关键词： 目标检测   建筑物类型识别   地震灾害信息采集  

摘要： 地震仍然是当今最具破坏性的自然灾害之一，地震现场灾情数据的及时收集至关重要。传统的灾情数据采集通常依赖人工方式，但在发生强烈地震时，由于交通中断等因素，人工采集面临巨大挑战。为了解决这一问题，本文提出了一种基于改进YOLOv8n的建筑物结构类型识别算法。该算法在模型的Neck部分引入了EMA注意力机制，增强了模型对特征的处理能力，从而提升了检测性能。此外，本文采用GhostNet替换YOLOv8n中的卷积层(Conv),以提取更多的特征图并减少模型参数，从而在降低计算成本的同时提高精度。改进后的模型在mAP@0.5指标上提高了2.2%,在mAP@0.5-0.95指标上提升了0.7%。

关键词： 图像处理   滤波   颜色模型  

摘要： 阐述基于图像处理的荔枝外观检测研究方法可以高效准确筛选荔枝，做到优劣区分、品质分级。试验应用RGB颜色模型和HSV颜色模型，以及十种滤波检测方案。结果表明，中值滤波是基于图像处理荔枝外观检测方法中的最优方案，能够高效判断出荔枝的优劣，准确检测出荔枝的红绿比。

关键词： 红外小目标   目标检测   采样定理  

摘要： 为提高复杂背景下红外小目标检测能力，提出基于采样定理的检测算法。预处理用高斯滤波增强局部对比度与降噪，经图像上下采样与原图像差分分离小目标区域，再用自适应阈值分割筛选目标。实验表明，该算法对不同场景适应能力好，处理质量和效率显著提升。

关键词： 目标检测   YOLOv8   MobileViT   轻量化   Soft-NMS  

摘要： 智能除草装置在农田实际应用中面临杂草检测模型如何部署至移动设备，并实现对复杂背景下不同形状和特征的杂草快速精确识别的问题。针对农业移动除草设备的部署需求，本文以玉米苗期的杂草数据为检测目标，对YOLOv8(You Only Look Once)检测算法进行改进，提出了一种轻量化杂草目标检测算法。为了缩减模型规模，并提高模型在移动设备上的运行效率，将主干网络替换为改进后的Mobile Vi T(Mobile Vision Transformer)轻量级模型主干。与此同时，设计了颈部网络纳入轻量级卷积GSConv(Group-Steerable Convolution)和Vo VGSCSP(Voting-based Vision Guided Superpixel Co-Segmentation with Pooling)模块，以增强模型的特征提取能力和目标检测的精确度，提高模型检测的准确性和速度。通过将Distance-Io U(DIo U)与柔性非极大抑制（Soft-NMS）相结合的算法，改善了模型的收敛速度，并在多个目标重叠下达到了更高的平均准确率。通过自建的玉米田杂草数据集进行了实验验证，结果表明：轻量化的杂草识别模型参数量仅为1 083 025，相较于YOLOv8n减少了64%；模型的精确率和召回率分别达到了93%和92.6%, m AP50和m AP50-95指标分别为97.4%和88.1%；此外，单幅图像的检测速度达到了92.5帧/s，为该模型在农业边缘设备上的应用提供了条件。该算法在准确性、速度和模型规模方面取得了显著的改进，可以为智能除草装置在农田中的实际应用提供技术支持。

关键词： 计算机视觉   移动机器人   目标检测  

摘要： 阐述计算机视觉技术在移动机器人路径规划中的应用。该技术能够为移动机器人提供路径规划的基本依据，通过识别工作目标和运行路径上的障碍物，为机器人的自主导航决策提供支持。

关键词： 目标检测   旋转矩形框   深度学习   电容器元件  

摘要： 针对经典的YOLOv5目标检测算法仅能实现水平矩形边界框的目标定位的问题，设计了一种基于YOLOv5s模型的旋转边界框电容器目标检测方法。该方法通过使用环形平滑标签将角度预测问题由回归问题转化为分类问题，并使用二值交叉熵损失描述角度预测的损失函数。此外，通过复制、旋转变换和拼接等手段对原始训练数据进行扩充，以提高模型的精度和泛化能力。在真实电容器数据集的实验结果表明，改进的旋转边界框电容器目标检测算法平均精度达83.5%，相比于原始YOLOv5模型，预测的目标边界框与电容器实际矩形轮廓更加吻合。

关键词： YOLOv7   小目标检测   EVC Block   SPPCSPC   NWD  

摘要： 目的 针对复杂的内河河道环境，漂浮垃圾中小目标物体占大多数且易受来自水面和岸边环境反光等因素影响，造成目标外形模糊，易被遮挡，给目标检测带来困难；提出了一种基于改进YOLOv7的河道漂浮垃圾检测算法。方法 首先，针对河道漂浮垃圾的受环境影响外形发生变化，通过改进SPPCSPC模块，增强对小目标物体的特征提取能力；其次，加入中心化特征金字塔，通过ROI(region of interest)与特征金字塔进行加权融合，方便对于不同尺度目标的检测。最后，由于针对传统IoU(intersection over union)对于小目标物体位置偏差非常敏感，降低了检测性能。采用了Wasserstein Distance来替代IoU作为检测衡量指标，通过引入基于NWD(Normalized Wasserstein Distance)的损失函数，从而提高检测精度。结果 实验结果表明：改进YOLOv7算法模型准确率增加3.1%达到89.7%,并在IoU为0.5以及IoU在0.5～0.95情况下，平均均值精度分别增加了6%、4.6%,分别达到87.8%、43.4%,检测结果优于其他经典检测模型。结论 通过实验结果可以看出，改进后模型在检测精度上有显著提升，对于实际应用具有一定的参考价值。

