关键词： 遥感目标检测   YOLOX   位置注意力机制   加权双向特征金字塔   上下文解耦头  

摘要： 针对遥感影像背景复杂,影像内不同类别目标间尺寸差异较大,现有模型对于其内小尺寸目标检测精度较低的问题,对YOLOX进行改进,实现了一种遥感影像目标检测方法。在骨干网络内引入位置注意力模块,让模型专注学习正样本特征;使用双层加权特征金字塔代替现有特征融合网络,并在检测端使用上下文解耦检测头对目标框回归与目标分类任务充分分解。实验结果表明,本文模型在测试集上的平均精度均值达到90.14%,较YOLOX模型提高了9.97%,较YOLOv8模型提高了4.34%,单张图像的检测速度仅为0.019 s,具有实时检测能力。

关键词： 计算机视觉   涂层缺陷   检测标准  

摘要： 论文综述了计算机视觉在钢结构涂层缺陷检测方面的研究进展。重点介绍了计算机视觉在钢结构涂层缺陷检测方面的实现方式、遇到的困难和相关检测标准。进一步理清计算机视觉在钢结构涂层缺陷检测方面的影响因素,促进计算机视觉在涂层缺陷检测领域的发展。

关键词： 接触角测量   图像处理   Young-Laplace方程   目标函数   优化算法  

摘要： 精确求解液滴基础物理公式Young-Laplace方程组,理论上可获得比量高法、圆及椭圆拟合法、曲线拟合法更高精度的接触角值,但该方程组的非线性多变量微分属性影响了其求解速度、精度和可靠性。针对欧氏距离做Young-Laplace方程组目标函数的不足,提出使用曲线相似度作为目标函数,利用改进DTW算法对其求解。同时,运用变步长网格搜索法、遗传算法和粒子群算法等多种优化算法对液滴的实际轮廓进行寻优拟合,得到了最接近实际轮廓的理论曲线。根据得到的理论曲线,利用Young-Laplace方程组计算出液滴的接触角,并与常用的测量方法进行对比。结果表明,本方法测量简便、结果准确、可靠性高,测量误差小于0.1°,是一种可行的接触角测量方法。

关键词： YOLOv3   人体检测   LR-Darknet41网络   特征融合   RFB-s  

摘要： 针对YOLOv3在人体检测上对小目标对象检测精度低、漏检率高,以及其检测速度无法满足现阶段实时检测需求的问题,论文提出基于改进YOLOv3的人体目标检测算法。首先,对VOC数据集中person类别使用K-means++聚类算法重新聚类,生成新的先验框,优化先验参数;其次,对YOLOv3骨干网络Darknet53进行通道剪枝,得到轻量化的骨干网络LR-Darknet41,减少模型参数,提高检测速度;最后,在特征融合部分,将部分深浅层特征通过RFB-s模块进行融合,扩大感受野,增强对小目标对象的检测。实验结果表明,所提出的改进算法相较原算法,漏检率降低3.7%,检测精度提高4.1%,检测速度达到53.6帧/秒。

关键词： 图像处理   边缘检测   中智集   自适应阈值  

摘要： 为提升边缘检测的速度、精度及抗噪性,提出了一种基于中智集的自适应阈值边缘检测算法,该算法通过边窗滤波算法代替传统滤波算法进行去噪;改进中智集获取算法,将图像分割为T、F、I 3个子集,缩短处理时间;提出自适应阈值提取算法,缩短阈值提取时间;最后融合分割信息,获取边缘特征。试验表明,该算法在处理不同噪声时效果优于最新研究的基于最大熵的中智集边缘检测算法(NMNE),在保证精度的同时显著提升了检测速度。

关键词： 红外目标跟踪   YOLOv7   轻量化   SE注意力机制   MobileNetV3   双向特征金字塔网络  

摘要： 针对红外图像纹理弱及多目标遮挡导致跟踪精度低的问题,构建了基于改进YOLOv7模型和多目标跟踪算法DeepSort的融合红外目标跟踪模型MSB-YOLOv7-DeepSort。采用SE(squeeze and excitation)通道注意力机制和双向特征金字塔网络提高红外目标的特征提取质量;利用轻量化网络MobileNetV3替换YOLOv7骨干网络,提升融合模型的推理速度。实验结果表明,MSB-YOLOv7-DeepSort模型在跟踪准确度、跟踪精确度、正确目标跟踪比例和帧率等方面均具有较好的性能。

