关键词： YOLOv8M   水下目标检测   注意力机制   金字塔结构   可变形卷积   损失函数  

摘要： 受限于水中检测设备内存欠缺和计算能力不够强大以及水下环境错综复杂等多类因素,水下目标检测会出现检测目标错误和漏检目标等问题。为了解决上述问题,通过对YOLOv8M算法进行改进,提出了一种更高效、精准的算法,使水下目标检测检测性能得到了一定提升。首先,将一种注意力机制(A Simple-Atten Module,SimAM)嵌入网络结构中的颈部,解决了现有注意力模块只能沿着通道或空间维度细化特征,限制学习跨通道和空间变化的注意力权重灵活性的问题,加快了权重计算,提高了模型在水下模糊环境下的检测精度;其次,采用DCNv4(Deformable Convolution v4)可变形卷积替换C2f结构中的3×3卷积模块,以增强空间聚合的动态特性和表达能力并优化内存访问提高速度。此外,还采用加权双向特征金字塔结构(Bidirectional Feature Pyramid Network,BiFPN)将深度的特征信息层进行多尺度特征融合,以增强骨干网络的特征提取能力;最后,在预测部分使用Wise-Inner-MPDIoU损失函数将交叉熵损失函数进行替代,使模型对不同目标及尺寸的自适应能力得到一定程度的提升,增强算法的鲁棒性。从实验结果可以看出,模型经过改进后在URPC2020数据集上取得了86.4的mAP,相比于原始的YOLOv8M算法,mAP提高了2.8百分点,检测速度提升至102.9 FPS。经过改进后算法模型在进行水下目标检测任务时,无论是检测的精度或者速度都得到了有效的改进,说明该算法在用于水下目标检测的实际场景中有一定的实用性。

关键词： 滚动轴承   机器视觉   光源   表面缺陷   检测   图像处理  

摘要： 为降低工业自动化生产过程中轴承端面块状瑕疵的漏检率和误检率,对视觉检测常用的光源类型进行了对比试验,在工业环境下采用不同光源获取图像并使用不同的图像增强算法进行优化处理,通过像素点检测的方式检测轴承端面块状瑕疵,以工厂的检测标准进行应用验证。结果表明:同轴光源作为视觉光源时所采集图像在各种图像增强算法处理下的检测效果均好于其他光源;自适应直方图均衡化对轴承端面瑕疵的总体检测效果较好,Gamma变换则对降低漏检率有较好作用。

关键词： 目标检测   无人机视角   YOLOv8   BiFormer   特征融合   损失函数  

摘要： 针对无人机视角下的目标存在多尺度、目标小、被遮挡与背景复杂等问题,提出了一种基于动态样本注意力尺度序列的YOLOv8改进算法BDAD-YOLO。通过引入BiFormer的思想来改造原模型骨干结构,提高模型对关键信息的关注度,更好地保留目标细粒度细节信息。由于目标存在大小、位置等多变性,传统卷积并不能很好地处理这一情况,因此基于DCN(deformable convolutional network)的思想,设计了一种可以增强对小目标特征提取的C2_DCf模块,从而进一步提高颈部网络中小目标层对特征信息的融合。提出一种基于动态样本的注意力尺度序列融合框架AFD(attention-scale sequence fusion framework based on dynamic samples),使用轻量化动态点采样并通过融合不同尺度的特征图来增强网络提取多尺度信息的能力。使用WIoU损失函数,改善小目标低质量数据对梯度的不利影响,以加快网络收敛速度。实验结果表明,在VisDrone数据集中的val集与test集上平均精度(mAP@0.5)分别提升了4.6个百分点、3.7个百分点,在DOTA数据集上平均精度(mAP@0.5)提升了2.4个百分点,证明了改进算法的有效性和普适性。