关键词： YOLOv8   目标检测   轻量化   果蔬识别   结算系统  

摘要： 近年来,人工智能相关技术及产品在各行各业都逐步落地应用,超市果蔬的售卖模式也在积极探索“AI赋能”新途径。目前研究应用的“智能识别称重、自助扫码结算”等设备,尚未完全把“识别、称重、计价和结算”等功能集于一套系统,部分操作仍然需要人工完成。因此,本文基于YOLOv8检测模型实时识别果蔬种类,再搭配硬件设备采集称重数据,设计并实现一套果蔬智能结算系统,具体研究内容如下: (1)构建超市常见果蔬图像数据集。实地调研本地超市经常售卖的果蔬种类,并购买相关水果、蔬菜自行布置场景拍摄,模拟不同光线、不同角度、不同摆放位置、不同遮挡程度等场景下的果蔬形态,得到原始的实拍图像,确保数据集更贴近本地超市实际情况,再利用网络采集相关的果蔬图像进行筛选和补充,整理得到14类共2,946张果蔬图像。通过LabelImg工具对数据集图像进行标注,按7:3划分训练样本和验证样本,对训练样本进行独立增强扩充,最终得到10,275张训练图像,确保了训练样本和验证样本互相独立。 (2)轻量化改进YOLOv8模型。首先分析YOLOv8的网络结构并选用v8n版本作为训练模型,学习借鉴BiFPN网络结构的设计思想,将YOLOv8n的Neck部分改进为BiFPN结构,其次将BottleNeck模块中的普通卷积替换成PConv卷积,构建CSPPC模块去替换C2f模块,改进后得到YOLOv8n＿BP模型。实验数据表明,经过改进后的模型在自建果蔬数据集上相较于原始模型的表现,GFLOPS值下降0.9,参数量下降20.6%,模型尺寸减小19.83%,同时m AP值提高0.6%,可达96.1%,验证了改进模型的有效性。 (3)设计并实现果蔬智能识别结算系统。基于改进后的YOLOv8n＿BP模型,搭配传感器、摄像头等硬件设备,设计并实现一套果蔬智能识别结算系统。该系统基于Python语言开发了前台操作端和后台管理端程序,实现顾客自助识别果蔬种类、称重计价和生成订单二维码等功能,以及管理员对用户、商品和订单数据的常规管理;再基于安卓平台开发了用户手机APP软件,实现顾客手机“扫码支付”金额,完成订单结算;最后采用“Flask+MySQL”搭建服务器端,为前台操作端、后台管理端和用户手机APP软件提供数据交互服务。

关键词： 南药   病虫害检测   目标检测   YOLOv5s   轻量化  

摘要： 本研究构建了南药病虫害图像数据集并提出了南药病虫害检测轻量化模型以提供诊断防治。以YOLOv5s为基础，使用更轻、更快的轻量化网络Mobile Net V3作为主干网络提取特征，加入了神经网络架构搜索（NAS）和h-swish激活函数，得到轻量化后的YOLOv5s-M检测模型，构建的数据集包含南药病虫害图像1693幅，其中病害种类包括鞘翅目、同翅目、鳞翅目和异鳃总目等11目昆虫，实验结果表明：基于YOLOv5s-M的南药病虫害检测模型平均检测精度达到了95.7%，参数量下降了30%，浮点运算次数下降了43.7%，模型内存占用量为21.561MB,YOLOv5s-M模型内存均小于Faster R-CNN、SSD、YOLOv3。所提出YOLOv5s-M南药病虫害检测模型更加轻量化，准确且快速检测图像中南药病虫害，可为病虫害绿色防控提供检测手段，推动绿色防控技术与绿美生态的融合。

关键词： 井下智能装备   计算机视觉   嵌入式   多源传感技术   智能控制  

摘要： 煤矿井下作业环境复杂，对井下智能装备的可靠性和安全性提出了更高的要求。图像精准识别与自主控制是制约煤矿井下智能装备系统发展和应用的关键问题。研究了智能控制、计算机视觉、YOLOv8等技术，建立了智能识别算法模型，解决了粉尘、喷淋、光线不足等环境因素的干扰问题，实现井下巷道、顺槽作业目标的精准识别；研发了基于嵌入式GPU的智能装备控制系统，集成了多源传感技术与智能识别控制算法；研发了工作环境安全状态实时感知与反馈系统，将控制决策和反馈调节有机融合，保证智能装备系统稳定、可靠、高效运行，提高了智能装备自主作业能力，有效减轻了工人劳动强度，提高了作业效率和质量，减少了各类作业的安全隐患，在煤矿智能化建设中发挥了重要作用。