关键词： 图像识别   枸杞鲜果   成熟度检测   YOLOv8   目标检测  

摘要： 为实现高效、精准、实时的枸杞鲜果成熟度无损检测,保证枸杞鲜果处于最佳采摘期,提出一种改进的YOLOv8模型的枸杞鲜果成熟度检测方法,在主干网络中引入大型可分离核注意力模块(Large Separable Kernel Attention, LSKA)加强对被遮挡果实成熟度特征的提取能力,同时在特征融合层引入信息聚集-分发(gather-and-distribute, GD)机制以提高不同尺度的特征融合能力,增强对不同大小的枸杞鲜果的识别检测能力。最终试验结果表明,改进的YOLOv8模型在测试集下的精确率为87.8%,召回率为75.1%,平均精度均值mAP为81.8%,每秒检测帧数为22.40,模型大小为13.3 MB。与YOLOv5n、RT-DETR和原始YOLOv8n模型相比,平均精度均值mAP分别提升2.5%、12%和1.7%。改进的YOLOv8模型可以为后续高效、低损、智能化的枸杞采摘机械研究提供基础。

关键词： 图像处理   教学改革   以学生为中心   编程实现   应用实例  

摘要： 为满足智能交通领域对图像处理人才的需求,培养学生图像处理编程能力和应用能力,本文基于成果导向的教育理念,探索图像处理技术课程改革方法。从学生作为课堂教学活动的主体入手,图像处理技术理论教学与图像处理编程实现相结合,提出以学生为中心的改革措施,具体为以学生学习效果为中心,通过编写程序代码,运行程序实现图像处理技术;以学生动手学习为中心,实现理论学习与应用实践同步培养;以学生应用能力提升为中心,图像处理技术教学与大学生创新创业项目、竞赛相结合;图像处理技术课程的考核方式兼顾教学实践与工程认证目标,把智能交通领域所需技术人员必备的编程能力和理论知识应用能力纳入课程考核中。教学改革结果表明,该方法既能加深学生对图像处理思维脉络的理解和掌握,又能培养学生图像处理技术编程能力和应用能力。

关键词： SAR   LoRA   DINOv2   目标检测  

摘要： 船舶目标检测在海洋安全、海上交通监控等领域具有重要意义,尤其是在基于合成孔径雷达(SAR)图像的目标检测任务中。为此,本文提出了一种新颖的算法,将低秩适应(Low-Rank Adaptation, LoRA)技术与DINOv2模型相结合,使得模型只需训练极少量的参数便能够超越传统全参数微调模型的表现。通过LoRA模块对DINOv2模型进行优化,显著减少了需要更新的参数量,使得模型在保持高效性的同时,提升了检测小型船只的能力。

关键词： 太赫兹雷达   目标检测   交通监控   安全防护   多模态   感知系统   应急救援   安全监控  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 目标跟踪   泊松多伯努利混合滤波   高斯过程   变分贝叶斯优化  

摘要： 针对现有算法对多扩展目标跟踪精度低的问题,本文提出了一种高斯过程泊松多伯努利混合(GP-PMBM)滤波算法及其变分优化.首先,基于高斯过程原理建立了增广状态空间模型,接着,将其与泊松多伯努利混合滤波器相结合,提出GP-PMBM算法.然后,针对因使用非线性滤波技术而导致GP-PMBM滤波精度下降的问题,使用变分贝叶斯优化更新结果,实现了对目标状态的优化更新,提升了滤波器的估计精度.仿真结果表明,与已有的滤波算法相比,所提算法具有更高的跟踪精度,并且,在只有部分量测的场景中跟踪性能更稳定.