关键词： 目标检测   无人机航拍图像   YOLOv8   小目标   特征融合  

摘要： 针对无人机航拍图像存在多个小目标聚集、目标尺度变化大的问题,提出一种改进YOLOv8的目标检测算法TS-YOLO(tiny and scale-YOLO)。在主干部分去除冗余的特征提取层,设计了一种高效特征提取模块(efficient feature extraction module,EFEM),避免小目标特征消失在冗余信息中。在颈部设计了一种双重跨尺度加权特征融合方法(dual cross-scale weighted feature-fusion,DCWF),融合多尺度信息的同时抑制噪声干扰,提升特征表达能力。通过构建一种参数共享检测头(parameter-shared detection header,PSDH),使回归和分类任务实现参数共享,保证检测精度的同时有效降低了模型的参数量。所提模型在VisDrone-2019数据集上的精度(P)和召回率(R)分别达到54.0%、42.5%;相比于原始YOLOv8s模型,mAP50提高了5.0个百分点,达到44.5%,且参数量减少了55.8%,仅有4.94×106;在DOTAv1.0遥感数据集上,mAP50达到71.9%,仍具有较好的泛化能力。

关键词： 作物叶片等级   作物叶片病害   目标检测   信息共享   多感受野特征融合  

摘要： 作物叶片等级和病害的快速准确识别对开发农业智能设备以促进农产品精细化管理有着重要意义。针对作物叶片等级和病害识别准确率低、成本高等问题,提出主干信息共享与多感受野特征自适应融合的作物叶片等级和病害识别算法(Crop leaf grade and disease recognition network,CLGDRNet)。首先,CLGDRNet采用CSPNet、GhostNet、ShuffleNet构建特征提取主干网络,同时将CSPNet、GhostNet、ShuffleNet所提取的特征信息进行共享以达到信息互补的目的;其次,设计多感受野特征自适应融合模块(Multi-receptive field feature adaptive fusion module,MRFA),将不同感受野特征图进行自适应加权融合,在增强模型局部感受野的同时突出有效通道信息;最后,提出一种深层梯度跨空间学习高效多尺度注意力模块(Efficient multi-scale attention mechanism with deep gradient cross-space learning,EMAD),将EMAD嵌入模型的颈部以获取深层梯度信息和目标坐标信息并跨空间融合不同尺度的上下文信息,使模型能够对深层特征图产生更精确的像素级关注。实验结果表明,CLGDRNet在初烤烟叶分级数据集(Tobacco leaf grading dataset,TLGD)上识别精度mAP@0.5和mAP@0.5:0.95分别达到85.0%、76.1%,在苹果叶病害数据集(Apple leaf disease dataset,ALDD)上识别精度mAP@0.5和mAP@0.5:0.95分别达到97.6%、74.2%。相较于多种先进目标检测算法,CLGDRNet具有更高的识别精度,可为高精度作物叶片等级和病害识别提供关键技术支撑。

关键词： 目标检测   多尺度上下文   分层特征聚合   注意力机制   样本不平衡  

摘要： 针对当前的目标检测方法难以表征多尺度上下文特征的问题,提出了MYOLOv8算法;为了提高YOLOv8模型对于小、中、大型目标的检测能力,提出了一种分层多尺度提取模块对空间特征进行分层特征聚合来捕获多尺度空间上下文信息;为了进一步提高模型对于空间语义的提取能力,提出了一种自适应的通道注意力机制,该机制通过自适应地学习相邻通道之间的相互依赖关系来促进模型关注有用特征,抑制无用特征;为了提高模型对于边界困难样本的定位能力,提出了一种Slide Loss来处理目标检测中的样本不平衡问题,该方法采用对困难样本进行强加权的方式来促使模型着重优化难分样本;在MS COCO数据集上的实验结果表明,所提出的算法相比于YOLOv8-n和YOLOv8-s,mAP分别提升了3.4%和1.4%,同时具有相似的参数量和计算开销,以及更快的推理速度。

关键词： 视觉引导   目标跟踪   孪生网络   煤矸石分拣   轨迹规划  

摘要： 现有煤矸分拣机器人在分拣煤矸石时存在误抓取、空抓、碰撞等问题,其主要原因是煤矸石随输送带运输过程中存在打滑、跑偏等现象,依靠带速的煤矸石跟踪方法难以实时获取其精准位姿信息,导致机械臂抓取时出现较大误差,影响机器人分拣效率。针对该问题,提出一种基于视觉实时引导的煤矸石跟踪方法,即通过相机获取煤矸石实时位姿信息,引导机械臂调整动作完成煤矸石跟踪抓取。首先,通过视觉识别模块获取待抓取目标初始位姿与跟踪模板,由控制系统进行策略分配,将煤矸石分配给对应机械臂进行抓取;当目标煤矸石进入机械臂抓取工作区后,由基于孪生网络构建的单目标跟踪模型获取煤矸石实时位姿信息,并实时调整机械臂动作,完成抓取。最后,对不同带速下的煤矸石进行视觉跟踪实验,并构建煤矸分拣机器人仿真系统完成不同程度打滑、跑偏工况的煤矸石跟踪轨迹规划仿真。仿真实验结果表明,构建的煤矸石跟踪模型跟踪准确率为96.9%,跟踪速度为39 FPS,满足实时引导的需求。当存在不同程度打滑、跑偏时,基于视觉实时引导的机械臂抓取误差均降低至1 mm以内。相较于基于带速的跟踪方法,可有效消除运输过程中由于输送带打滑、跑偏等带来的累积误差,提高系统实时响应能力,进一步提升煤矸石分拣效率。

