关键词： YOLOv9   蘑菇检测   CoordConv   空间位置定位   DSConv  

摘要： 由于蘑菇存在种类繁多、特别是野生蘑菇形态特征复杂且存在大量相似种的特点,导致基于视觉的自动识别系统在处理种间区分时面临严峻挑战.本研究通过优化YOLOv9深度学习模型,着力提升野生蘑菇的自动检测与分类准确性,实现不同物种的精准区分,为野外采摘提供物种鉴别辅助.通过集成专门针对蘑菇形态多样性设计的动态蛇形卷积(DSConv)和增强空间信息处理能力的坐标卷积(CoordConv),成功开发了一种专门优化蘑菇形态多样性和空间位置定位的深度学习模型,显著提高了蘑菇种类检测的精确度.经过一系列实验评估,改进后的YOLOv9模型在蘑菇检测任务上相比于YOLOv9-C模型识别准确率提升了3.5%,召回率提升了2.3%,其他性能指标也有很大提升,相比于当前主流算法及原始版本显示出明显优势,证明了其在实际应用中的强大潜力.

关键词： 3D目标检测   传感器融合   激光雷达   相机   多模态数据   注意力机制  

摘要： 针对自动驾驶和机器人技术对感知系统的高精度需求,提出了一种激光雷达(LiDAR)与相机传感器融合的两阶段3D目标检测方法FusionDetect,以解决现有激光雷达检测器因点云稀疏性导致的远距离物体识别难题。该方法通过创新性地融合激光雷达的几何信息与相机的纹理信息,采用感兴趣区域(RoI)池化技术统一处理多模态数据,并设计模态内自注意力与交叉注意力机制实现特征增强与信息融合。实验证明,在KITTI和Waymo基准测试中,FusionDetect不仅使主流检测器性能获得突破性提升,更在Waymo数据集上以6.45%的平均精度均值(mAP)提升超越基线模型,显著优于现有两阶段方法。研究成果验证了多模态传感器融合在提升3D目标检测精度方面的关键作用。

关键词： 目标检测   YOLO   深度学习   网络架构   损失函数  

摘要： YOLO系列模型是单阶段目标检测代表性算法,自2016年提出后历经五次重大迭代。本文系统分析YOLOv1至v5技术演进路径,从网络架构设计、损失函数优化、特征融合策略等维度提炼发展规律,结合当前技术趋势为其未来发展提出建议。

关键词： 目标检测   可变形卷积   混合注意力   YOLO11n   小目标检测   轻量化模型  

摘要： 针对现有目标检测模型在实时性、小目标检测及计算效率方面的不足,以及YOLO11n在复杂背景适应性、目标尺度鲁棒性和小目标召回率上的局限,文中提出一种融合可变形卷积与混合注意力机制的YOLO11n优化方法。可变形卷积通过自适应调整感受野,更有效地捕捉具有目标的局部特征;混合注意力机制则作用于通道与空间维度,精准强化关键信息并过滤背景噪声,从而显著提升了模型对多尺度目标,尤其是小目标的特征判别性。在17000张人-车标注数据集上的实验表明,改进模型有效解决了密集目标漏检和尺度适应性差等问题,提供了更优质的轻量化检测方案。

关键词： 深度学习   目标检测   轻量化神经网络   动态空间金字塔池化   边缘计算  

摘要： 随着全球老龄化进程加速,老年人跌倒已成为重大公共卫生问题。传统监测方法在复杂场景下,面临精度不足、实时性差和部署成本高等多重挑战。针对现有视觉监测系统在低光照、遮挡等复杂环境下检测性能下降的问题,提出一种基于轻量化YOLOv8的行人跌倒检测算法。在原网络架构的基础上,通过重构所有网络模块,使用GSConv轻量化卷积模块替代标准卷积,采用通道拆分-特征补偿机制优化原C2f特征提取模块。实验结果表明,改进后的模型在保留97.3%特征表征效率的同时减少68%计算量。原SPPF模块通过融合动态空间金字塔池化(DSPP)与注意力机制构建混合SPPF_Hybrid金字塔池化结构,在单一源的mAP@0.5指标达0.992,大幅降低了模型体积与计算复杂度,显著提升了单帧推理速度。

