关键词： BiFPN   YOLOv8   皮革   缺陷识别   目标检测   多尺度特征融合   深度学习   优化策略  

摘要： 传统的图像处理方法难以有效应对复杂背景和不同尺度的缺陷，文章提出了一种融合双向特征金字塔网络（BiFPN）的YOLOv8架构优化策略，旨在提升皮革缺陷识别的精度和效率。YOLOv8作为一种高效的目标检测框架，结合BiFPN的多尺度特征融合优势，增强了模型在复杂背景下的特征提取能力。通过在YOLOv8中引入BiFPN模块，模型能够更好地捕捉不同尺度的皮革缺陷，并通过优化后的损失函数进一步提高识别的准确性和稳定性。实验结果表明，改进前的YOLOv8权重为6.3 MB，改进后降至4.3 MB，且mAP50提高了0.2%。该优化策略相较于传统方法和未融合BiFPN的YOLOv8，提升了识别精度和识别速度，优化了YOLOv8框架在皮革缺陷检测中的有效性及实际应用潜力。

关键词： 智慧体育   智能摄录系统   目标检测   目标追踪   YOLOv5s   OSTracker   WIOU   ConvMixer  

摘要： 针对体育比赛中对智能摄录系统的实际需求，开展了基于目标检测与目标追踪融合的识别追踪方法研究。首先，提出一种改进的YOLOv5s检测模型，在原有结构基础上改进锚框损失函数为Wise-IOU，并将部分C3模块替换为ConvMixer模块，以提升检测精度。随后，将改进模型与OSTracker跟踪算法结合，构建完整的检测追踪系统。最后，结合机械臂将检测追踪模型部署。实验结果表明，改进后的检测模型平均精度提高2.07%，达到90.76%，其中对篮球目标的检测精度高达96%。经实际验证OSTracker相比于其它追踪算法更加高效稳定，系统FPS约在75～100之间满足实时效果，所提出的识别追踪方法可行，具备在体育比赛智能摄录中的实际应用价值。

关键词： 深度学习   目标检测   机场场面   活动目标监视   多源信息  

摘要： 近年来,民航运输业蓬勃发展,机场规模与业务量持续攀升,在智能交通和机场安全高效运营的双重需求下,机场场面监视作为一项关键任务,面临多尺度目标检测、遮挡干扰及光照变化等挑战。现有目标检测算法在处理这些问题时,存在检测精度不足和鲁棒性差等问题,难以满足机场智能化管理需求。为此,本文围绕多尺度全天候机场场面目标检测展开研究,具体工作如下: （1）数据集构建:针对机场场面监视任务中缺乏专用目标检测数据集的问题,本文构建了面向机场场面活动目标监视的目标检测数据集AFTD,该数据集广泛采集了停机坪、滑行道、跑道等不同位置,涵盖了不同天气条件及不同光照强度下的图像信息。通过严格的数据采集流程和精细的标注工作,确保了数据集的高质量和多样性。数据集目前标注了飞机、车辆、人员三类机场场面上的主要活动目标,并进行了类别分布统计和目标尺度统计分析,阐述了机场场景目标检测的主要挑战。此外,本文在该数据集上测试了多种主流目标检测算法并建立了基准,为后续研究提供了对比依据。 （2）多尺度特征融合网络设计:为应对机场场面中活动目标尺度差异悬殊、中小目标比例较高的问题,本文设计了一种新的多尺度特征融合网络。多级特征联合增强模块通过高效的信息交互机制实现不同尺度特征的互补,提升了模型对各类目标的感知能力。细节特征增强模块在在控制计算量的同时丰富了细节特征。实验结果表明,该网络在AFTD数据集上表现良好,8)50为67.2%。 （3）提出基于ADS-B位置信息引导的目标检测算法AGDet:考虑到机场场面环境的特殊性,本文提出了一种基于ADS-B位置信息引导的机场目标检测算法AGDet,突破传统目标检测方法仅依赖视觉信息的局限。利用ADS-B提供的关键信息,引导模型聚焦特定区域,从而提高检测精度。为进一步增强网络的特征提取能力,在AGDet中引入了注意力机制,使模型在复杂机场环境下能更加高效地提取信息。实验表明,AGDet融合多源信息,有效提高了检测的准确性和鲁棒性。

