关键词： 计算机视觉   块石堆积   DeepLabV3+   堵塞识别  

摘要： 溢洪道是水利工程中重要的泄水结构,保障其稳定地泄流对调节水库水位、保障挡水建筑物安全等具有重要意义。现阶段溢洪道检测自动化水平低、缺少专门的管理人员,发生堆积险情上报难以满足即时性要求。因此,利用计算机视觉技术建立了一种便捷、轻量化的溢洪道块石堆积检测方法。先通过室内试验模拟可能出现的块石堆积情况,建立一套图像采集系统拍摄不同形态块石造成的溢洪道泄槽堵塞;然后以常规DeepLabV3+模型为基础,将模型中backbone替换为Res Net50和Mobile NetV2网络结构。通过对比试验表明,修正后模型的分类准确率和平均交并比均有所提升。综合考虑模型性能和图像分割效率,最终采用Mobile Net V2网络结构作为改进的DeepLabV3+模型的backbone。试验结果表明,改进的DeepLab V3+模型的平均交并比较常规模型提升了12.61%,测试集中的平均图像分割时间为277.93 ms。研究所用方法能够为溢洪道自动化检测提供基础。

关键词： 计算机视觉   多目标跟踪   门控循环单元   礼让行人  

摘要： 近年来,计算机视觉在交通监控领域取得了显著进展,但判断机动车是否礼让行人仍然依赖大量人力操作。为解决这一问题,本研究提出了一种用于智能交通系统的自动检测车辆是否礼让行人的方法。该方法利用多目标跟踪算法,通过分析车辆的颜色、纹理等外观特征以及车牌ID,对摄像头视野内的相关元素进行运动轨迹跟踪。同时,结合门控循环单元(GRU)模型,预测行人的预警点及车辆前方的潜在危险区域,从而判断车辆是否执行了礼让行人的行为。为了验证该方法的有效性和优越性,本研究在使用无人机收集的模拟交通摄像头视角的交通街景视频数据集和结合交通模拟工具SUMO的Unity3D虚拟仿真场景生成的数据集上进行了广泛的实验。实验结果表明,与当前最先进的方法相比,该方法在处理速度上显著提升,满足实时识别的需求。此外,本方法在保持高准确性的同时,显著减少了ID切换次数,提高了对违规行为归因的精确性。由于其高效的处理速度和准确的检测能力,该方法在智能交通系统中的实际应用前景广阔,有助于增强交通安全,降低行人伤亡风险,并为交通管理部门提供可靠的数据支持和决策依据。

关键词： 光伏电池片   丝印工艺   目标检测   图像处理   注意力机制   特征融合  

摘要： 目的在光伏电池片制作流程中,由于正负极电路的丝印缺陷具有目标小、分布不均匀等特征,目前检测仍然耗时耗力,因此提出基于优化YOLOv8算法的丝印缺陷检测方法,以解决光伏丝印电极缺陷难检测的问题。方法基于机器视觉理论搭建电池片图像采集平台,采集图像并对图像数据集进行标注划分,在批量变换处理增强数据集模型基础上进行YOLOv系列算法比对实验,表明YOLOv8算法更适合局部小目标缺陷的检测。接着将深度学习技术的洗牌注意力机制(Shuffle Attention,SA)引入YOLOv8算法中的注意力模块,有效提取特征信息,替换原特征融合模块,最后与原算法模型进行消融实验。结果缺陷识别精度提升了4.6百分点。结论优化后的算法能够提高缺陷识别精度,有效降低丝印产生的不良电池片进入后续工业流程的概率。

关键词： 图像处理   深度学习   YOLOv9模型   澳洲坚果  

摘要： 针对自然环境下果实重叠、相互遮挡和目标小的澳洲坚果果实检测准确率低的问题,提出一种改进YOLOv9模型的识别方法(YOLO-L)。首先,引入BiFormer注意力机制,该机制通过双层路由注意力机制实现了动态、查询感知的稀疏注意力分配,能够很好地捕获特征表征,增强网络对全局特征的关注度;其次,采用VoVGSCSP模块代替YOLOv9中的CBFuse模块,提高了复杂场景下小目标的检测效果;最后,将YOLOv9模型默认的损失函数替换成排斥损失函数,解决了果实排列密集和漏检的问题,进一步提升了澳洲坚果果实检测的平均精度。通过消融试验和对比试验来验证模型的有效性,发现YOLO-L模型的平均精度均值、精确率、召回率和F_1值分别达到96.2%、92.3%、88.2%和90.2%。与YOLOv9模型相比,YOLO-L模型的平均精度均值提升了4.9个百分点。总体而言,YOLO-L模型能够在自然环境下准确识别被遮挡、重叠的澳洲坚果果实,且检测精度高。研究结果可为澳洲坚果产业的智能采摘提供有效的技术支持。