关键词： 目标检测   深度学习   遥感影像   多尺度目标   复杂背景   极端长宽比目标  

摘要： 【目的】遥感影像目标检测是遥感影像智能解译的关键技术,旨在自动搜索并定位影像中的感兴趣目标。尽管通用目标检测算法在自然影像上已取得显著进展,但由于遥感影像固有的背景复杂、目标尺度与形状变化剧烈(多尺度、极端长宽比目标)等特性,其直接应用于遥感领域时性能受限。【方法】为应对上述挑战,本文提出了一个尺度和形状感知方法用于检测遥感影像复杂背景下的多尺度和极端长宽比目标,并将其命名为BSPDet(Background,Scale,and Profile Detector)。该网络由3个协同工作的核心模块构成:(1)以全局和局部交叉融合网络(Global-Local Contexts Crossing Fusion Network,GLCCFNet)作为主干网络,有效捕获多尺度目标的深层特征,实现尺度感知;(2)引入一个可挑选焦点特征融合网络(Select Focus Feature Pyramid Network,SFFPN),通过语义精炼与空间选择机制,精准过滤复杂的背景噪声,增强对目标的专注度;(3)设计了形状感知解耦检测头(Shape Sensitive Decoupled Head,SSDHead),专门用于提升对极端长宽比目标的特征提取能力,实现形状感知。这3个模块有机结合,共同提升了模型在复杂场景下的检测鲁棒性。【结果】为验证BSPDet的有效性,本文在3个光学遥感数据集(DIOR,RSOD,HRRSD)和一个SAR数据集(SSDD)上进行了综合实验。结果表明,BSPDet在3个光学数据集上的平均精度均值(mAP)分别达到了73.7%、96.5%和94.4%,显著优于PKINet、YOLOv12等先进算法。在SAR影像的SSDD数据集上,mAP更是高达98.7%,超越了LWM-YOLO和DEPDet等最新方法,展示了优越的性能和良好的泛化能力。【结论】本文提出的BSPDet通过融合尺度感知、背景抑制与形状感知机制,有效提升了遥感影像目标检测的精度。该方法为解决遥感图像中多尺度和极端长宽比目标的检测难题提供了新的思路,可为道路病害识别、舰船监测等应用领域提供有力的技术参考。

关键词： 计算机视觉   图像去雾   双域特征融合   空间域特征融合   频率域特征融合   注意力机制   深度学习  

摘要： 目的图像去雾旨在从有雾图像中恢复潜在的无雾图像。现有方法利用清晰/退化图像对在空间域和频率域的差异进行去雾并取得一定的效果,但是仍存在3个主要问题:空间域特征提取与融合存在局限性、频率域特征融合效果不佳以及未能实现频空双域特征的高效融合。针对这些问题,提出专注于频空双域特征融合的双域特征融合网络(dual-domain feature fusion network,DFFNet)。方法首先,设计更适合图像软重建的空间域特征融合模块(spatial-domain feature fusion module,SFFM),采用Transformer风格架构,通过大核注意力机制捕获全局特征并定位有雾区域,像素注意力机制建模局部特征并恢复边缘和细节,共同模拟多头自注意力机制,满足软重建需求。同时,提出频率域特征融合模块(frequency-domain feature fusion module,FFFM)。该模块采用隐式方法处理高频信息,通过多个卷积层增强高频分量、多分支通道注意力实现频率高效融合,并放置于网络瓶颈处实现频空双域特征高效融合。结果结合这两种关键模块设计提出的DFFNet在两个基准数据集上展现出超越目前先进方法的性能表现。DFFNet-L是第1个在室内合成目标测试集(synthetic objective testing set-indoor,SOTS-Indoor)上峰值信噪比(peak signal-to-noise ratio,PSNR)超过43 dB以及第1个在Haze4K数据集上PSNR超过36 dB的去雾网络,PSNR分别为43.83 dB和36.39 dB,分别领先领域先进方法MixDehazeNet-L 1.21 dB和0.45 dB。并且DFFNet更加轻量级,参数量仅为MixDehazeNet-L的46.0%,浮点运算次数仅为其67.1%,同时,由于DFFNet的主要模块SFFM和FFFM具有良好的可迁移性和扩展性,这使得它们能够便捷地迁移到其他计算机视觉任务中,为提升模型性能提供新的解决方案。结论本文所提出的双域特征融合网络,综合了卷积神经网络模型和Transformer模型的优点,有效解决了双域特征融合存在的问题,取得了卓越的去雾效果。代码发布于https://***/WWJ0720/DFFNet。

