关键词： 生物水质检测   目标检测   轨迹追踪   图像分类  

摘要： 水污染对人类的生命和财产安全构成了严重威胁,因此建立有效的水质检测模型成为水质管理中至关重要的环节。目前,常用的水质检测方法主要包括理化检测法和生物检测法,其中生物检测法可以弥补理化检测法的不足,能够更加准确和高效地反映水质状况。本文基于计算机视觉原理,选择斑马鱼幼鱼作为水质指示生物,通过获取斑马鱼幼鱼在正常水质、轻度污染水质和重度污染水质下的游动视频,运用目标检测与轨迹跟踪技术生成鱼体运动的轨迹图像作为数据集,然后采用机器学习和图像分类技术,对不同水质下的鱼类运动轨迹特征进行学习和分类,建立了一种基于斑马鱼幼鱼行为跟踪轨迹的生物水质检测模型。该模型的分类准确率达到了97.4%,对随机轨迹图像的分类预测准确率达到了98.6%以上。本研究不仅为生物水质检测提供了模型设计的理论依据,也为不同应用场景提供了技术上的可行性支持。

关键词： 机器学习   深度学习   无人船   目标检测  

摘要： 随着数字技术的积累,智能无人设备不断实现跨越,作为无人系统一大分支的无人船将会是未来船舶发展的趋势。基于无人船视觉的障碍物检测技术是无人船实现自主航行的核心技术之一,通过无人船视觉检测技术的应用,无人船可以实时监测和识别周围的目标,当发生紧急情况时可以采取适当的行动,确保航行安全。为了促进无人船视觉检测技术的发展,论文对近年来无人船视觉领域相关研究进行阐述,总结了针对无人船视觉领域检测算法的改进策略和技术细节。针对无人船视觉领域检测过程中所面临难点和问题分析其主要原因,并且提出了解决方案。最后对未来无人船视觉领域的下一步研究进行展望。

关键词： 分心驾驶   YOLOv8n   目标检测   深度学习  

摘要： 分心驾驶行为是导致出现道路交通安全问题的主要原因之一。针对现有基于深度学习的检测算法计算复杂度高、泛化能力有限、检测精度不理想等问题,本文构建了一种基于改进YOLOv8n的轻量化分心驾驶行为检测算法。首先,将CAA注意力机制融合进StarNet,形成StarNet-CAA,并且将StarNet-CAA集成到YOLOv8n的主干网络中,提高了模型的全局特征提取能力,显著降低了计算复杂度。随后,将FasterBlock与CGLU相结合加入到颈部网络中,形成C2f-Faster-CGLU模块,降低计算成本。此外,在检测头中引入共享卷积,进一步减少了计算量和参数量。实验结果表明,改进的YOLOv8n算法显著提高了分心驾驶行为检测的效率,在StateFarm数据集上达到了99.4%的准确率。模型的参数量减少46.7%,计算量减少41.5%。此外,在100-Driver数据集上进行了泛化实验,结果表明,与YOLOv8n相比,该方案的泛化效果有所提高。因此,该算法在保持高可靠性和泛化能力的同时,显著降低了计算量。

关键词： 煤矿井下多目标检测   YOLOv8n   动态蛇形卷积   CA注意力机制   特征提取   特征融合  

摘要： 目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时,对复杂小目标的检测效果不佳,易出现漏检和误检现象。针对上述问题,基于单阶段目标检测算法YOLOv8n,提出了一种基于动态蛇形卷积的特征提取(FEDSC)−双向特征金字塔网络与语义和细节融合的特征融合(FFBD)的煤矿井下多目标检测算法,即采用FEDSC替换YOLOv8n的主干网络,扩大感受野;将FFBD作为颈部网络,减少目标误检和漏检;引入SIoU的解耦检测头作为检测层,提高模型对小目标的适应能力与模型收敛速度。实验结果表明:①FEDSC−FFBD算法的mAP@0.5为97.00%,模型参数量为4.22×106个,每秒浮点运算数为21.7×109。②FEDSC−FFBD算法的mAP@0.5较YOLOv8n算法提升了3.40%,对安全帽小目标的识别准确率为90.90%,较YOLOv8n算法提升了11%。③与其他YOLO系列算法相比,FEDSC−FFBD算法的mAP@0.5最高,较YOLOv5s,YOLOv9c,YOLOv10n和YOLOv11n算法分别提升了3.60%,1%,10.50%和6.40%。④FEDSC−FFBD算法在面对煤矿井下光照强度分布不均、目标环境复杂及尺度分布不均衡的条件下,提高了多类别目标的检测精度,改善了小目标漏检和误检的问题。基于FEDSC−FFBD的煤矿井下多目标检测算法在无图像质量增强算法的前提下,克服了光照强度分布不均对小尺度目标检测带来的挑战。