关键词： 露天矿   无人运输车辆   YOLOv7   注意力机制   安全生产  

摘要： 露天采矿装备无人化是近年来矿山开采领域热点趋势之一,针对露天矿无人运输车辆人车目标检测重大安全保障难点需求,提出了一种基于YOLOv7的融合注意力机制的目标检测算法,设计自适应注意力模块,提高模型对多目标特征的识别提取能力和对复杂环境背景下目标检测的准确性。基于Swin-Tranformer注意力机制,改进了YOLOv7网络的预测部分,增强对密集目标的识别能力;使用余弦退火法优化学习率,借助SIoU改进原来模型中的DIoU,提升检测稳定性;通过数据增强和自主采集数据集进行训练与测试,提高试验数据的有效性。研究结果显示,该方法显著提高检测速度、精度、回收率以及平均精度,可为露天无人驾驶作业的安全性提供有力的技术支撑。

关键词： 目标检测   YOLOv5   深度学习   MobileNetv3   自动驾驶  

摘要： 针对车辆检测模型参数量大,多尺度车辆目标检测困难、重叠目标、小目标和遮挡目标容易漏检的问题.提出了一种轻量化的YOLOv5-MobileNetv3检测算法.首先,利用k-means算法来提高锚框维数聚类的效果和检测速度.其次,将YOLOv5的原始骨干网络CSPDarknet53替换为MobileNetv3进行特征提取.再次,在检测网络中,用CIOU损失函数代替GIOU损失函数,快速准确地定位图像目标区域,生成边界框,预测目标类别.使用交叉熵损失函数(cross entropy loss)作为分类损失函数.最后利用k-means算法来提高锚框维数聚类的效果和检测速度.结果表明,与YOLOv5网络相比,改进后的YOLOv5-M3检测准确率提高了5.0%,模型参数数量减少了46%,训练时间减少44.9%.改进后的YOLOv5-M3网络更小、训练时间更短、更准确地识别出目标,提高了自动驾驶系统中车辆和行人的目标检测的准确性,也为实现智能交通系统提供了一种选择.

关键词： YOLOv8   水下人体声呐图像   轻量化模型   剪枝方法  

摘要： YOLOv8作为经典的单阶段目标检测算法,在颈部层能高效融合上下文信息,但面向水下人体边缘不连续的声呐图像目标检测还存在模型参数冗余、计算复杂度高的问题,不能满足端到端的工业部署要求。针对以上问题,本文在YOLOv8原网络结构中引入“约束训练+剪枝+回调训练”策略,在保证检测精度的同时,减少模型大小和计算负载。实验结果表明,改进后的算法和原YOLOv8n模型相比,模型计算量、层数、参数量和尺寸分别减小40.45%、25.33%、59.75%和18.46%,m AP@0.5几乎不变,mAP@0.5∶0.95提高了3.24%。

关键词： 图像处理   显示屏信号   信号故障   故障检测  

摘要： 传统的显示屏信号故障检测方法检测时间过长,准确率较低。为解决该问题,文中基于图像处理技术,提出了一种新的显示屏信号故障检测方法。首先,采集图像信息,对图像进行预处理,提取颜色特征、形状特征和纹理特征。其次,通过模板匹配实现图像分割,显示故障检测结果。实验结果表明,基于图像处理的显示屏信号故障检测方法能有效缩短检测时间,提高检测准确率。

关键词： 目标检测   YOLOv8n   群养生猪   BiFPN   交并比  

摘要： 为满足嵌入式设备对模型轻量化和高精度检测的需求,本研究提出了一种基于YOLOv8n模型改进的群养生猪目标检测算法。首先在主干网络中引入C2fFB结构,减少对内存的访问量与冗余计算;然后以BiFPN结构构成新的Neck网络并引入C2fSC模块,进一步实现更深层次的特征融合,减少融合的空间冗余和通道冗余;最后采用SIoU替换原来的CIoU,提高了模型的精度。实验结果表明,本算法的F1分数、查准率、查全率、平均精确度相比改进之前分别提升了3%、1.8%、3.5%、1.5%,参数量、计算量、模型大小相比改进之前分别下降了46.84%、27.16%、44.71%。因此,本算法模型为群养生猪的智慧养殖提供了1种高效的目标检测解决方案。