关键词： 行为判定   目标检测   目标跟踪   电梯检验  

摘要： 电梯保有量巨大,其定期检验形成规模庞大视频库,人工审查视频合规性存在效率低、可靠性低问题。为此,文章研究一种基于Mask R-CNN+SORT+HeightSeqAnalyzer的缓冲器行为跟踪判定方法,分别利用Mask R-CNN、SORT算法实现单帧缓冲器目标高精度检测、时间维度上目标跟踪,并通过HeightSeqAnalyzer算法的像素高度序列计算物体参考高度,依据压缩程度阈值、压缩时长阈值判定物体压缩行为,最后由压缩帧集合重叠情况归并压缩事件,输出视频中缓冲器压缩事件数量。通过正交实验设计构建训练集、验证集,训练目标检测模型。实验表明,图像级检测中,文章方法在IoU阈值、置信度阈值均为0.75时实现精确率P=0.81、召回率R=0.78、mAP@0.75=0.72、mAP@0.5:0.95=0.63;视频级判定中,精确率P、特异度Sp均达1.00、准确率A=0.84,完全杜绝假阳性(FP)样本,验证文章方法在电梯检验视频合规性自动审查中有效性、工程适用性。

关键词： 人工智能   畜牧业   计算机视觉   自然语言处理   智能养殖   数据融合  

摘要： 随着科技的快速发展,人工智能技术在众多领域得到了广泛应用,畜牧业也不例外。人工智能能够有效提升畜牧业的生产效率和管理水平,推动畜牧业向智能化、数字化和可持续化方向发展。具体而言,计算机视觉技术通过实时监测动物行为和健康状况,实现了疾病的早期预警和精准饲养管理;自然语言处理技术则通过智能诊断和养殖管理平台为畜牧业生产者提供了智能化的决策支持。尽管人工智能技术在畜牧业中的应用仍面临计算资源需求高、数据标注困难等挑战,但随着技术的不断进步,其应用前景广阔。本文对人工智能在畜牧业中的应用研究进展进行了综述,重点探讨了计算机视觉技术和自然语言处理技术在畜牧业中的具体应用,阐述了人工智能在动物健康监测、饲养管理优化及智能诊断等方面的优势与挑战,以期为人工智能在畜牧业中的进一步应用研究提供参考依据。

关键词： 车路云协同   交通安全   感知技术   目标检测  

摘要： 一、背景介绍随着智能交通的快速发展,车路云协同环境感知技术也备受关注,其核心目标检测技术对保障智能驾驶车辆交通安全行驶至关重要。单一相机感知易受光照、能见度限制且缺乏精确几何信息,单一激光雷达点云则缺失色彩纹理细节,远距离时稀疏性会影响识别精度。因此,融合相机与激光雷达的多传感器方法成为关键,能有效规避单一传感器失效风险,显著提升感知系统的稳定性和可靠性。利用多传感器融合技术准确检测障碍物并获取其尺寸、位置信息意义重大,是当前的研究热点。