关键词： 道路目标检测   GhostConv   YOLOv8   注意力机制  

摘要： 目标检测技术作为计算机视觉领域的一项关键技术,已经在多个领域得到广泛应用,尤其在精确解析道路交通场景方面发挥着关键的作用。然而,在车辆密集且路况复杂的道路交通环境中,传统目标检测方法存在准确性不足、误判与漏判等问题。此外,大型模型在资源受限的边缘设备上的部署难题,进一步限制了其在实际场景中的应用。基于YOLOv8目标检测模型,提出了一种用于道路目标检测的方法。首先,采用GhostConv卷积核替代C2f结构中的Bottleneck层的常规卷积,显著降低了模型的参数规模。然后,融合GhostConv与LSK注意力机制,构建了GhostLSK模块,在降低整体参数规模的同时,显著提升了模型对交通车辆和行人的特征提取能力。最后,在检测头上新增一个小目标检测层,加强对小目标的检测能力。在YOLOv8n和YOLOv8s模型上进行的改进实验,通过KITTI和SODA10M数据集的严格验证,证实了所提方法的有效性。改进后的YOLOv8n模型在KITTI数据集上的mAP@0.5达到了92.5%,相较于原始模型提升了1.3%,同时参数量下降了29.2%。YOLOv8s模型在同一数据集上的mAP@0.5达到了94.9%,提升了0.8%,参数量减少了33.7%。

关键词： 图像融合   点云数据   滤波算法   图像增强   目标检测  

摘要： 由于激光点云数据具有一定的离散性和冗余性,在进行图像目标检测时,通常会因对点云数据滤波程度较低而导致检测精度不佳。对此,提出基于计算机图像融合的激光点云数据处理与目标检测方法。首先对高斯卷积核尺寸进行设定,并通过调整高斯核的方差以及半径对滤波效果进行优化,同时结合线性插值算法计算出相邻点云数据间的插值,增加激光点云数据的密度。然后采用SURF(Speeded Up Robust Features)算法对Hessian矩阵行列式的局部极大值进行检测,从而定位出特征点。将匹配的特征点的描述符进行加权平均操作,通过计算融合后特征点之间的相似度,实现特征点映射匹配处理。最后采用仿射变换矩阵对匹配点的几何关系进行计算,实现目标区域定位。同时针对像素值的类间方差设定分割阈值,从而实现目标区域提取与检测。在实验中,对提出方法进行了检测精度的检验。最终的测试结果表明,采用提出方法对图像进行目标检测时,算法的IoU(Intersection over Union)值较高,具备较为理想的目标检测精度。

关键词： 路端感知   3D目标检测   迁移学习   无监督域适应   特征匹配  

摘要： 路端3D目标检测能提供广域交通参与者信息,可有效赋能单车自动驾驶。一般而言,在新的路口部署感知系统需要采集大量数据并进行人工标注以保证训练模型的检测精度,部署耗时长且成本高。针对上述问题,本文提出了一种面向路侧端的无监督域自适应算法,通过现有高质量标注路端数据与未知路端场景数据的跨域时空特征匹配,实现高效网络知识迁移与高准确率3D目标检测。首先,构建了考虑跨域训练数据分布均衡的源域训练模型(RoadPillars),能有效减少模型对原有数据分布的过拟合,提升模型泛化性。其次,设计了考虑连续序列信息空间一致性的跨域迁移框架,确保迁移过程稳定鲁棒。在3个不同路端场景和雷达类型的公开数据集展开的两组迁移测试结果显示,本文无监督域适应算法相较于目前最新方法的平均精度提升了24.2%和8.0%,有效增强了路端感知中目标检测模型的泛化性与可靠性。

