关键词： 目标检测   YOLOv5网络   图像增强   检测精度  

摘要： 针对YOLOv5目标检测模型检测精度不高的问题，提出一种改进融合多层卷积结构的YOLOv5模型，并成功应用于目标图像重组领域。加入MPC-Net可有效增强YOLOv5算法先验框的适应度及特征表征能力，在保持网络原有检测速度前提下，提高了网络检测精度及收敛速度。通过数据集测试结果表明：选取α与β值分别为1.6和0.14,此时平均准确率均值mAP最高为92.3%,训练速度提升30%左右。相比其它目标检测算法，加入MPC-Net的改进YOLOv5算法准确率最高分别提升5%左右，且检测速度更快，能够有效提高目标图像识别能力，可拓展到其它的图像增强领域。

关键词： 目标检测   角点检测   深度学习   边坡监测   铁路防灾  

摘要： 通过对现有边坡监测技术进行对比分析，提出了基于目标检测算法的铁路边坡智能监测系统的整体设计思路。系统利用特征目标检测、角点检测与匹配等深度学习算法，实现对铁路边坡位移的监测，并能及时、准确地发出灾害预警和报警信息，并启动紧急处置预案，避免因边坡崩塌落石对铁路线路和行车安全造成影响。

关键词： 高速无人机   图像处理   深度学习   目标检测   算法优化  

摘要： 高速无人机巡查系统在实际应用中面临图像处理速度慢、准确度低等问题。针对这些挑战,文章设计了一种改进的图像处理算法。该算法结合了深度学习和传统计算机视觉技术,通过优化网络结构、引入注意力机制和多尺度特征融合等方法 ,显著提高了处理速度和准确率。实验结果表明,改进算法在处理速度上比基准算法提升了40%,目标检测准确率提高了15%,有效解决了高速场景下的图像模糊和目标识别困难等问题,为高速无人机巡查系统的实际应用提供了有力支持。

关键词： 电力材料   水平运输   智能化   机器视觉   图像处理  

摘要： 随着电力行业的快速发展，其对电力材料的运输效率和安全性提出了更高的要求。针对传统电力材料水平运输过程中存在效率低、人工成本高、安全性差等问题，本文设计了一种基于机器视觉的电力材料水平智能化运输设备，对设备的机械结构进行了设计，还构建了基于机器视觉的控制架构，并对其进行了硬件平台搭建和软件算法设计，重点研究了图像清晰化预处理技术，最终验证了本文所设计设备的有效性和可靠性。本研究旨在提高视觉系统的鲁棒性和精度，实现电力材料的自动化、精准化运输，并提高其运输效率和安全性。

关键词： 深度学习   YOLOv7   Shuffle Attention   相似目标检测  

摘要： YOLOv7在目标检测中取得了优异的效果，但对相似物体的检测仍存在误检率较高的问题，其主要原因是YOLOv7对细粒度特征的提取能力不足。为解决上述问题，该研究提出SA-YOLOv7目标检测网络，即在不改变ELAN(Extend Efficient Layer Aggregation Networks)整体结构的前提下，将注意力模块SA(Shuffle Attention)与之融合，形成SA-ELAN模块，以获取更多通道和空间特征信息，进而提高相似物体的检测精确度。模型在公共的手和手套相似物体数据集上开展了大量对比实验，探究了SA加入YOLOv7网络中的数量及位置对结果的影响，揭示了SA发挥作用的底层原理，深化了对注意力机制的理解。实验结果显示：SA-YOLOv7相较于YOLOv7，检测精度提升了7.7%，mAP@0.5:0.95提高了1.8%，与最新的YOLOv11相比，也具有0.9%的检测精度优势。SA-YOLOv7的研究为相似物体检测技术的发展提供了助力。

关键词： 目标检测   YOLOv5   水果种类   成熟度   机器学习  

摘要： 在水果的采摘加工等环节中，水果种类的快速识别与成熟度的准确分级是提高生产效率的关键。设计了一种基于YOLOv5的算法模型，以实现对苹果、葡萄、草莓、柿子类圆形水果的自动识别与分级。首先，构建一个目标检测模型，通过采集大量的类圆形水果图像数据对模型进行训练；其次，通过尺寸调整和色彩调整等数据增强技术，增加类圆形水果数据的多样性，提高模型的泛化能力；最后，根据水果的大小、颜色等特征实现对类圆形水果的自动分类及其成熟度有效的判断。经验证，算法能够从图片、视频中成功地识别到苹果、葡萄、草莓、柿子这四种水果的类别以及三个等级的成熟度，所得结果可以帮助用户更加方便地进行后续的处理与销售。

