关键词： 果蔬   品质检测   深度学习   计算机视觉   模式识别  

摘要： 随着全球人口的增长和对果蔬质量的高需求,果蔬品质检测的效率和准确性成为食品行业关注的重点。传统的果蔬品质检测方法存在劳动强度大、效率低和准确性难以保证等问题。详细介绍了深度学习在果蔬品质检测视觉任务中的应用。深度学习可以通过学习和模拟人的视觉识别过程,实现高效、准确地检测果蔬品质。具体应用包括果蔬色度分析、形状分析、纹理分析和尺寸分析,以及病害识别和成熟度识别等。然而,深度学习在果蔬品质检测中仍面临数据收集、模型训练的复杂性和实时性等问题。未来的研究可以致力于提高检测精度、处理速度,降低成本,并探索深度学习与物联网、大数据等技术的结合,实现更智能、更自动化的果蔬检测。深度学习在果蔬检测中的应用具有广阔的发展前景,将为果蔬生产和消费者带来重要影响。

关键词： 目标检测   YOLOv8   道路损失检测   改进损失函数   边界框回归  

摘要： 针对道路损伤检测面临的多尺度目标、复杂的目标结构、样本分布不均及难易样本对边界框回归的影响等问题,本研究提出了一种基于改进YOLOv8的道路损伤检测算法.该方法通过引入动态蛇形卷积(dynamic snake convolution,DSConv)替代原有C2f(faster implementation of CSP bottleneck with 2 convolutions)模块中的部分Conv,以自适应聚焦于细小而曲折的局部特征,增强对几何结构的感知.在每个检测头前引入高效多尺度注意力(efficient multi-scale attention,EMA)模块,实现跨维度交互,捕获像素级别关系,提升对复杂全局特征的泛化能力.同时,增设小目标检测层以提高小目标检测精度.最后,提出Flex-PIoUv2策略,通过线性区间映射和尺寸适应性惩罚因子,有效缓解样本分布不均和锚框膨胀问题.实验结果表明,该改进模型在RDD2022数据集上的F1分数、平均精度均值(mAP50、mAP50-95)分别提高了1.5百分点、2.1百分点和1.2百分点.此外,在GRDDC2020和China road damage数据集上的验证结果显示,该算法具有良好的泛化性.

关键词： 目标检测   无锚框   锯齿问题   空洞卷积   损失函数  

摘要： 为了提升无锚框目标检测模型对物体多尺度检测性能,并实现检测速度与精度的最佳折中,提出一种具有抗锯齿能力的无锚框目标检测模型。下采样操作中,使用分组自适应低通滤波器解决网络中存在的锯齿问题;并联不同空洞率的空洞卷积进行多尺度特征融合,扩大神经元感受野范围。防止在模型训练过程中破坏网络参数,对损失函数进行实验讨论,替换为smooth L1 Loss函数。实验结果表明,在PASCAL VOC数据集上mAP指标达到了82.1%,FPS达到了32,与CenterNet-ResNet101相比,mAP提升了4.3%,FPS提升了18.5%。

关键词： 变电站建设   施工设备   安全进场距离   目标检测  

摘要： 变电站大型建筑设备的安全进场距离检测对于保障电力系统的安全稳定,防止设备损坏、停电等事故的发生具有重要意义。为此,构建了基于立体视觉和目标检测的变电站大型建筑设备安全进场距离检测系统,实现了大型建筑设备与电力设备之间的实时高精度安全进场距离检测。变电站大型建筑设备安全进场距离检测系统采用基于ChostNet的变电站施工目标检测模型区分施工设备和电力设备;使用基于通道注意力的轻量级立体匹配模型获取作业场景的空间信息,确定建筑设备与电力设备之间的安全接近距离。实践结果表明,该系统可以在真实场景中实时准确地测量安全进场距离,保障人员和设备的安全。

