关键词： 遥感影像   目标检测   YOLOv4   非对称卷积   位置注意力  

摘要： 基于YOLOv4提出一种改进的遥感影像地面目标检测模型。在骨干网络中,以非对称卷积核组及其等效卷积核代替常规卷积核进行特征提取运算,同时通过位置注意力模块进一步增强模型对正样本特征的学习强度。在特征增强网络中,增加了额外的输出特征图尺寸来增强模型对小尺寸目标的检出能力,最终在检测输出端通过softNMS算法优化模型的候选框输出机制。实验结果表明,所提出的改进算法相比原始模型有着更好的综合检测精度与鲁棒性,同时能够在测试环境下实现对遥感影像内不同类目标的实时检测,能够在城市规划、军事侦察、应急救灾等领域内具有一定的应用价值。

关键词： 人工智能   机器人技术   农业自动化   图像处理  

摘要： 在全球人口持续增长和劳动力成本上升的背景下,农业生产面临着提高产量和效率的双重压力。人工智能和机器人技术为解决这一问题提供了创新途径。基于此,设计了一款基于人工智能的农业采摘机器人自动化系统,通过整合先进的图像处理技术、智能决策支持系统以及高效的控制与数据处理策略,实现对农作物的精准识别、定位和采摘。系统框架包括感知层、决策层和执行层,利用深度学习模型和多传感器数据处理优化作业过程。仿真结果表明,该系统能有效提高采摘效率和减少作物损伤,展现出良好的实用性和广泛的应用前景。

关键词： 肺结节   Transformer   ConvNeXt   注意力机制   计算机视觉   双骨干网络  

摘要： 为了提高对肺结节的准确分割,文中提出一种CSF-UNet的双骨干网络特征提取方法。使用两种不同侧重的骨干网络并行提取图像特征,通过利用ConvNeXt网络提取局部特征,并结合Swin Transformer网络提取全局特征来提升模型的特征提取能力。提出了一种自适应大核融合模块,有效地融合两种不同规格的特征,通过串联两个大核卷积获得更大的感受野和动态选择机制来突出重要的空间区域。在SPPF中融合了ECA通道注意力和密集链接,提出了ESPP模块以进一步挖掘双骨干网络提取的高级语义信息,使网络更加关注重要的特征通道。在LIDC数据集上的实验结果表明,提出的模型在3个指标上优于基本UNet模型以及最近几年其他研究团队提出的针对该数据集的分割网络。最终,CSF-UNet模型实现了78.1%的IoU、87.71%的DSC、87.19%的敏感度和88.23%的精确度。这些结果表明,该模型在肺结节分割方面表现出良好的性能,对医生进行早期肺结节诊断具有重要的临床意义和应用价值。

关键词： 图像处理   文本检测   可变卷积   自然场景  

摘要： 场景文本检测是近年来极具挑战性的任务,针对自然场景中密集文本检测受限、漏检的特点,提出了面向场景文本的检测方法。首先,采用可变形ROI池代替平均池化层改进DenseNet网络作为特征提取网络,实现对不同尺度的文本进行自适应局部定位,然后通过卷积注意模块对多层级图像特征加权,增强文本特征。此外,在特征融合时引入可变卷积代替普通卷积,增加调整卷积核的方向向量,从而使采样网格自由变形,促使卷积核的形态更贴近文本形状。最后,在输出层引入辅助的双向门控循环单元,聚集文本区域。该模型相较于已有的方法在ICDAR2013数据集上提高了近1.11%,在ICDAR2015数据集上提高了近1.17%,一定程度上提高了检测的精确率。

关键词： 目标检测   YOLOv8   轻量化   李子   LDetect  

摘要： 为了解决果园李子受枝叶和果实遮蔽、环境变化等因素影响,难以准确检测的问题,该研究提出了一种基于改进YOLOv8s的轻量级果园李子检测模型。首先,采用自设计主干网络Faster-EMA缩减模型复杂度、提高检测精度。其次,引入焦点调制网络(focal modulation)替换原模型中的SPPF模块增强特征融合能力,丰富特征提取的语义信息;最后,引入参数共享策略并实现轻量级检测头LDetect,满足了低功耗嵌入式设备部署需求。试验结果表明,优化后模型的平均检测精度达到97.2%,与原模型相比,检测精度提高了7.4个百分点;模型计算量降低了44.8%;模型参数数量减小了25.8%;部署在边缘计算设备Jetson Nano 4GB上,检测帧率达到了48.3帧/s。该研究所提出的方法能有效的解决复杂背景下果园李子的智能化检测,有助于促进李子智能化采摘技术的发展。

