关键词： 垃圾检测   地摊管理   目标检测   迁移学习  

摘要： 在当前城市地摊经济管理中,对地摊垃圾的有效检测与分类尤为重要.针对地摊场景垃圾检测问题,提出基于NasNet-Mobile迁移学习的地摊场景垃圾分类方法.首先,本文构建了一个包含三种地摊场景垃圾类别的数据集,并进行了数据增强处理;其次,采用冻结部分参数或重新训练全部参数进行模型迁移学习,进一步优化模型参数;最后,在自建地摊垃圾图像数据集上,从准确率、训练耗时、模型复杂度等方面进行定量分析.实验结果表明,NASNet-Mobile分类模型在大幅度减少网络参数的同时仍能达到较高的准确率且适合在嵌入式设备中部署.

关键词： 无人机   航拍图像   目标检测   特征提取   注意力机制  

摘要： 针对无人机航拍图像中目标尺度变化大、目标遮挡、模型参数量大等问题,提出了上下文特征增强-你只看一次第11版(context feature enhancement-you only look once version 11,CFE-YOLOv11)模型,用于航拍图像目标检测。首先,设计轻量化下采样卷积(lightweight downsampling convolution,LDC)模块,通过双路下采样增强特征信息,利用通道混洗提升跨通道信息交互能力,降低模型的参数量。其次,设计基于分离与增强注意力的3尺度卷积双路径可变核(convolutional three-scale kernel-adaptive dual-path separated and enhancement attention,C3k2-SEA)模块,提升模型的特征提取能力。同时,提出多分支空间与通道注意力(multi-branch spatial and channel attention,MSCA)模块,增强模型对不同尺度目标特征的提取能力。最后,使用双重损失优化(dual loss optimization,DLO)模块,通过差异化梯度增益分配机制,优化模型的检测效果。结果表明,相较于YOLOv11模型,CFE-YOLOv11模型在视觉无人机(visual drones,VisDrone)、遥感图像目标检测(remote sensing object detection,RSOD)数据集上,交并比阈值为0.50时的平均精确率均值分别提升了2.1、2.0个百分点,且模型参数量下降了15.4%。CFE-YOLOv11模型不仅提升了航拍图像检测精度,还缓解了模型漏检、误检情况,为准确检测航拍图像目标提供了高效的解决方案。

关键词： 齿轮箱漏油检测   师生蒸馏   深度学习   计算机视觉  

摘要： 齿轮箱作为机械设备中的关键组件,对于整个系统的稳定性和效率至关重要。齿轮箱漏油导致维护成本增加,更有可能引发设备故障甚至事故,严重威胁生产安全。本文提出了一种基于深度特征融合和师生蒸馏模型的齿轮箱漏油检测方法,同时提取深度图与2D图像的特征并融合,以获得更优异的特征表示。在多个真实齿轮箱漏油数据集上进行了实验,实验结果表明,与现有的齿轮箱漏油检测技术相比,本文提出的方法在检测准确率和实时性方面均有显著提升,平均检出率达到94.5%,检测速度为每帧0.048s,具有良好的应用潜力。

关键词： 胎儿圆锥动脉干畸形   多切面融合识别技术   智能化超声诊断   深度学习   图像处理  

摘要： 目的:本研究旨在开发并验证一种基于多切面融合识别技术的智能化超声诊断系统,用于胎儿圆锥动脉干畸形(CTD)的早期筛查和精确诊断,以提高胎儿心脏疾病的检出率和诊断准确性。方法:从东莞市妇幼保健院超声科数据库中检索自2019年1月1日至2024年9月30日期间接受Ⅲ级产前超声检查和胎儿超声心动图检查的孕18周至32周的所有单胎妊娠妇女421例,包括正常或异常胎儿的四腔心视图(4CH)、三血管与气管视图(3VT)、右心室流出道(RVOT)和左心室流出道(LVOT)以及血流多普勒图像总共2895幅,使用胎儿超声心动图切面,采用经典的YOLOv3网络,通过一系列卷积层提取八个主要的临床筛查事件即4CH、3VT、LVOT及RVOT下的灰阶超声时序表现和彩色多普勒时序表现,结合专家设计的诊断金标准,训练一组神经网络并集成建模;另选择孕妇250例为验证集,A组200例(正常妊娠组)、B组50例(妊娠合并胎儿动脉锥干异常),分析医生+多切面融合识别技术(AI)诊断和AI单独诊断对不同组数据集的不同切面的准确性、敏感性和特异性,统计两种诊断方法的耗时。结果:三血管气管切面的诊断精确度、敏感度和特异度最高。B组不同切面诊断的精确度、敏感度和特异度明显高于A组(P<0.05)。此外,单独AI诊断和AI+医生诊断的精确度、敏感度和特异度没有显著差异(P>0.05)。单独AI诊断耗时195秒,AI+医生诊断耗时1560秒,单独AI诊断效率明显高于AI+医生诊断(P<0.05)。结论:基于多切面融合识别技术的智能化超声诊断的诊断效果和AI+医生诊断没有显著差异,但耗时显著减少,表现出显著优势。

关键词： 目标检测   遥感图像   多元分支   自注意力   轻量化  

摘要： 针对遥感拍摄目标角度变化导致图像中的检测目标尺度多样且密集分布难以准确检测的问题,提出一种多元分支融合自注意力(Multi Branch Fusion Self-Attention,MFS)的遥感图像目标检测算法。该算法先设计由卷积和自注意力机制组成的多分支模块,形成特征提取网络,再建立针对小物体的第4个检测头,旨在融合不同尺度的特征。同时,利用DepGraph剪枝方法进行剪枝,降低参数规模使其轻量化。实验结果表明,所提算法在航拍图像(Dataset for Object deTection in Aerial Image,DOTA)数据集和NWPU VHR-10(Northwestern Polytechnical University Very High Resolution-10)数据集的平均准确率分别为77.7%和96.5%,优于同等参数规模的检测算法。特别是在剪枝后,参数规模仅有6.64 M的情况下,所提算法对DOTA数据集检测精度可以保持在72.9%。