关键词： 红外船跟踪   孪生网络   显著性目标检测   特征融合   共享互相关   多任务学习   卷积神经网络   深度学习  

摘要： 由于红外图像特征判别力低,现有方法很难从背景中分割目标。而受到红外成像机制的影响,红外目标通常具有较高的局部显著性,因此本文提出一种基于显著性导引孪生网络的跟踪方法,以目标的显著性信息为先验知识,引导跟踪模型准确地定位目标。本文提出显著性预测网络和显著性增强网络。显著性预测网络用于获得搜索区域的全局显著性图,并将其输入到显著性增强网络以增强目标,提高模型的判别能力;设计了一个共享互相关结构来计算模板图像特征与显著性增强后的搜索区域特征之间的相似度,通过分类和回归两个任务共享互相关特征图,同时提升模型的效率和性能;由于目前缺少公开的红外船跟踪数据集,本文构建了一个新的红外船目标跟踪数据集(infrared ship dataset,ISD),共包括16种不同类型的船,7800幅带有标签的视频帧。在ISD上的实验结果显示,与其他18个常用跟踪模型相比,本模型达到了最高的准确率和最高的期望平均交并比。

关键词： 枸杞病虫害   目标检测   YOLOv5   深度学习   病虫害识别  

摘要： 枸杞作为我国重要的经济作物,其病虫害问题严重影响作物的产量和品质。为提高枸杞病虫害识别效率,降低人工成本,研究基于深度学习的病虫害识别方法,构建了涵盖主要病虫害的图像数据集,采用数据增强技术提升样本多样性,基于YOLOv5目标检测模型进行检测,并与SSD等模型进行了性能对比分析;实验通过混淆矩阵和损失函数评估模型的鲁棒性与检测精度。实验结果表明,YOLOv5在平均精度(mAP)和召回率等指标上均显著优于对比模型,其中mAP达到88.49%。此外,混淆矩阵分析结果表明,YOLOv5对负泥虫和木虱的检测精度最高,对瘿螨类的检测存在一定混淆。基于YOLOv5的检测方法能够高效、准确地识别枸杞病虫害,为智能化农业病虫害监测提供了重要支持,并具备广阔的应用前景。

关键词： 目标检测   绝缘子缺陷   YOLOv5   多尺度   Ghost模块   注意力机制  

摘要： 针对现有绝缘子缺陷检测方法的精度低和网络复杂等问题,提出融合注意力与轻量化的多尺度电缆绝缘子缺陷检测方法。首先,在YOLOv5的主干网络中引入通道注意力,抑制复杂背景纹理,强调缺陷特征信息;其次,基于Ghost模块轻量化的特点提出Ghost-Bottleneck模块,替换YOLOv5中的Bottleneck模块,降低网络的复杂度;然后,采用K-means++算法聚类预测框的锚框坐标,同时增添并聚合多尺度耦合头,提高小缺陷目标的检测准确度;最后,通过将DIOU Loss定位损失函数修改成CIOU Loss定位损失函数来优化网络参数。实验结果表明,该算法在CPLID数据集上绝缘子缺陷检测的mAP达到99.5%,参数量相比于原始YOLOv5网络减少了33.5%,在实现对绝缘子缺陷检测的同时更容易移植到巡检终端,为绝缘子缺陷智能巡检提供更准确的新方法。

关键词： 菜品识别   深度学习   目标检测   YOLO  

摘要： 为实现智能家居环境下多菜品的智能识别,提出了基于改进YOLOv7的轻量级多菜品识别方法(lightweight multi-dish recognition method based on improved YOLOv7,LMDRMIYOLO)。首先,构建中式菜品检测数据集CNF228作为细粒度菜品识别研究对象;其次,针对菜品数据集样本少、多样性不足导致的模型性能上限过低的难题,使用多种数据增强方法以正则化数据、提高模型泛化性;再次,针对菜品识别对精度和实时性的平衡需求,提出基于简单聚合层和混合卷积注意力机制的轻量级骨干网络ECNet;最后,在CNF228数据集上测试表明,LMDRMIYOLO的mAP@0.5:0.95、识别速度和参数量分别为82.8%、164FPS、27.5M。相比YOLOv7的82.6%、133FPS、37.7M而言,所提模型实时性提升、参数量减少且提升了平均精度。本文方法为自动感知居民日常饮食记录提供了智能方法。