关键词： 板栗栗蓬   YOLOv3   目标检测   CBAM   焦点损失  

摘要： 板栗人工采收效率低、劳动强度大、易伤人,基于机器视觉的无人机采摘板栗栗蓬既高效又安全、为了快速识别和准确定位自然环境下板栗栗蓬目标,提出一种改进YOLOv3网络结构的YOLOvc栗蓬目标检测方法。通过在网络YOLOv3层前端添加融合通道注意力与空间注意力机制的CBAM注意力机制模块,提高深度学习网络模型对小栗蓬目标特征提取能力。在YOLOv3原有损失函数基础上添加焦点损失函数,提高对栗蓬遮挡等难分样本的检测识别能力。试验结果表明,YOLOvc算法能够有效检测板栗栗蓬,其查准率和平均精度分别达到89.35%、89.37%。消融试验对比结果显示,改进YOLOv3卷积神经网络对板栗树上栗蓬的检测识别精度比YOLOv3提高2.21%。研究结果表明,对YOLOv3添加注意力机制和焦点损失函数的深度学习算法YOLOvc可有效实现板栗树上栗蓬检测定位,为无人机采收板栗提供有效技术支持。

关键词： 冬枣   品质   注意力机制   图像处理   特征金字塔   Faster RCNN  

摘要： 为了解决冬枣分选工作准确率低、速度慢、人工成本高昂等问题,该研究提出了一种基于改进Faster RCNN模型的冬枣外观缺陷识别方法。首先,使用Resnet50替换原有的VGG16特征提取网络,并在Resnet50中添加SE模块,提高模型的特征提取能力;其次,融入特征金字塔(feature pyramid network FPN)网络,对不同尺度的特征信息充分提取;最后,将原始的NMS算法用改进的Soft-NMS算法替换,改善被检测图像中对缺陷检测目标的误删问题,进一步提高对冬枣缺陷识别的准确率,试验结果表明:改进的Faster RCNN模型对冬枣缺陷检测平均精度均值(mean average precision,mAP)为91.60%,检测速度为17.5帧/s,mAP比SSD、YOLOv3、YOLOv5分别高14个百分点、11.32个百分点、5.94个百分点,将改进的Faster RCNN网络模型部署在冬枣检测平台上对不同品质的冬枣进行分选,其对优质果、伤果、裂果、虫果、病果的识别准确率分别为94.71%、96.99%、99.06%、93.82%、99.05%。改进的Faster RCNN网络模型能有效的对冬枣外观做出准确、快速的判断,降低冬枣检测过程中的误检率。

关键词： 智慧交通   目标检测   目标跟踪  

摘要： 为了提高监测与跟踪精度及效率,探讨智慧交通目标检测及跟踪实现方案。基于智慧交通系统概述,明确其工作原理与功能,指出实时目标检测与跟踪重要性,之后分析如何利用YOLOv5-NAM模型对目标进行检测,配合SD-NMS非极大值抑制解决密集目标遮挡引发的漏检问题;进一步地,构建卡尔曼滤波模型跟踪目标,融合误差影响因子对卡尔曼滤波算法进行改进,确定移动轨迹并提取特征,完成车辆违法行为、可疑敏感区域等的判断。实验结果显示,能在智慧交通多场景下可以取得合格效果,且相较于对比方法而言,在IDsw、MOTP与MOTA上表现均更为优异,可在智慧交通领域得到较好应用。

关键词： 目标检测   坐标注意力   行人检测   深度学习  

摘要： 针对智能网联汽车行人目标检测准确性和实时性较低等问题,提出了一种基于YOLOv5s改进的行人检测算法。首先,采用幻影模块替代传统卷积,在保证模型准确度的前提下,降低模型复杂度,从而提高模型实时性。然后,将坐标注意力模块引入特征提取网络获得重要特征,提升行人检测准确性。最后,针对损失函数计算的弊端改进边界框损失函数的计算方式,在现有损失函数中引入power变换,以获得更高的边界框回归精度。实验结果表明,使用改进模型在Widerperson数据集上进行实验mAP达到70.8%,相较原算法提升2.6%,检测速度达61FPS。所提算法较主流算法准确率和检测速度均有所提升。

关键词： 现代化农业机械   计算机视觉技术   应用效果  

摘要： 为了研究计算机视觉技术在现代化农业机械中的应用效果,以采摘机器人为研究对象,通过对比是否使用计算机视觉技术的农业机械作业效率和质量,论证计算机视觉技术在现代化农业机械中的应用价值。经过分析和研究发现,使用计算机视觉技术的采摘机器人作业效率和质量均高于不使用计算机视觉技术的机械设备。由此表明计算机视觉技术的应用价值,为推广普及这项技术提供科学合理的参考。