关键词： 恶劣成像环境   退化图像   深度学习   一体化恢复   计算机视觉  

摘要： 为提升图像恢复模型在多种恶劣成像环境下的泛化能力与适应性,系统探讨了一体化图像恢复模型的研究进展。首先,分析恶劣成像环境下6类一体化图像恢复模型的现状;接着,总结模型特点;然后,探讨模型的局限性;最后,展望模型的发展趋势。研究发现,现阶段一体化图像恢复模型提升了图像清晰度与多场景适用性,但存在真实退化图像恢复效果较差、可解释性差、模型结构复杂等问题。未来可通过真实退化建模与自监督学习提升恢复效果,结合注意力机制与物理建模及物理信息网络提升可解释性,通过模块化设计与模型压缩实现轻量化。该研究可为高性能通用图像恢复模型的研究及应用提供重要参考。

关键词： 机器视觉   相机支架   可变形卷积网络   三分支旋转注意力模块   复杂背景干扰   目标检测  

摘要： 图像目标检测常受复杂背景干扰,导致目标特征模糊、误检率高及检测速度慢等问题。为此,开展了基于机器视觉的复杂背景干扰图像目标检测方法研究。首先,设计了基于机器视觉的复杂背景干扰图像照明优化装置,通过照明设计有效减少复杂背景对目标识别的干扰,提高目标对象的可见度;其次,改进了PPYOLOv2(pre-processing you only look once version 2)网络模型,通过优化预处理、特征提取、特征融合、预测Head、预测结果生成、损失计算与优化以及检测与后处理等7个关键步骤,实现了对复杂背景干扰图像中目标的准确、高效检测。测试结果表明:设计方法未出现漏检与误检现象,检测效果表现良好,每个设计步骤均能提升实验目标检测精度,说明每个设计步骤对于复杂背景都是必要的。

关键词： 轻量化   注意力机制   目标检测   无人机   YOLOv5s  

摘要： 基于卷积神经网络的目标检测网络存在大量冗余卷积运算及多尺度特征融合,导致额外计算成本等问题,使其难以应用于资源有限的设备。针对上述问题,在YOLOv5s的基础上提出一种轻量化目标检测算法。首先,设计了多种轻便的特征提取模块以减少冗余卷积运算,降低了模型超参量。其次,算法嵌入SENet结构以增强特征提取的鲁棒性,同时提出一种新的损失函数优化边界框损失,从而提高了对地目标的检测精度。最后,构建的自适应多尺度特征融合网络NASFF减少了通道降维开销,有效缓解了特征损失。实验结果表明,改进算法在3个数据集表现良好,在UAVDT中mAP50达到31.3%,模型尺寸缩减至5.85 MiB,相比YOLOv5s基准模型,参数量、模型尺寸和浮点数运算量分别减少了58.9%、59.4%和58.8%,具有更小的计算开销。

关键词： 红外图像   目标检测   YOLOv8s   轻量化   无人机  

摘要： 为应对无人机航拍红外图像在目标检测中面临的噪声干扰、小目标密集以及模型参数数量庞大等难题,本研究提出一种融合轻量卷积与注意力机制的无人机红外目标检测算法LDI-YOLOv8s。该算法提出了融合轻量化卷积与注意力机制的GSCA卷积模块,有效增强各尺度对上下文语义信息的保留能力;设计了轻量化解耦头模块,在维持检测精度的同时,显著削减模型参数数量;此外,还引入WIoU损失函数,能够精准定位小目标的边界。实验数据显示,改进后算法平均精度mAP@0.5达86.2%,较YOLOv8s提升8.4百分点,精确率与召回率分别提升9.3百分点、8.3百分点,推理速度提高27%,达到了175FPS,性能优势明显,可高效完成检测任务。

关键词： 水稻病害   目标检测   轻量化   损失函数   多尺度特征融合  

摘要： 针对现有水稻病害检测模型存在复杂度高、病害特征尺度差异显著以及检测精度低等问题,提出一种改进型的轻量化水稻病害检测算法YOLOv8n—ADMW。引入ADown轻量化下采样模块替代网络中的CBS模块,有助于模型捕获病害特征以及减少模型计算量,实现模型的轻量化;使用基于点采样的动态上采样算子Dysample替代传统上采样方法,根据输入特征内容自适应学习采样参数,减少病害边缘和特征信息的丢失;设计C2f—MSBlock模块更换颈部网络中的C2f模块,进一步增强多尺度病害特征融合能力,提高对多尺度目标的检测精度;将YOLOv8n原有的CIoU损失函数更改为动态非单调的聚焦机制WIoUv3,通过梯度增益分配策略提高模型的精确定位能力。试验结果表明,改进后的轻量化模型的平均精度均值mAP@0.5和mAP@0.5:0.95分别达到91.4%、56.8%,与YOLOv8n基线模型相比分别提高4.5%、3.5%,参数量和模型大小仅为2.4 M和5 MB,与改进前相比,分别减少20%、16.7%。YOLOv8n—ADMW算法使模型保持轻量化的同时提高检测精度,能够实现对水稻病害的有效检测,可为后续水稻不同病害的诊断提供技术支撑。