关键词： 弱光条件   无人机   多尺度差分注意力   多模   目标检测  

摘要： 弱光条件下,图像亮度低、对比度弱、成像质量差,且由于机载算力的制约,算法部署应用难以落地,极大地影响了无人机对目标的识别定位精度。因此,无人机弱光照条件下目标检测方法具有重要的理论意义和应用价值。针对此问题,提出了耦合光照条件和对比度的多尺度差分注意力融合检测方法。首先,设计了信息感知引导的多尺度差分注意力融合检测网络,通过信息感知模块计算图像的光照信息和目标的局部对比度,来引导多尺度差分注意力模块对可见光和红外图像的模态内和模态间特征进行深度交叉融合,以提升弱光条件下无人机对地目标的检测识别精度;其次,基于多模吊舱、边缘计算模块和自组网电台构建了一套旋翼无人机多模目标检测系统,针对可见光和红外数据,在通信交互上具有规范的传输协议和统一的任务管理机制,可实现同步解码;随后,设计了对比和消融实验,实验结果显示该方法在典型暗光照数据集LLVIP上mAP达到69.2%,较改进前提升3.9%,并优于典型的双流网络LRAF-Net。最后,在机载端对本文算法进行了轻量化部署和验证,结果表明在真实弱光场景下该算法能显著提升无人机对目标的检测能力,且平均运行效率可达21.2 FPS,满足机载端应用需求。

关键词： 图像处理   卷积神经网络   彩涂钢板   缺陷检测   表面质量  

摘要： 针对高速生产过程中彩涂钢板表面结构性及非结构性缺陷存在尺寸极小、特征边界模糊、人工检测准确率低等问题,提出了一种彩涂钢板表面质量缺陷检测算法。首先收集彩涂钢板缺陷图像并建立多类型缺陷图像数据集;其次利用传统图像处理算法提取缺陷感兴趣区域(Region of Interest,ROI);最后将提取的缺陷感兴趣区域送入卷积神经网络输出缺陷分类结果。实验结果表明:缺陷检测算法对于彩涂钢板表面杂质及搁伤等缺陷的检出率和准确率分别达到了95%和91%,由此证明该算法具有较高的缺陷识别能力,满足了彩涂钢板表面质量检测需求;算法处理速度10帧/s,达到了彩涂钢板生产速度要求。该算法实现了彩涂钢板表面缺陷自动检测功能,达到了提高彩涂钢板缺陷检测准确率、降低人工负荷、节约彩涂钢板生产成本的目标,对彩涂钢板生产行业具有重要的意义。

关键词： 目标检测   安全帽   FasterC2f   轻量化   Efficient Multi-Scale Attention   VoVGSCSP  

摘要： 针对基线YOLOv8n检测算法结构较复杂以及现有的安全帽佩戴检测算法参数量和计算量较大,难以在终端部署等问题,提出一种基于FEV-YOLOv8n的轻量化检测模型;设计一种轻量级的FasterC2f模块改进YOLOv8n的骨干网络,实现网络的参数量和计算量的降低;在FasterC2f模块中引入EMA注意力机制,融合空间依赖和位置信息,建立长短期的依赖关系,增强对目标表征的关注,以提高模型检测的精度;使用VoVGSCSP模块改进颈部网络,提高遮挡目标以及小目标的辨识度;实验结果表明,改进YOLOv8n模型map值为92.5%,相较于YOLOv8n算法,模型大小减少20%,计算量降低18.5%,参数量降低15.7%,为安全帽佩戴检测的轻量化研究提供理论参考。