关键词： 目标检测   超分辨率   遥感图像   YOLOv8网络   注意力机制   特征融合  

摘要： 为了应对遥感图像目标检测中小目标像素低、背景复杂、硬件资源有限等问题,提出一种融合超分辨率(SR)和特征增强的小目标检测模型。采用GhostNet网络中的Ghost卷积层替换YOLOv8网络中的传统卷积层Conv,在不影响检测精度的情况下降低网络模型的参数量和计算量。在主干网络中,构建超分辨率辅助增强(SRAE)模块提升图像的分辨率和特征提取能力。利用三层特征融合(TFF)模块,获取主干网络较低层的空间特征,改善快速空间金字塔池化(SPPF)层特征空间提取不足的问题,提高小目标空间定位能力。设计自注意力信息转移(SAT)模块,在保证模型轻量化的同时增强小目标的语义信息和全局信息。实验结果表明,改进模型在DIOR数据集上实现了90.5%的mAP@0.5、15.1×10^(6)的参数量和30.3×10^(9)的每秒浮点运算次数(FLOPs),相比于其他模型在实现网络轻量化的同时提升了小目标检测精度。

关键词： 激光自动对焦   光场计算   光斑图像处理   离焦量检测   边缘提取  

摘要： 针对飞秒激光三维加工中如何定量寻找焦点位置问题,提出了一种新型的计算光场分布与图像处理算法相结合的自动对焦方法。首先,根据Richards-Wolf矢量衍射理论推导经过物镜后激光在多层介质内的激光光场分布函数,并利用数值模拟求解高斯光束在各个介质不同位置处的光场分布计算结果,进而在理论上得到激光光束直径在多层介质中不同位置的变化关系。其次,实验中由上到下在多层介质中每隔相同离焦距离采集一系列光斑图像,通过感兴趣区域(ROI)、最大类间差法(Otsu)、Canny边缘提取等图像处理算法处理后,获取实际多层介质中不同位置处激光光斑直径以及激光直径随位置的变化曲线。最后,将理论与实验作对比并进行曲线校正,获得了实际激光光斑在多层介质中的变化曲线,以此建立基于计算光场分布和图像处理算法为基础的激光加工自动对焦方法。

关键词： YOLOv8s   小目标   轻量化   BiFPN   目标检测  

摘要： 小目标检测一直是目标检测领域的热点,而航拍小目标图像具有尺度变化大、视角和姿态变化多样等特点,容易造成漏检、误检。针对这些问题,提出基于YOLOv8s改进的轻量化小目标检测算法。首先,在Backbone部分使用CESE_C2f模块,利用轻量化注意力机制提升检测效果并降低参数量;其次,根据BiFPN思想设计新的网络结构,充分利用已有网络信息加强深层与浅层特征信息的融合;最后,使用新的轻量化检测头LW_Detect(Lightweight_Detect)大幅度降低运算量与参数量,以满足实时性要求。实验结果表明,所提算法在Visdrone数据集上的mAP50和mAP50:95分别达到41.4%和24.9%,相较原始YOLOv8s算法精度提高了1.6%和1.3%,参数量和运算量降低了36.8%和42.8%。

关键词： 计算机视觉   目标跟踪   目标检测   边界框估计   判别相关滤波器  

摘要： 针对视频序列中外观变化、背景杂波和严重遮挡等因素导致的目标跟踪精确度低的问题,提出一种新型的双阶段自适应跟踪模型。该模型包含目标检测和边界框估计2个阶段:在目标检测阶段,模型对目标进行粗略定位;在边界框估计阶段,精确确定目标位置。为应对视频场景复杂性及小目标跟踪的挑战,采用了多特征融合技术构建丰富的目标表示。实验结果表明,与在线和实时跟踪(SORT)、Tracktor++、FairMOT、Transformer等模型相比,本模型表现出最优的综合性能,有效平衡了计算速度与跟踪精确度之间的关系,展现出良好的应用潜力。

关键词： YOLOv8   SENet   目标检测   超参数  

摘要： 为了解决无人机航拍的河流漂浮垃圾检测的难题,文章提出了一种改进YOLOv8的目标检测算法,用于检测河流漂浮的小目标垃圾。在原有YOLOv8算法模型的基础上,添加了SENet注意力机制,提高了小目标检测的表征能力,并进行了超参数的微调。改进后的模型相比原有的YOLOv8s算法,平均精度(mAP)提升了4.4%,达到80%。因此,改进的YOLOv8s更适用于小目标检测。

关键词： 图像处理   粪污   卷积神经网络   牛粪捡拾  

摘要： 中国草原面积广阔,牛粪作为草原畜牧业的副产品,既对牧草生长有负面影响,又是重要的资源。牛粪分布零散,传统捡拾方式效率低,为了解决上述问题,该文提出一种改进牛粪图像检测模型,用于检测牧区牛粪,以提高牛粪捡拾的效率和智能化水平。1)替换注意力机制轻量化主干网络EfficientFormerV2,提高对边界敏感性并减少模型复杂度。2)改进颈部网络BiFPN,增强特征融合能力。3)改进损失函数Inner-IoU,提高边界框回归的定位精度。4)替换瓶颈层改进FasterNet block,以减少计算复杂度并加快推理速度。5)添加捡拾判断机制,利用预测阶段检测框对区域牛粪做出分类。改进后的网络模型在准确率为92.6%,召回率为87.7%,平均精度均值为87.4%的情况下,参数量减少到4.02M,浮点运算量减少到8.1G,检测速度提升到34.7帧/s。试验结果表明,改进模型在保持模型轻量化的同时,具有较高的平均精度均值,能够有效地完成牧区牛粪的识别与定位任务,适合在资源受限的移动设备和牧区环境中应用,为牛粪智能化捡拾车的研究提供技术支持。