关键词： 深度学习   目标检测   注意力机制   自适应融合   YOLOv8  

摘要： 随着电子制造业的快速发展,印刷电路板(PCB)的质量对电子产品的性能和安全性至关重要。传统PCB缺陷检测方法(如机器视觉和图像处理)虽然取得了一定成果,但在检测精度、速度和适应性方面仍存在不足。近年来,深度学习在图像识别领域展现出显著优势,为解决这一问题提供了新的可能。因此,本文基于深度学习技术,研究一种高效、准确且适应性强的PCB缺陷检测方法,以满足现代电子制造行业对质量与效率的更高要求。主要研究内容如下: (1)选用北京大学公开的PCB缺陷检测数据集作为基础数据集共693张图片,包含6种缺陷类型的标签数量。考虑到原始数据集的规模相对较小,为了增强模型的鲁棒性和稳定性,我们对原始数据样本进行了数据增强操作。具体采用了包括光照调节、区域截取、位置偏移、角度变换、对称翻转、噪声注入以及局部遮挡等多种技术手段。在经过数据增强后,数据集达到了11361张,极大地丰富了数据集的多样性和覆盖面。 (2)针对PCB缺陷检测中细小缺陷难以检测的问题,本文设计了一种改进的YOLOv8网络模型,通过Swin-Transformer替换YOLOv8的骨干网络,以提取具有丰富全局上下文信息和差异化特征的多尺度特征信息。为了有效降低背景噪声等冗余信息的干扰,在检测网络前端嵌入了Tripplet注意力模块。该注意力机制通过三重特征交互,使网络在提取海量特征时能够有效过滤非关键信息,从而提升对细微缺陷的识别能力,实现更精准的检测效果。并且本文在Head部分采用了ASFF自适应融合不同尺度的特征图,以进一步提升检测效果。实验结果表明,优化后的模型在平均精度(m AP)指标上达到89.9%,较基线方法提高了3.3%。这一提升证实了改进方案的有效性。 (3)为了进一步满足实时检测的需求,对YOLOv8模型进行了优化,为了在保持较高准确度的情况下降低计算的复杂度,在网络中引入了C2F＿Faster模块,该模块能够快速处理图像特征并减少冗余计算,从而显著提高模型的运行效率。此外,为了增强模型对细小缺陷的识别能力,采用了Wasserstein距离作为损失函数的一部分,以更好地衡量预测框与真实框之间的差异,特别是在处理重叠或相邻目标时能提供更精确的匹配度预测。这种改进不仅有助于加快收敛速度,还能有效提升对于微小目标的定位精度。实验结果表明,改进后的算法实现了较高的平均精度(m AP为85.6%),并显著提高了模型的检测速度(96.2FPS),从而验证了改进方法的有效性。

关键词： 小目标检测   目标跟踪   无人机探测   ByteTrack  

摘要： 随着无人机技术的快速迭代与规模化应用,其作业场景已从民用领域扩展至国防军事等战略层级。未经授权的违规飞行行为对政府机关、医疗设施、科研机构等敏感区域构成空域安全威胁,亟待构建智能化监管体系以实现有效反制。本研究致力于构建集目标检测识别与持续轨迹跟踪于一体的无人机的探测方案。通过融合目标检测与多目标跟踪技术,实现复杂空域环境下无人机小目标的精准定位与持续追踪。在此背景下,本文主要工作如下: 针对无人机目标检测中存在的目标尺度小、特征显著性弱及识别精度受限等问题,本研究提出基于YOLOv8框架改进的无人机专用检测模型YOLOv8-UD。通过多维度架构优化实现性能提升:首先,采用空间深度卷积(SPD-Conv)模块重构骨干网络下采样层,缓解浅层纹理特征的信息衰减;其次,引入双向特征金字塔网络(Bi FPN)增强多尺度特征融合能力,改善微小目标的全局语义表征;同时增设高分辨率检测头强化小目标响应,并通过Inner-Io U损失函数优化边界框回归精度。实验结果表明,改进算法有效提升了复杂场景下无人机目标的检测鲁棒性,其m AP(0.5)和m AP(0.5:0.95)达到了0.805和0.334。相较于原版模型,分别达到了4.6%和7%的提升。 针对无人机持续跟踪中存在的轨迹断裂与身份切换(ID Switch)问题,本研究基于ByteTrack跟踪算法框架提出三阶段优化策略:首先,构建轨迹置信度评估模型,通过解析目标遮挡前的瞬时速度矢量与历史运动轨迹特征,动态计算轨迹保留阈值;其次,设计基于遮挡持续时间的自适应匹配区域扩展机制,当目标丢失帧数超过安全阈值时,按指数函数动态扩大搜索半径,有效缓解因运动预测偏差导致的轨迹关联失效问题;最终,采用匀加速运动模型替代原匀速假设,通过引入加速度状态变量提升机动目标的位置预测精度。改进算法通过轨迹管理策略优化与运动模型增强的协同作用,显著提升了复杂遮挡场景下无人机目标的跟踪鲁棒性与轨迹连续性。实验表明,改进后的算法相较于Byte Track其MOTA提升了2.65%,而MOTP提升了2.14%,跟踪精度有着明显提高。 本文所提改进模型,提高了复杂场景下无人机目标检测的精度和跟踪的效果,适用于无人机空域管控的应用场景,具有良好的应用价值。

