关键词： 害虫检测   农田环境   目标检测   无锚框   CenterNet  

摘要： 农业生产中的害虫管理对确保作物产量和品质起着关键性作用。基于卷积神经网络的害虫检测技术近年来取得一定进展,但仍面临两大主要挑战:一是某些害虫种类外貌高度相似导致分类识别困难;二是因害虫对象具有多尺度特征导致大量假阴性检测,特别是在小型害虫的识别上。为解决这些问题,研究提出一种实时、无锚框的改进CenterNet害虫检测模型。该模型在主干网络中嵌入CBAM注意力机制,以有效提升特征的分类准确性。同时,在颈部网络中加入MFF多尺度特征融合模块,实现不同尺度特征图的高效整合。研究结果显示,所提模型在百度AI昆虫数据集和高挑战性的IP102数据集上,平均精度均值mAP分别高达98.6%、89.7%,并且在2个数据集上的推理速度超过30帧/s,实时性能显著。与现有主流方法相比,改进CenterNet害虫检测模型在复杂农业环境下害虫精准识别方面优势显著,具有广泛的应用潜力。

关键词： MobileNetV2   语义分割   绝缘子   输电线路巡检   深度学习   计算机视觉  

摘要： 目的针对输电线路巡检航拍图像绝缘子分割精度不高、边缘端设备算力有限以及模型参数量大、实时性不足等问题,提出一种基于MobileNetV2的轻量级输电线路绝缘子分割网络ISNet。方法首先,采用轻量级的MobileNetV2作为编码器骨干网络,从输入图像重提取多尺度特征;其次,提出一种新的多样化特征聚合模块(DFAM),通过具有不同卷积核的卷积层、通道注意力和空间注意力机制,聚合多样化的空间位置信息和高级语义信息;最后,设计多级对称解码器(MSD)融合来自同一层编码器和上一步解码器的输出特征,以此生成最终预测图。结果实验结果表明,本文方法在航拍图像绝缘子分割数据集上表现优异,在mIoU指标上,IS-Net达到了90.9%,相比DeepLabV3plus和SegFormer,分别提高了5.2%和1.2%;在mPA指标上,ISNet达到了93.6%,相比DeepLabV3plus和SegFormer,分别提高了5.2%和0.8%。此外,本文方法在单张NVIDIA RTX 3090 GPU上的推理速度可达71.2 F/s,参数量仅为3.1 M,浮点运算量(FLOPs)仅为21.2 G(输入图像大小为1024×1024),优于目前主流的语义分割方法。结论IS-Net在提升模型的轻量化和实时性的同时,可实现最佳的分割精度。

关键词： 高速公路收费   人工智能   深度学习   计算机视觉   智能化系统  

摘要： 人工智能技术在高速公路收费车道系统中发挥着日益重要的作用,通过深度学习与计算机视觉等先进技术对传统收费模式进行智能化改造已成为行业发展趋势。在收费车道系统中引入车型识别与车牌识别等智能化技术后,车辆通行效率显著提升,人力资源成本大幅降低,系统运行更加稳定可靠。实践数据表明,智能化收费系统在识别准确率与通行效率以及差错率等关键指标上较传统人工收费模式有了质的飞跃。智能化收费系统具备较强的可扩展性,为高速公路收费模式创新发展开辟了新路径。

关键词： 咖啡果实   成熟度检测   深度学习   YOLOv5s   目标检测   注意力机制  

摘要： 针对目前咖啡果实成熟度检测中存在低精度和计算复杂问题,提出一种基于YOLOv5s的咖啡果实成熟度检测算法模型。以YOLOv5s模型为基础,结合ShuffleNet V2轻量化网络,以降低模型计算复杂度;把SPPF模块嵌入到主干网络中,提高模型对特征信息提取和融合的能力;引入RFAConv注意力卷积,使模型关注感受野空间特征,进一步提高检测性能;用SIoU损失函数取代CIoU损失函数,提高模型学习目标位置和形状信息的能力,进而提高模型的检测精度。试验结果表明,改进后的YOLOv5s算法相比原始模型精确率提高0.5%,召回率提高0.1%,平均精度均值提高1.1%,同时参数量减少10%,浮点运算量FLOPs减少4.4%,不但实现模型目标检测精度的提升,而且也使算法网络的复杂度降低。

关键词： 水稻叶片   病害检测与识别   卷积神经网络   目标检测   分类识别   改进策略  

摘要： 我国水稻叶片病害的防治工作一直以来都是重中之重。实现快速、准确的病害检测和分类识别,有助于在早期及时发现病害并采取治疗措施,从而提高水稻的产量和品质。通过分析现有水稻叶片病害检测与识别算法发现,基于传统图像处理方法的叶片病害检测效率低并且准确率不高,但随着深度学习不断发展,基于卷积神经网络的病害检测与识别已成为研究人员关注的重要课题。针对近年来使用的模型算法总结归纳数据预处理与数据增强、框架结构改进和迁移学习等改进策略,对比分析这些算法的性能及其局限性,发现多数模型存在准确率与模型参数量性能不平衡的问题。从数据集构建、模型性能平衡和泛化能力等方面展望未来的研究趋势,为以后高效检测与识别水稻叶片病害提供参考。