关键词： 光学遥感图像   风车   目标检测   BiFPN   特征融合  

摘要： 遥感图像风车的目标检测有广泛的应用前景,与自然场景图像相比,卫星遥感图像风车存在尺度差异大、目标较小、背景复杂等特点。针对卫星图像检测中存在的干扰误检较多、复杂背景下准确率较低以及检测置信度较低的问题,提出一种基于yolov5的加权双向特征金字塔网络(BiFPN),引入可学习权值来学习不同输入特征,实现了自上而下与自下而上的深浅层特征双向融合,增强不同网络层之间特征信息的传递,在一定程度上提高了多尺度以及受地表覆盖影响下的风车目标识别率,并在同种情况下提高了目标检测的置信度,最终在遥感风车数据集上获得了93.6%的mAP,以及95.3%的精准率和93.0%的召回率。相比于原yolov5网络结构,mAP提升了1.6%,证明了网络改进对复杂背景下遥感图像目标检测的有效性。

关键词： 海底检测   YOLO   GELAN   DSConv   深度学习  

摘要： 海底成像质量差、分辨率低导致目标边缘模糊、识别困难,小目标的聚集又增加了漏检和误检的风险。针对这些问题,考虑到YOLOv7-tiny算法兼顾高精确度和小体积的特点,在其基础上设计了YOLO-sea网络检测算法。针对低分辨率场景小目标的特征学习不足、细粒度信息易丢失的问题,基于SPDConv(space-to-depth convolution)改进主干网络,提高低分辨率场景下密集小目标特征的提取能力。针对海底成像模糊、目标边缘识别困难的问题,设计了参数共享对比度增强注意力机制(parameter shared contrast enhanced attention,PSCEA)来优化局部细节和边缘信息的表示。基于YOLOv9的GELAN架构和DSConv(dynamic snake convolution)的思想,设计高效的聚合模块DSCELAN,轻量化同时增强对海底海参、鱼类等细长目标的聚焦能力。重构检测头,进一步提升小目标的检测效果。改进后的模型YOLO-sea算法在DUO数据集上的mAP提升了2.8个百分点,参数量减少了41%,证明了该创新在海底检测方面的优势。在主流网络YOLOv5s、YOLOv7-tiny和YOLOv8n上均进行注意力对比实验,加入PSCEA机制后使mAP分别提高了1.1、1.3和0.7个百分点,证明了该机制的泛化性和有效性。

关键词： 行人检测   方向梯度直方图   颜色通道缩减   计算效率   特征提取   目标检测  

摘要： 行人检测在智能监控和自动驾驶等领域需要兼顾精度和实时性。然而,现有技术在处理复杂场景时仍面临计算效率低的问题。该研究采用基于方向梯度直方图(HOG)的行人检测方法,并通过颜色通道缩减技术,在保留图像关键信息的同时减少计算量。通过一系列实验验证了预处理策略在减轻计算负担和提升检测精度方面的有效性。研究结果表明,该方法在保持检测精度的同时,检测速度提升了8%,为行人检测技术的发展提供了新的视角和优化方向。

关键词： 输电线路鸟窝检测   视觉显著性检测   计算机视觉   多特征融合   条件随机场  

摘要： 鸟类在输电线路杆塔上筑巢会对电网的稳定运行造成极大的威胁。针对无人机航拍图像中鸟窝检测问题,提出一种基于视觉显著性的输电线路杆塔鸟窝检测算法,该算法通过灰度值分析定位出线路杆塔所在的区域并将其作为感兴趣区域,提取图像的三种显著性特征,并采用条件随机场模型进行特征融合得到显著图;根据鸟窝的形状特征制定约束条件,排除电力线和云层等伪目标的干扰,得到鸟窝检测结果。实验结果表明,所提出的方法能够准确地检测出输电线路杆塔上的鸟窝。

关键词： 深度学习   OpenCV   图像处理软件  

摘要： 本文设计并实现了一款基于深度学习的OpenCV图像处理软件。软件系统采用模块化设计,集成了卷积神经网络(CNN)和生成对抗网络(GAN),用于实现图像分类、图像增强和边缘检测等功能。在CIFAR-10、DIV2K和BSDS500数据集上验证软件系统性能,结果表明该软件在图像处理任务中具有较高的精度和效率,能够满足多种复杂图像处理需求。