关键词： 目标检测   YOLOv8s   注意力机制   机械臂抓取  

摘要： 以提升机器人对未知物体的抓取能力为研究对象,研究基于改进YOLOv8s的目标检测与抓取。首先,搭建了智能抓取系统硬件平台,并完成了机器人手眼标定;其次,为了提升YOLOv8s的检测精度,对其主干网络引入CA(coordinate attention)注意力机制;再次,分析对比了主流轻量化目标检测算法,结果表明改进后的YOLOv8s具有更优的检测性能,且较原先模型mAP(mean average precision)提升了2.3%,模型大小仅增加了0.1 MB。结合目标检测的结果、相机获取的深度值以及GR-CNN(generative residual convolutional neural network)物体抓取位姿,成功完成了对零件的抓取分类。最后,为了实现实时监控和数据分析,开发了基于PyQt5的上位机。

关键词： 不结球白菜   数字图像处理   表型性状   DUS  

摘要： 在对不结球白菜进行植物新品种DUS(Distinctness,Uniformity and Stability)测试过程中,性状获取大多依靠人工测量、目视测量等方式,存在测量精度不高、主观判断成分高以及相关性状仅能定性描述等问题。通过数字图像处理技术,依据NY∕T 2223—2012对采集的不结球白菜图像进行分析,定义了叶长宽比、叶弧度、叶内角等10个与不结球白菜形状相关的表型性状,定义了叶面积、叶周长、株高等13个与不结球大小相关的表型性状,定义了叶面泡状程度、叶均匀度2个与不结球纹理相关的表型性状。数字化手段可更为精准地获取以往人工测量的性状指标,同时使用新的数字化表型指标可量化代替仅能定性描述的性状指标。据此开发的一套不结球白球表型性状分析软件,可实现对不结球白菜生长、发育过程中关键性状的自动提取和定量分析,提高不结球白菜DUS测试工作中表型信息采集以及分析的效率和准确性。

关键词： 深度学习   图像处理   超分辨率重建  

摘要： 阐述通过超分辨率重建(SR)和深度学习模型加速MRI成像,评估qMT参数在医学诊断中的临床价值。实验结果显示,基于3D复数SR模型在PSNR和SSIM方面优于其他方法,且qMT参数图能够有效区分病变与正常组织。

关键词： 皮肤病   目标检测   注意力机制   DySnakeConv   Wise-IoU  

摘要： 针对当前人体皮肤病检测方面存在漏检、误检率高的问题,以YOLOv8为基准模型进行改进。首先,通过添加DSC(DySnakeConv)提高网络处理不规则数据的能力:其次,利用全局注意力模块GAM,增强对图像有用信息的关注;最后,借助基于动态非单调聚焦机制的Wise-IoU边界框损失函数,来实现对不同质量锚框的平衡。实验表明,改进后的YOLOv8模型在人体常见皮肤病数据集中,平均精确度(mAP)提升了2.6个百分点,精确度(Precision)提升了3.2个百分点,分别达到了88.2%和89.5%。

关键词： 显著目标检测   深度学习   360°全景图像   多尺度特征  

摘要： 为解决360°全景图像显著目标检测(SOD)中的显著目标尺度变化和边缘不连续、易模糊的问题,该文提出一种基于相邻协调网络的360°全景图像显著目标检测方法(ACoNet)。首先,利用相邻细节融合模块获取相邻特征中的细节和边缘信息,以促进显著目标的精确定位。其次,使用语义引导特征聚合模块来聚合浅层特征和深层特征之间不同尺度上的语义特征信息,并抑制浅层特征传递的噪声,缓解解码阶段显著目标与背景区域不连续、边界易模糊的问题。同时构建多尺度语义融合子模块扩大不同卷积层的多尺度感受野,实现精确训练显著目标边界的效果。在2个公开的数据集上进行的大量实验结果表明,相比于其他13种先进方法,所提方法在6个客观评价指标上均有明显的提升,同时主观可视化检测的显著图边缘轮廓性更好,空间结构细节信息更清晰。

关键词： 目标检测   特征融合   残差骨干网络   通道重组   结构融合剪枝  

摘要： 《中华人民共和国道路交通安全法》要求摩托车驾驶人及乘坐人员应按规定戴安全头盔,因此,头盔佩戴智能视觉检测技术的需求应运而生。本文算法模型以交通监控视频图像中骑行人员佩戴头盔情况为研究对象,以YOLO目标检测框架为基础,首先采用分支吸收模块改善残差骨干网络,然后通过结构通道重组提升卷积层特征融合,最后应用设计的结构融合剪枝进一步压缩模型超参数。实验结果表明,该算法的精度和实时性较优,小目标检测效果也较好,多分类平均精度为88.8%,检测速度可达29.5帧/s,基本满足交通视频监控的需求。

关键词： 无人机   航拍图像   深度学习   移动倒置瓶颈   空间金字塔池化  

摘要： 为提高无人机(UAV)机载平台上目标检测的准确度和效率,提出了基于深度学习的UAV航拍图像实时检测系统。首先,使用轻量的改进YOLOV4-Tiny框架,利用移动倒置瓶颈模块优化骨干架构,提高存储效率,其次引入增强空间金字塔池化模块,在同一个卷积层中串联多尺度特征,改善网络的感受野。最后,向网络添加多尺度融合层以进行特征图合并,得到细粒度特征,从而提高对密集小目标的检测准确度。此外,利用TensorRT库对深度学习算法进行加速,进一步提高嵌入式平台上实时检测效率。实验中评估了UAV搭载不同单片机时的性能,并将所提检测算法与其他先进方法进行了比较。结果表明,所提系统实现了检测准确度和检测效率的最优平衡,在VisDrone和VEDAI数据集上的mAP性能比原始YOLOv4-Tiny分别提升了11.14%和8.9%。

关键词： X射线   图像分割   目标检测   OTSU  

摘要： 阐述为了实现精准快速的X射线图像分割,探讨将OTSU算法应用于X射线图像分割中。整个分析过程包括实验数据采集、算法设计和结果测试等环节,最终实现对不同形态岩石目标物的良好分割。

关键词： 热轧带钢   表面缺陷   目标检测   深度学习  

摘要： 针对目前热轧带钢表面缺陷检测精度低和效率低的问题,提出了一种基于改进YOLOv8s的目标检测算法.首先,提出了一种基于特征图二次拼接并融入GAM的SPPD模块,提升了模型多尺度信息融合能力.其次,提出了一种融合可变形卷积的特征提取模块DCNblock,以增大模型的感受野,提取完整的缺陷信息.最后,将特征融合网络中的C2f模块替换为BoT(bottleneck transformer)结构,将Transformer中的多头自注意力机制与卷积融合,提升模型的全局位置信息感知能力.实验结果表明,本文提出的算法在NEU-DET数据集上的平均精度均值(mAP)达到了80.5%,较原有的YOLOv8算法提升了5个百分点,同时检测速度达到了83帧/s,满足实时检测的需求.

关键词： 周界安防   目标检测   YOLOV5  

摘要： 针对损坏油气输送管道这一问题,提出基于YOLO的油气输送管道周界目标检测和定位算法。在YOLOV5检测器基础上,引入SE注意力机制,采用CIoU函数替换GIoU,对颈部网络进行了改进,从而形成YOLOV5s-SE检测网络。用摄像头采集的图像数据集进行实验分析,结果表明,改进的YOLOV5s模型在检测精度、召回率上有明显提升,较原模型有所改善,证明所提算法适用于输油管道周界安防的目标检测和定位。