关键词： 寒地水稻病斑识别   卷积神经网络   目标检测   图像分类  

摘要： 传统卷积神经网络对于水稻病害识别存在局限性,特别是在寒地水稻病斑位置识别方面。为此,提出了一种改进型轻量级深度学习网络模型,建立了一个包含5种常见寒地水稻叶部病害图像的数据集,并构建了病害分类和病斑目标检测网络模型;将图像分类网络嵌入YOLOv3目标检测网络中,并对模型的特征提取部分进行了优化,采用转置卷积和空洞卷积进行上采样和下采样;最后,对比了改进后的YOLOv3模型与传统的卷积神经网络模型。试验结果表明,病害分类模型在各项指标上均表现出色,平均召回率、平均精度、平均F1-Score和总体准确率分别为93.64%、93.74%、93.77%和93.64%。改进后的YOLOv3模型在病斑检测方面也表现出色,平均检测精度(mAP)达到89.79%,检测率(DR)达到94.94%,检测速度达到64.9 f/s,综合性能明显优于传统的YOLOv3算法,为水稻病害的准确快速识别提供了新途径,对水稻病害的监测和防治具有重要意义。

关键词： 伪装目标检测   边缘信息   纹理信息   特征引导   特征交互  

摘要： 伪装目标检测(COD)因目标物体与背景极为相似而具有很大的挑战性。针对目前COD方法未能充分利用边缘和纹理信息辅助检测任务而造成的边缘预测模糊、检测结果不完整且存在干扰等问题,提出了一种边缘-纹理引导增强网络(ETGENet),通过显式且充分的边缘和纹理引导策略来进一步提升COD的性能。首先,ETGENet中包含了一个关键的特征引导增强模块(FGEM),该模块能够利用并行的特征细化分支处理并增强对象特征,引导分支通过引导注意力来获取对象特征与边缘-纹理线索之间的相关性,以加强网络对于对象细节信息的理解并抑制噪声干扰;而自增强分支则利用自注意力机制从全局角度对伪装对象特征进行细化。其次,提出了一个特征交互融合模块(FIFM)来渐进融合相邻特征,FIFM利用注意力交互机制和加权融合策略学习特征间的互补信息,以生成更完整的预测图。最后,在3个公共数据集CAMO、COD10K和NC4K上进行实验验证,结果表明:所提出的网络在S-measure、自适应E-measure、加权F-measure和MAE结构度量S、自适应增强匹配度量E、加权F度量和平均绝对误差M指标上均优于相关领域的其他方法,尤其在最大的测试集NC4K上,加权F度量指标高于所对比12个COD方法中表现最佳的FSPNet 2.2百分点。

关键词： 甘蔗计数   无人机   图像处理   YOLOv5s   解耦头   归一化  

摘要： 以中耕期甘蔗作物的无人机图像为研究对象,针对植株叶片互相遮挡、目标粘连和背景信息复杂等问题,设计了一种基于改进YOLOv5s的甘蔗检测计数模型。首先,通过在网络中使用基于归一化的注意力模块,加强对图像中中耕期甘蔗植株的特征学习和特征提取,并且减弱与甘蔗植株相似的蔗地杂草背景对检测效果的干扰。其次,原始YOLOv5s网络中的耦合头替换为改进过的高效解耦头,用以进行分类和回归分支的解耦计算,提升甘蔗植株检测模型的性能。最后,更改边界框损失函数为动态非单调聚焦机制WIoU,提高模型收敛速度。同时,采用多尺度训练在一定程度上提高改进模型对物体大小的鲁棒性,最终使模型可以输入任意大小的图片。试验结果表明:改进的YOLOv5s模型准确率、召回率和平均精度均值分别为97.72%、91.7%和96.2%,较原始YOLOv5s模型分别提高3.82、4.5、2.5个百分点。统计表明:测试集的30幅甘蔗图像中,甘蔗植株真实值为1104,改进YOLOv5s模型生成的甘蔗植株数为1086,漏检个数为18,漏检率为1.6%,改进模型对无人机图像中的甘蔗植株计数误差较小,可为甘蔗的检测计数、长势评估提供技术支撑。

关键词： 陵园   异常检测   目标识别   无人机   图像处理   YOLOv8  

摘要： 针对人工巡检存在的漏检率大、人工成本高、无法全天候监测等问题，建立陵园异常状态检测系统，提升小目标检测的效率和准确性。系统主要由挂载于无人机的对地监测摄像头和图像处理模块组成，摄像头获取陵园地面图像传送至图像处理模块，对陵园入侵人员、火焰和烟雾等异常状态进行实时检测，并设计双通道通信机制将检测结果短信息和图像分别发送至地面站，解决了传统无人机图像识别抗干扰能力较差的问题。图像处理模块通过图像预处理技术对无人机图像进行边缘增强，叠加原始图像作为YOLOv8 Nano目标检测模型的输入执行目标检测，在无人机有限计算资源的前提下提升小目标检测的效率和准确性。测试结果表明，该系统可实现对陵园异常状态的准确检测。

关键词： 点云   目标检测   交叉注意力   层级融合注意力  

摘要： 室外场景中的点云数据常呈现稀疏性，这使得远处物体和小物体检测困难。针对上述问题，以经典的高效检测器IA-SSD（InstanceAwareSingle-StageDetector）作为基线网络，在此基础上改进出了层级融合注意力目标检测网络HFA-SSD（Hierarchical Fusion Attention Single-Stage Detector）。首先，在下采样层中结合几何和语义特征并使用两层交叉注意力机制，以增强待投票种子点的特征质量，从而提高投票中心坐标的准确性；其次，通过设计层级融合注意力机制，融合三个上采样层的点云特征，以获取更丰富的投票中心特征。在KITTI（Karlsruhe Institute of Technology and Toyota Technological Institute）数据集上的实验结果表明，HFA-SSD相较于IA-SSD在整体检测精度上提高2.35%，弱感知物体平均精度提高2.48%。检测速度达到了75FPS（Frames Per Second），符合实时检测要求。