关键词： 森林防火   无人机   图像处理   BP神经网络  

摘要： 对无人机设计方案、图像处理和火焰分割算法的技术原理进行了介绍,并利用BP神经网络对图像中的火焰面积变化率和火焰尖角等特征进行识别,实现了对森林火灾的快速监测。实验结果表明:系统的准确率为98.5%,比普通神经网络的84.5%更高;耗时仅22 s,比普通神经网络159 s缩短很多。这表明,BP神经网络是更可靠且更有效率的火灾识别方案。

关键词： 深度学习   目标检测   算法设计   Bi-LSTM   变电站   违章识别  

摘要： 为了提高变电工程施工现场的安全管控水平,基于视频采集、环境监测、大屏展示、视频存储服务器、智能监管平台服务器等应用场景设计智能视频监控算法。所提算法可以抽象为一个融合卷积计算、池化运算及Softmax分类器的深度神经网络,能快速、准确地将低级别的特征图替换为高级别,进而实现对作业现场典型违章行为的识别。此外考虑到采集视频帧的时效性,算法引入双向长短期记忆网络来替代传统深度网络中的全连接层,在提升特征提取效率的同时,还避免了网络训练的梯度消失现象。实地部署测试结果表明,所设计的算法不仅可以完成多个目标的智能检测,且算法的整体mAP可达96.23%,较传统的CNN提升约3.74个百分点。

关键词： 图像处理   改进ResNet34   脑肿瘤分类   多尺度输入   注意力机制   inception v2  

摘要： 传统的人工分辩脑肿瘤医学影像费时费力、浅层的卷积神经网络模型分类准确率较低,为了提高脑肿瘤图像分类的高效性和准确率,提出了一种基于改进ResNet34网络的脑肿瘤分类模型;该模型以ResNet34残差网络作为骨干网络,结合多尺度特征提取思想,采用多尺度输入模块作为ResNet34网络的第一层,将inceptionv2模块作为残差下采样层;再通过通道注意力机制模块,从通道域的角度赋予图像不同通道不同的权重,得到更重要的特征信息;经过五折交叉实验后的结果表明,改进后的新网络模型的平均分类准确率约为98.82%,比ResNet34提升约1.1%,且模型参数数量仅为原模型的80%;这说明改进后的网络不仅提高了准确率,还减少了模型复杂度,达到了参数更少,准确率更高的分类效果。

关键词： 目标跟踪   目标识别   无人机跟踪   YOLOv10  

摘要： 针对无人机目标小、目标不显著的情况以及目标被遮挡后的再跟踪问题,提出一种将改进YOLO和改进KCF模型融合的无人机识别跟踪算法YOLO-G-KCF。该算法在特征处理方面将多通道梯度特征和原图特征通过特征级联的方式进行融合,并将融合特征引入YOLOv10算法之中,使改进算法对强光照、阴影等复杂光照条件下的目标有更好的检测效果;同时将多通道梯度特征信息引入KCF目标跟踪算法之中,通过设计一种多尺度特征检测,使KCF算法具有良好的尺度自适应;在头侧引入KCF跟踪结果,计算得新的损失函数Inner-IoU,更准确的识别跟踪目标。经实验表明,在由多个开源无人机视频目标跟踪组成的数据集上进行测试,YOLO-G-KCF算法取得95.3%的准确率;与YOLOv10原始模型相比,改进模型的mAP@0.5提高了1.37%,平均精度mAP@0.5达到了94.28%,且识别速度达到了112 FPS,能以100 FPS以上的速度运行,满足无人机目标识别跟踪的实时性需求。通过引入识别机制的跟踪并进行改进,在不损失速度的基础上,对比其他算法具有更好地识别跟踪效果。YOLO-G-KCF算法实现了对无人机在目标小、不显著以及遮挡后再跟踪等情况下的识别跟踪,识别准确率高、抗干扰能力强、硬件开发实时性好,具有一定的理论研究和工程应用价值。

关键词： 目标检测   工程车辆   EfficientViT   改进型YOLOv5s   软非极大值抑制算法  

摘要： 为有效减少并预防因违法土地开垦和矿产挖掘而造成自然环境破坏的行为,利用部署到高塔上的摄像头,提出了一种在复杂环境中进行各类工程车辆检测的ETS-YOLO小目标监测识别算法.首先,使用EfficientViT网络替换YOLOv5s的主干特征提取网络,以提高注意力多样性,大幅缩减模型参数量.其次,增加小目标检测层,增强网络对浅层语义信息的提取,以提高小目标检测效果.最后,使用软非极大值抑制算法(soft-NMS)替换原有NMS函数,以有效识别遮挡、重叠目标.实验结果表明:改进后的模型平均准确度均值(mAP)为93.3%、参数量为5.90 M、检测速度为52 f/s.相较YOLOv5s模型,mAP提升2.6%,参数量下降16.1%.

