻虫害识别提供参考。

关键词： 合成孔径雷达   目标检测   轻量化   深度学习   舰船检测   大场景影像   YOLOv8  

摘要： 【目的】基于合成孔径雷达(SAR)影像的舰船检测已广泛用于海洋搜救、港口侦察、领海防御等领域。然而,随着在轨智能处理技术的快速发展,对星载SAR影像舰船目标的实时检测能力提出了更高的要求。【方法】因此针对当前SAR影像舰船目标尺度多样,靠岸船只背景复杂,各类遥感平台硬件资源受限等问题,本文提出了一种轻量级SAR影像舰船检测模型LWM-YOLO。首先,采用优化骨干网络结合注意力机制降低网络复杂度及参数量,提出一个轻量化骨干网络(LWCA);其次,针对解决目标尺度多样问题,构建了一个轻型特征融合模块(LGS-FPN),在增强SAR影像中舰船目标细节信息提取能力的同时减少计算复杂度;然后,为优化定位精度,提出基于MPD-Head的检测架构,提升复杂环境中微小舰船目标的检测效果;最后,在LS-SSDD和SSDD舰船目标检测数据集上,将本文算法与主流算法进行对比实验。【结果】实验结果表明,本文提出的算法平均精度值(mAP)分别达到了74.7%和97.3%,较基础模型提升了1.5%和1.0%。同时,本文所提算法参数规模缩减至原模型的36%,计算复杂度降至80%。【结论】与其他方法相比,本文提出的算法不仅在精度上有所提升,而且在检测速率上也具有显著优势。这一研究成果可为智能化目标检测、空间在轨应用等领域提供有力支撑。

关键词： 无人机   目标检测   自适应感知特征提取   特征融合网络   双分支空间感知下采样  

摘要： 由于无人机拍摄高度和角度的多样性,其图像往往呈现背景复杂且小目标居多的特征,这导致了相关检测算法性能较差。针对此问题,本文提出了一种基于自适应感知网络的航拍图像车辆检测方法,旨在从提高车辆特征显著度和改善特征信息损失两个方面来提升小目标的检测性能。首先,为了提取更高效的特征表征,提出了自适应感知特征提取模块,该模块通过捕捉长程依赖关系和更强的几何特征表示,能够自适应地对物体的形状进行建模。其次,为了减少下采样和连续池化造成的信息损失,设计了双分支空间感知下采样模块,该模块混合不同通道的特征图,以最大限度地保留小目标特征信息。然后,在特征融合网络中,引入了具有丰富空间信息的浅层特征图,以增强小目标的检测能力。最后,设计了新的动态回归损失函数DEIoU,该函数引入惩罚项来度量真实框与检测框之间横纵比的相关性,从而进一步提高网络的预测精度。在Visdrone数据集上的实验结果表明,所提方法的平均精度均值mAP达到了70%,推理速度达到了99.26 fps,实现了较好的速度与精度的平衡,并且所提方法在UCAS-AOD数据集上取得了最佳的检测精度,具有较强的泛化能力。

关键词： 遥感图像   小目标检测   多尺度检测   全局注意力机制  

摘要： 阐述针对遥感图像中小型与密集分布的目标检测难题以及由于对象遮挡引起的低检测精度问题,提出一种基于改进的YOLOv7的遥感图像检测与遮挡推理方法。全局注意力机制允许模型对遥感图像的全局信息进行增强处理,以便于优先识别和处理图像中的关键部分。而多尺度检测头则赋予模型同时处理和识别不同尺度目标的能力,能够更有效地提升目标检测的精度和效率。在DOTA数据集上的大量实验结果表明,AP和mAP分别提高了3.6%和4.2%。

关键词： 露天矿山   炮孔识别   3D视觉   YOLOv8   无人装药   深度学习   目标检测  

摘要： 针对露天矿山炮孔识别技术进行了深入研究,提出并比较了2种炮孔智能识别方法:基于三维点云的炮孔识别方法和基于目标检测的炮孔识别方法。通过选用不同视觉感知设备,在多个露天矿山环境下进行了试验验证和性能分析。研究发现,2种方法均能有效识别炮孔,具体来说,基于三维点云的炮孔识别方法识别精确率为90%,基于目标检测的炮孔识别方法识别精确率为97.91%。通过对2种方法的硬件设备、数据处理流程和应用潜力进行详细比较,结果表明,结合人工智能技术,炮孔识别技术在智能化炸药现场混装车等采矿装备中具有广阔的应用前景,对推动采矿技术进步,实现无人、高效、安全的矿山开采模式具有重要理论与实际意义。

关键词： YOLOv8   无人机   可见光图像   小目标检测   深度学习  

摘要： 目的 :为解决目前无人机可见光系统检测小目标时准确率和实时性低的问题,提出一种基于改进YOLOv8的可见光小目标检测方法。方法:选取由主干网络(Backbone)、颈部模块(Neck)和头部模块(Head)组成的YOLOv8网络作为基础框架构建AGC-YOLO模型。首先,在Backbone部分融入卷积注意力模块(convolutional block attention module,CBAM),提高模型的特征表达能力;其次,将部分传统卷积模块替换为可改变核卷积模块AKconv,减少网络参数量;最后,在Neck部分采用Gold-YOLO模块,提高对不同尺寸目标的检测能力。选用VisDrone2019数据集分别进行消融实验和对比实验,通过平均精度均值(mean average precision,mAP)、每秒传输帧数(frames per second,FPS)、每秒10亿次的浮点运算数(giga floating-point operations per second,GFLOPs)和参数量(parameters)评估AGC-YOLO模型对小目标检测的效果。结果:AGC-YOLO模型的FPS为31.90,GFLOPs和Parameters分别为9.20和11.30 M,达到无人机实时性的检测速度要求(FPS不低于30)。虽然AGC-YOLO模型的GFLOPs和Parameters比轻量化模型YOLOv8n、Ghost-YOLO和YOLO-BiFPN有所增加,但是mAP50(mAP50表示在交并比为0.5时的mAP)分别提高了15%、6%和5%。结论:提出的方法在提高检测速度、减少参数量、保障检测精度方面表现良好,在无人机可见光小目标检测方面具有良好的应用前景。