关键词： 目标检测   二阶Radon-Fourier变换   相参积累   参数估计   遗传算法  

摘要： 针对匀加速运动的高速目标,可以用二阶Radon-Fourier变换(Second-order Radon-Fourier Transform,SRFT)完成对回波信号的相参积累。SRFT算法的原理是通过“速度-加速度”联合搜索来实现目标的运动参数估计,其计算量较大,不满足实时检测的需求。针对这个问题,提出一种基于遗传算法(Genetic Algorithm,GA)的快速实现方法。首先对运动参数集进行编码,设置初始群体;然后通过遗传算法对群体更新迭代,使其能够自发快速地逼近全局最优解,减少不必要的搜索路径;最终快速实现待检测目标的相参积累。仿真结果表明,在保证检测性能的前提下,算法计算量得到有效改善,运算次数减少大约一个量级。

关键词： 水下目标检测   YOLOv8   深度学习   可变形卷积   WIoU  

摘要： 针对水下目标检测中的尺度不一、重叠遮挡目标的漏检问题,提出了一种改进的YOLOv8水下目标检测算法.首先,在主干网络中引入可变形卷积(deformable convolution network, DCN),通过卷积核自适应形变的机制,提高模型对重叠遮挡目标的特征提取能力;其次,设计了一种空洞卷积空间金字塔模块(atrous spatial pyramid faster, ASPF),扩大输出特征图的感受野,提高模型对水下多尺度目标的感知能力;最后,对损失函数进行改进,优化模型的训练过程并提高定位精度.将改进算法在URPC数据集上进行实验,结果表明改进算法的检测精度达到了87.3%,相较于原始算法YOLOv8提高了3.4%,同时能够精准检测水下多尺度、重叠遮挡目标.

关键词： 印刷品   缺陷   图像处理   深度学习   计算机视觉  

摘要： 印刷品是生产生活中常见的一种产品，而印刷品的质量对于其使用效果、美观度和商业价值都有很大的影响。在印刷品生产过程中，颜色缺陷是常见的质量问题之一，它们包括色差、色斑、颜色均匀度等。如何准确、高效地检测印刷品颜色缺陷是印刷行业亟待解决的关键技术。本文探讨了印刷品颜色缺陷检测的方法和技术，首先介绍印刷品颜色缺陷的种类，分析传统的人工检测方法存在的问题和局限性，接着介绍了计算机视觉技术在印刷品颜色缺陷检测方面的应用，最后总结了各种具体方法解决印刷品颜色缺陷的优缺点，并讨论了未来的研究趋势。

关键词： 计算机视觉技术   危险识别   预警系统   图像处理  

摘要： 随着海洋石油开发的深入,海洋石油支持船的安全性问题日益突显,利用计算机视觉技术进行海上危险识别与预警具有重要的研究意义。基于此,文章提出海洋石油支持船智能视频图像危险识别与预警系统的总体架构,并详细介绍硬件设备选型与配置以及软件系统设计,深入研究图像预处理、目标检测与识别、危险识别与预警算法,并在系统集成与测试中验证计算机视觉技术的有效性和可行性,以期在未来的海上石油开发工作中发挥更大作用。

关键词： 精密测量   计算机视觉   深度学习   缺陷检测   高分辨率图片  

摘要： 针对增材制造零件表面小缺陷检测中存在的准确率低和尺寸测量困难的问题,基于改进的YOLO v8提出了一种缺陷检测方法。在YOLOv8模型的检测头部引入高效通道注意力机制模块,同时采用加权交并比损失函数替换原有损失函数,减少低质量样本影响,提升检测精度。针对高分辨率图像数据集训练困难且易出现过拟合的问题,在训练阶段对包含目标缺陷的局部特征以中心为基准进行裁剪的方法生成训练集。在推理阶段,采用滑窗切分法将待测高分辨率图像裁剪成一组小图像进行预测,从而得到缺陷图像块。检测后的缺陷图像块被视为感兴趣区域,并通过计算机视觉中的边缘检测方法实现缺陷尺寸的精密测量。实验证明,改进模型的准确率达94.3%,召回率为93.3%,mAP50达到97.3%,缺陷尺寸的测量精度可达到40μm,显著提升了增材制造零件表面缺陷的检测准确率。