关键词： 精确目标检测   运动模糊   轻量化   部分深度可分离卷积   跨层路径聚合特征金字塔网络  

摘要： 为提升弹载成像制导中运动模糊图像目标检测的精确性与效率,提出一种轻量化且高效的运动模糊图像目标检测(Lighter and More Effective Motion-blurred Image Object Detection,LEMBD)网络。通过深入分析运动模糊图像的成因,基于成像机理构建了专用的运动模糊图像数据集。在不增加网络参数的前提下,采用共享权重的孪生网络设计,并引入先验知识,将清晰图像的特征学习用于模糊图像的特征提取,以同时实现对清晰与模糊图像的精准检测。此外,设计了部分深度可分离卷积替代普通卷积,显著减少了网络的参数量与计算量,并提升了学习性能。为进一步优化特征融合质量,提出跨层路径聚合特征金字塔网络,有效利用低级特征的细节信息和高级特征的语义信息。实验结果表明,所提LEMBD网络在运动模糊图像目标检测任务中的性能优于传统目标检测方法和主流运动模糊检测算法,能够为精确制导任务提供更精准的目标相对位置信息。

关键词： 弯曲   大豆   主茎骨架   目标检测   株高测量  

摘要： 准确测量大豆的生理株高是大豆考种的重要任务之一。传统基于计算机视觉的株高测量通常采用植株端点的直线长度或对植株进行像素分割等方法,存在茎秆自然弯曲的生理株高测量误差大、数据标注成本高等问题。本研究提出了一种利用改进的YOLOv8n模型重构弯曲大豆主茎骨架实现生理株高的准确测量的方法。在原有YOLOv8n模型的基础上引入CA注意力机制(Coordinate Attention)、融合小目标检测层实现对主茎节点的检测获取其位置信息,再使用YOLOv8n-seg模型实现根部分割获取根茎交界点的位置信息从而排除根部长度影响,最后根据植株的生长方向结合主茎节点和根茎交界点的位置信息构建大豆植株主茎骨架,利用其能够准确反映生理株高的形态信息提高测量的精度。试验结果表明,改进的YOLOv8n模型的平均精度值为91.52%,较原始网络提升了2.09百分点,YOLOv8n-seg模型的平均精度值为95.54%,可实现大豆植株主茎骨架的高精度重构,重构大豆主茎骨架实现生理株高测量的平均绝对误差为1.67 cm,均方根误差为1.91 cm,平均绝对百分比误差为3.25%,与测量检测框长度推算弯曲大豆生理株高相比平均绝对百分比误差下降了8.46百分点,更适合于大豆生理株高测量。研究结果表明,该方法能获得准确的大豆生理株高测量结果,可为大豆智能考种提供方法与技术支撑。

关键词： 物流快递   智能分拣   密集包裹   目标检测   无参注意力机制   轻量化   边框相似性度量  

摘要： 针对物流分拣中堆放混乱、相互遮挡的问题,研究改进基于YOLOv7的目标检测算法,提高分拣效率和识别准确率。通过优化主干网络,引入ConvNeXt网络结构、轻量级上采样算子CARAFE,以及轻量级特征融合金字塔结构Slim-Light,减少模型参数和计算复杂度;引入轻量化无参注意力机制模块(SimAm)和新的边界框相似性度量标准归一化Wasserstein距离(NWD),解决密集堆叠包裹的误检漏检问题。实验结果表明,改进后的YOLOv7模型在自制数据集上取得了显著成果,在检测精度方面取得了显著提升,实现了模型参数和计算负担的双重降低,为解决物流分拣难题提供了一种有效方法。

关键词： 目标检测   BiFormer   注意力机制   损失函数   YOLOv5  

摘要： 针对水下生物目标检测的挑战,提出了一种基于YOLOv5改进的高效模型。通过引入BiFormer注意力机制、创新性的Focal-ShapeIoU损失函数,模型在水下生物特征提取、类别不平衡处理、细节恢复和计算效率方面均得到显著提升。实验结果显示,相较于原始YOLOv5,改进后的YOLOv5在水下生物目标检测任务上的准确率提高了4.1%,验证了改进策略的有效性。

关键词： 条码   深度学习   目标检测   轻量级   YOLOv7-tiny  

摘要： 针对当前复杂工业场景下条码检测精度低、多尺度识别难度大、检测算法复杂度高的问题,本研究提出一种基于改进YOLOv7-tiny的轻量级条码检测算法。首先,针对检测算法复杂度高、难部署到嵌入式设备的问题,引入ShuffleNet v2轻量化网络并将其结构中步长为2的深度可分离卷积修改为空洞卷积来扩大感受野,修改后作为新的特征提取网络。其次,嵌入CBAM(Convolutional Block Attention Module)轻量级注意力机制提高网络特征提取能力,获取更丰富的语义信息,提升小目标检测精度。最后,采用SIoU损失函数替代原始的CIoU损失函数,增强条码定位能力。实验结果表明,改进后的YOLOv7-tiny模型相比原模型的平均精度和速度分别提升了2.36%和19frame/s、参数量和计算量分别减少了0.9MB和1.9G,满足工业场景下条码检测准确度与速度的要求。