关键词： 视频监控   视频浓缩   目标检测   背景建模   时空轨迹   深度学习  

摘要： 视频监控作为一种有效的侦测手段,在公共安全领域被广泛应用。但是视频过长、浏览效率低下的问题长期困扰着相关人员。为此,文章提出一种高效的视频浓缩方法,该方法可以将几十小时的监控视频浓缩至几十分钟甚至几分钟。该方法采用YOLOv5算法检测并提取目标,对各目标的运动时空轨迹进行重排,再将各目标与背景融合,最终得到短时浓缩视频。实验结果表明,该方法既能有效缩短监控视频时长,又能保留视频中的重要信息,是一种高效、实用且具备一定推广价值的视频浓缩方法。

关键词： 车辆检测   目标跟踪   YOLOv8   隧道交通监控  

摘要： 为实时掌握隧道中车辆驾驶信息,提高隧道交通驾驶安全,需要在交通运输的监控与管理环节需要准确实时地获取隧道车辆信息,文章提出一种基于YOLOv8和ByteTrack算法相结合的多目标车辆检测与跟踪算法。首先,在YOLOv8目标检测网络中引入CBAM注意力机制,获取更加精确的目标特征,增强网络中通道信息和空间信息的融合度,以此提高网络的检测精度。其次,基于ByteTrack算法中卡尔曼滤波器预测当前帧中的轨迹在下一帧的位置。然后通过预测框和实际检测框的IOU来计算两次匹配的相似度,并用匈牙利匹配算法完成匹配,即将高分检测框的目标与历史追踪轨迹匹配、未匹配历史轨迹的高分检测框与低分检测框目标匹配,从而实现ByteTrack算法对车辆位置和轨迹的高效跟踪。实验表明:网络中CBAM注意力机制显著增强了YOLOv8模型对隧道内车辆的识别能力并降低无关噪声的影响;Bytetrack跟踪算法可较好地匹配检测框和历史轨迹,提高隧道中车辆检测与追踪的连贯性。基于YOLOv8和ByteTrack算法结合的隧道交通监控车辆检测与跟踪算法具有较高的跟踪准确性和识别精度,为制定交通管理与控制措施提供了有效的信息支撑。

关键词： 采煤掘进机   电气异常   计算机视觉   多源信息融合  

摘要： 针对采煤掘进机电气系统故障频发、诊断不及时等问题,本文提出了一种基于计算机视觉的多源异常检测方法。该方法综合利用振动分析、图像处理等技术,提取电气部件的纹理、频谱等特征,并通过自适应门限、证据理论等算法实现精准诊断与预警。实验结果表明,该系统在故障检出率、误诊率、诊断时间等指标上均优于传统方法,为采煤掘进机的安全高效运行提供了新思路。

关键词： 水域人员检测   目标检测   YOLOv8模型   注意力机制  

摘要： 为满足水域环境人员安全监测需求,提升水域监控智能化水平,提出一种基于改进YOLOv8的检测方法。该方法在YOLOv8结构的基础上,在颈部网络引入了融合ResBlock和CBAM的注意力机制模块ResCBAM,用以增强模型的特征提取与特征融合能力,减少干扰信息的影响,提高泛化性能。结果表明,与原始YOLOv8相比,改进后算法的mAP50提升了2.1%,mAP50-95提升了0.8%,召回率提升了5.1%,检测速度满足实时性要求,具有良好的检测效果。

关键词： 目标检测   深度学习   稀疏网络   关联   实例交互   全局特征   注意力机制  

摘要： 稀疏目标检测器Sparse R-CNN算法缺少对目标间关系的建模,导致网络对全局特征信息的利用较差,使检测效果不佳。为解决上述问题,提出关联交互模块,通过融合可学习的参数和与图像数据相关的目标间关联特征数据,增强目标之间的关联性;提出双边注意力机制,通过融合实例交互注意力信息和物体与物体间的关联注意力信息,增强对全局特征的交互。基于PASCAL VOC和MS COCO数据集的实验结果表明,该方法能够有效提升检测精度,整体性能优于原方法。

关键词： 计算机视觉技术   智慧农业病虫害   自动识别  

摘要： 文章通过分析计算机视觉技术在智慧农业病虫害自动识别中的应用,详细阐述了图像采集与处理技术、深度学习模型在识别中的应用、目标检测与分类算法优化等关键技术,探讨如何通过技术创新提升病虫害识别的效率和准确性,从而为农业生产提供准确高效的病虫害监测手段,进一步推动农业智能化发展。