关键词： 图像处理   浮选泡沫   图像去噪算法   泡沫特征分析  

摘要： 浮选工艺是一种利用矿物表面物理化学性质,从矿石中分离有用矿物的选矿方法,其本质是通过矿物表面的亲水性和疏水性不同来实现矿物分离。在煤炭浮选过程中,浮选工况复杂多变,且作业环境恶劣,现有自动化系统的准确度常常不及经验丰富浮选司机的肉眼判断,但由于浮选司机肉眼判断高度依赖个人经验与技能,致使不同浮选司机的判断结果差异大,且需长时间现场作业,劳动强度大易疲劳,进而影响判断准确性。 本文构建了一种基于嵌入式图像处理技术的浮选监控终端,利用先进的图像采集与分析算法,实时捕捉并精准解析浮选槽内泡沫的颜色、大小、分布等关键特征,为浮选工况的准确判断提供有力依据。 在煤炭浮选图像监测时,车间环境复杂,图像容易被噪声干扰,这会影响泡沫特征的观察以及工况的判断。所以,本研究运用贴合视觉的灰度转换法,按照人眼对三原色感知敏感度来权衡,从而有效保留泡沫细节。提出小波变换能量权重与总变分正则化相结合的去噪算法,经对比实验,其在主观视觉和客观指标上优于传统算法,能为浮选泡沫图像分析提供优质数据。 在浮选泡沫特征分析中,存在随机或边缘选取像素行列代表性差、受干扰大影响分析结果,以及难以准确计算泡沫数量与大小分布、判断药剂添加量等问题。为此,本研究从图像中心提取行列像素,利用其反映泡沫整体特征;提出根据像素变化曲线波谷数量和间距计算泡沫数量与大小分布的方法,并引入滤波器提升准确性;以平均灰度描述泡沫颜色,依此判断药剂添加情况。经样本验证,泡沫数量估算准确率达87.45%,为浮选工艺优化提供有力支持。 在算法的实现上,传统集中式系统存在处理节点易过载、响应慢、故障影响大,数据传输有瓶颈和延迟,扩展性差等问题。针对传统集中式系统存在的缺点,本研究在分布式系统架构的基础上,设计了包含数据处理设备和数据汇总与管理设备的浮选泡沫图像处理终端,减轻节点负担、提升响应速度与可靠性,降低传输压力满足实时性,且扩展性良好。 实验结果表明,本文中所提出的图像去噪算法不论是主观的视觉感受,还是客观的评价指标都优于传统的图像处理算法。同时创新性的浮选泡沫估算方法,以及浮选泡沫大小分布情况估算方法展现出了较高准确率,结合浮选泡沫图像的平均灰度,为浮选工况的判断提供了重要的数据支撑。此外,分布式信息处理与集中式信息管理,充分利用了本地设备的计算资源,能够快速得出结果,提高整体效率,降低对网络的依赖。 该论文有图19幅,表3个,参考文献61篇。

关键词： 行为识别   交互关系   目标检测   扩散模型  

摘要： 随着深度学习技术的发展,目标检测和行为识别取得了显著的进展。目标检测和行为识别作为一个上游的任务,在很多的领域内都有需求和应用,特别在教室场景中,这两种技术是智慧教育和智能分析系统的重要基石,下游的教学风格分析和生成个性化学习报告等任务都需要目标检测和行为识别技术的支持。基于其在教室场景中的重要作用,本文围绕着教室场景进行行为识别方法的研究。 本文选用RT-DETR作为基线模型,其高效的实时性能与端到端的架构设计优势显著,然而,在教室场景中,RT-DETR存在诸多局限性:(1)未考虑教室场景中对象间的交互关系,难以借此优化行为识别结果;(2)未能对同一目标的多个查询特征进行融合,导致部分准确率损失;(3)面临数据稀缺及样本不均衡等难题。针对上述问题,本文展开以下研究: (1)针对教室场景中包含的丰富的对象交互关系,本文构建了基于对象交互的行为识别方法,具体而言,在RT-DETR网络中加入了一个对象交互关系模块,包括内部交互组件,局部交互组件,全局交互组件,该模块能够自发掘教室场景中的潜在交互关系,并籍此改善行为识别的结果。实验表明,相比基线模型,此方法在Class Behavior和ARIC两个教室场景数据集上绝对提升了1.5%和0.6%的mAP。 (2)RT-DETR对于单个目标往往会输出多个不同类别的检测框,这意味着同一目标的不同检测框对应的查询特征具有差异性,而这种差异性RT-DETR并未加以利用。因此,本文构建自适应查询精炼模块,通过动态加权机制融合优化同一目标的多个查询特征,生成更具判别性的查询特征。实验表明,在两个数据集上该模块的引入使mAP相较于基线模型绝对提升了0.9%和0.4%。 (3)针对教室场景中的行为分布不均衡的问题,本文使用扩散模型扩增和特征增强的方法来缓解分布的不均衡带来的问题,对于输入图像,随机选择部分行为实例数量较多的目标框替换为扩散模型生成的尾部类别样本;在特征空间,利用头部类别的统计量对尾部类别进行校正,并基于校正后的尾部类别分布开展特征增强。实验发现,在两个数据集上本章所提方法分别使得mAP相比于基线模型绝对提升了0.3%和0.2%。 此外,本文所提三种方法叠加在两个数据集上的mAP相较于基线分别绝对提升了2.3%和0.9%,在参数量增加了3M的情况下,推理延迟为13ms左右。