关键词： 鱼类排便行为   水产养殖   YOLO v7-tiny   目标检测  

摘要： 粪便是集约化水产养殖系统中有机废物的主要来源，排便数量的增加和时间的延长都会加快养殖水质中氨氮、亚硝酸盐等污染物的积累浓度和速度，因此，排便行为模式对于维持最佳水环境和确保可持续的鱼类生产至关重要。为解决传统排便行为分析费时费力的问题，本研究提出一种基于改进YOLO v7-tiny的高性能、轻量级的鱼类排便行为识别模型CDW-YOLO v7。该模型采用基于C2f结构的双向特征金字塔网络(C2f-bidirectional feature pyramid network, C2f-BiFPN)优化识别排便行为的多尺度和非线性特征融合能力，同时引入具有注意力机制的动态检测头(Dynamic head, DyHead)以增强模型在复杂环境中对鱼类排便行为关键特征的提取能力，并结合WIoU损失函数，减少因鱼类遮挡、重叠等造成的漏检现象，提高模型的准确性。实验结果表明，与基线模型YOLO v7-tiny相比，CDW-YOLO v7模型具有更好的性能，参数量减少2.56×10～6,浮点运算量降低5.90×10～9,同时平均精度均值(mean Average Precision, mAP)提高2.04个百分点。此外，该模型在模型大小、精度和检测速度等方面，均优于3种经典目标检测算法(YOLO v3-tiny、YOLO v4-tiny和YOLO v5s)。本研究为鱼类排便行为的精准检测和智能化水产养殖系统的发展提供了理论基础。

关键词： 型线图   船体建模   计算机视觉技术  

摘要： 针对船舶行业常规人工建模方法培训成本较高、效率较低的问题，该文开发了1种以二维平面型线图纸为输入的三维几何船体模型智能生成软件，能够提升建模工作的自动化水平，提高生产效率。该建模软件使用Python语言进行开发设计，通过模拟人类视觉系统，以像素集群为基本单位，从二维图纸中提取、分析和理解船体型线信息。首先，读取、识别并处理截图或扫描得到的二维平面型线图纸(JPEG或PNG格式)，根据3个视图之间的空间关系，将型线的二维型值点映射为三维的点云数据；然后，通过信息增密等手段生成船型表面，简化了从二维平面到三维模型的建模流程；最后，精度验证结果显示，基于计算机视觉技术的建模软件能够快速实现由图片形式的二维型线图纸向三维船体模型的转换，具有一定的可靠性。

关键词： 道路工程   深度学习   目标检测   路面检测   模型评价  

摘要： 针对路面病害检测效率较低、人工成本较高的现状，以目标检测算法在路面病害检测中的应用为研究对象，归纳对比了传统目标检测算法与深度学习目标检测算法的特点、两阶段目标检测算法与单阶段目标检测算法的优缺点。以YOLOv5和YOLOv7算法为例，选取RDD 2020数据集进行模型训练，采用精确率、召回率、平均精确率和平均精确率均值对计算结果进行评价。为深度学习目标检测算法应用于路面检测提供借鉴与参考。

关键词： 深度学习   目标检测   坐标信息重组   注意力机制   合成孔径雷达船舶检测  

摘要： 为了在提高合成孔径雷达（SAR）船舰检测精度的同时降低误检率，提出了一种基于阶梯式残差结构和坐标信息重组的SAR船舰检测方法。首先，将阶段性残差部分卷积块构建为主干网的主要特征提取模块，以提高船舶目标识别能力、有效降低参数量；其次，在特征融合部分，基于空间信道注意力机制和级联层构建体块注意网络；进一步关注模型的几何信息，在检测头部分，提出了坐标信息重建卷积；在特征传递的最后阶段，利用坐标信息重组卷积旋转不变性的特点，在提高海上不同方位船舶检验效果的同时，增强模型的承载干扰能力，优化信息融合质量；最后，将规格化的高斯Wasserstein Distance引入检测头处的损耗回归函数中，以增强小目标的检测能力。为了证明所提出的网络的有效性，在HRSID数据集和SSDD数据集上进行了实验。结果表明：对于更复杂的HRSID数据集，与基准模型相比，基于阶梯式残差和坐标信息重组的网络的准确率提高了4.8%，召回率提高了3.7%，交并比（IoU）为0.5时的平均精度提高了4.1%,IoU为0.5∶0.95时的平均精度提高了2.7%；在SSDD数据集中，与基准模型相比，基于阶梯式残差和坐标信息重组的网络的准确率上升4.9%，召回率上升1.3%,IoU为0.5时的平均准确率上升2.8%,IoU为0.5∶0.95时的平均准确率上升2.8%，网络模型参数减少约20%。所提网络在提高SAR船舰检测精度、改善误检漏检等方面具有显著优势，有效解决了SAR船舰检测问题，为检测船舰提供了一种有效、高精度的方法。