关键词： 带钢   缺陷检测   空间注意力   通道注意力   特征融合  

摘要： 钢材表面缺陷检测在工业产品质量控制中越来越重要。由于钢材表面缺陷具有复杂背景、缺陷种类多样、尺度不一等特点,精确、高效地检测带钢表面缺陷仍然是一项极具挑战性的任务。针对这些问题,提出了一种基于通道和空间注意力的带钢表面缺陷显著性目标检测模型。首先,基于Transformer提取带钢图像的多尺度特征,以捕获目标图像的长距离依赖关系;接着,将获取的多尺度特征图送入所设计的两种不同的注意力模块(通道注意力模块和空间注意力模块),以强调带钢表面缺陷特征而抑制不相关的背景特征,从而加强对缺陷目标和背景的区分能力;最后,采用多尺度渐进融合模块融合多尺度特征图,以便不同尺度的特征信息能够进行互补,获取具有丰富语义信息的特征图,使模型能够更高效且精确地检测出带钢表面缺陷。大量实验结果表明,该模型在显著目标检测任务中具有显著的优势,表现出更高的准确性和更强的鲁棒性。

关键词： 图像识别   图像处理   特征提取   系统选型   参数设定  

摘要： 煤矿井下刮板输送机链条断裂多发于使用初期磨合和后期疲劳阶段,主要由设备刮卡、链条磨损及变形引起。现有基于霍尔传感器和电感类接近开关的监测手段在复杂矿井环境下效果有限,尤其是在预测链条临近断裂状态方面。因此提出了采用图像识别技术的刮板链故障检测方法,详细介绍了该技术的基本原理与实际应用,旨在提高刮板链组件故障的识别精度和预警能力。

关键词： 疵棉异纤   YOLOv8   注意力机制   轻量化   目标检测  

摘要： 为解决疵棉小目标异纤检测难度高、检测实时性差等问题,本文提出一种基于轻量化YOLOv8的疵棉异纤检测算法(YOLOv8-MMW)。首先,引入MobileNetV3轻量级网络替换原骨干网络,以降低参数数量和计算复杂度,提高网络算法检测的实时性;其次,在骨干网络中加入多维协作注意力机制(MCA),增强多维特征交互能力,使模型关注疵棉小目标异纤;最后,引入动态非单调聚焦机制WIoUv3,以提高模型收敛速度和精度,提升对小目标异纤的定位能力。结果表明,改进后的YOLOv8-MMW模型精确度和平均精度均值分别为95.5%和95.8%,与原始基线模型YOLOv8相比,精确度和平均精度均值分别提升了0.9%和0.1%,模型权重减少了56.7%,帧率达到367.8帧/s。改进后的模型可以更快速、准确地识别出疵棉小目标异纤,为疵棉智能化分拣提供技术支撑。

关键词： 多目标跟踪   数据关联   Transformer   长时跟踪   注意力机制  

摘要： 针对复杂环境中多目标跟踪数据关联难度大、难以实现目标长时间稳定跟踪的问题,该文创新性地提出了一种基于Transformer网络的端到端多目标跟踪模型Track-MT3。首先,引入了检测查询和跟踪查询机制,隐式地执行量测-目标的数据关联并且实现了目标的状态估计任务。然后,采用跨帧目标对齐策略增强跟踪轨迹的时间连续性。同时,设计了查询变换与时间特征编码模块强化目标运动建模能力。最后,在模型训练中采用了集体平均损失函数,实现了模型性能的全局优化。通过构造多种复杂的多目标跟踪场景,并利用多重性能指标进行评估,Track-MT3展现了优于MT3等基线方法的长时跟踪性能,与JPDA和MHT方法相比整体性能分别提高了6%和20%,能够有效挖掘时序信息,在复杂动态环境下实现稳定、鲁棒的多目标跟踪。

关键词： 无人机图像   车辆检测   小目标检测   可变形卷积   损失函数   非极大值抑制  

摘要： 在无人机航拍图像中,车辆目标较小,尺度变化大,背景复杂且分布密集,导致精度过低的问题。因此,提出一种基于改进的YOLOv5的无人机航拍图像车辆目标检测算法。增加小目标检测层,减少小目标特征丢失,从而提高小目标检测精度;设计了一个名为DAC的新特征提取模块,它融合了标准卷积、可变形卷积和通道空间注意力机制,旨在增强模型对车辆尺度变化的感知能力,并让模型聚焦于复杂背景下的车辆目标;将损失函数更改为Focal-EIoU,以加速模型收敛速度,同时提高小目标车辆的检测精度。使用Soft-NMS代替YOLOv5中采用的非极大值抑制,从而改善目标密集场景下的漏检和误检情况。在VisDrone2019数据集上进行了消融实验、对比实验和结果可视化。改进后的模型平均精度(mAP)比基线模型提高了8.4%,参数量和GFLOPs仅增加了4.8%和3.79%,验证了改进策略的有效性和优越性。

关键词： 逆透视变换   目标检测   高速公路   车辆监控  

摘要： 本文对基于逆透视变换和目标检测技术的高速公路车辆坐标系转换方法进行了分析探讨,介绍了逆透视变换的原理及其在图像处理中的应用,阐述了目标检测技术的发展及其在车辆检测中的应用,描述了如何通过逆透视变换和目标检测技术实现高速公路车辆的坐标系转换,并通过实验验证了所提方法的有效性。