关键词： YOLOv8   目标检测   草莓病害  

摘要： 随着农业智能化的发展,农作物病害的自动识别技术在农业生产中扮演着越来越重要的角色。草莓作为一种高经济价值的水果作物,易受到多种病害侵袭,严重影响其产量和品质。传统的病害识别主要依赖人工经验判断,存在效率低、主观性强等问题。为实现草莓病害的快速、准确识别,提出一种基于改进YOLOv8的目标检测模型,用于对七类常见草莓病害进行自动识别与定位,包括Angular Leafspot(叶斑病)、Anthracnose Fruit(炭疽果腐病)、Rot Powdery Mildew Fruit(白粉果腐病)、Powdery Mildew Leaf(白粉叶片病)、Blossom Blight(花腐病)、Gray Mold(灰霉病)及Leaf Spot(叶点病)。构建了包含上述七类病害的高质量图像数据集,对原始YOLOv8模型进行结构优化与参数调优。通过引入增强的数据预处理策略、类别权重平衡机制及改进的损失函数,有效提升小目标病害区域的识别精度。实验结果表明,改进后的YOLOv8模型在测试集上平均检测精度mAP达到92.3%,显著优于传统YOLO系列及其他主流目标检测模型。此外,该模型具有良好的泛化能力和实时性,可满足田间环境下草莓病害的智能诊断需求。此成果可为草莓种植提供高效、精准的病害监测手段,有助于推动智慧农业和植物保护领域的技术进步,为其他果蔬病害的自动化识别提供了可借鉴的方法框架。

关键词： X光安检   目标检测   YOLOv7   RCS-OSA   RepVGG   轻量化   卷积神经网络  

摘要： 针对目前主流X光违禁品检测模型太过于庞大,无法应用在小型安检设备等问题,提出了一种基于YOLOv7改进得到的X光违禁品检测模型YOLO-LCR。设计信道洗牌重参数化卷积模块(channel-reduced shuffle concat moudle,CRSC)提升整体训练精度以及降低网络参数量。引入重参数化卷积神经网络(RepVGG)。修改头部部分,引入空间金字塔池化分解模块(spatial pyramid pooling factorization,SPPF)并且删除了对于小目标分支的检测模块,在保障精度的前提下大幅降低网络参数量和网络训练时所需的显存大小。在SIXray数据集的基础上YOLO-LCR精度比基准模型提升了1.40%、参数量下降了24.06 M、检测速度达到231张每秒。

关键词： 计算机视觉技术   无人机技术   建筑质量检查  

摘要： 建筑工程质量检查是保证建筑质量及安全的有效措施。常规的检查方法对检查人员的专业能力有严格要求,由于人工检查的效果受到诸多因素的干扰,因此检查人员即使投入大量精力及时间,仍存在潜在问题未被完全解决的可能。目前,将无人机、计算机用于质量检查逐渐引起有关人员重视,该做法能够弥补常规方法的缺陷,及时发现并处理隐蔽问题,保障建筑的质量。

关键词： OTSU算法   纤维图像分割   自适应阈值   形态学操作   图像处理  

摘要： 本文详细阐述了基于OTSU最大类间方差法的纤维图像分割技术,并对其在实际应用中的性能进行了评估。OTSU算法作为一种自适应阈值分割方法,通过寻找最优阈值,能够自动将纤维图像中的前景与背景分离,有效减少了人工干预的需求。算法的核心在于最大化类间方差,从而实现图像分割的最佳效果。结合形态学操作,该算法在处理纤维图像中的空洞、噪点以及细节保留方面表现出色,提高了图像分割的质量。实验结果表明,该算法不仅适用于羊毛、羊绒等常见纤维材质的图像分割,在多种复杂纤维图像处理中也展现出了良好的稳定性和适应性。本研究为纤维图像分析领域的进一步发展提供了有益的参考和可靠的技术支持。

关键词： 图像处理与机器视觉   机械类专业   实践教学   教学改革  

摘要： 针对应用型大学机械类专业图像处理与机器视觉课程教学存在的问题,对教学模式和课内实验环节进行了教学改革探索。采用经典理论与实际工程相结合的方式,引入更多的工程案例场景分析;课内实验不再用单个图片进行实验教学,设计了典型应用案例,拆解案例中所运用的理论知识和操作方法,开展案例驱动式的理实一体化教学。通过项目驱动的教学模式,激发学生的学习热情,提高学生分析问题、提出问题以及解决问题的能力,将理论知识中的基本算法应用于实践,培养学生解决实际工程问题的能力。

关键词： 工业机器人   智能装配   高精度   视觉引导系统   图像处理  

摘要： 本研究针对工业机器人在智能装配领域面临的精度与效率难题,设计并开发了一套高精度视觉引导系统。通过深入研究视觉感知、图像处理、机器人运动控制等关键技术,优化系统架构与算法,实现对装配目标的精准识别与定位,有效提升工业机器人装配的精度与效率。实验结果表明,该系统在复杂工业场景下能稳定运行,装配精度误差控制在极小范围内,为工业智能装配技术的发展提供了重要参考。

关键词： 野生动物   目标检测   红外相机   运动检测   伪标签  

摘要： 红外相机是监测野生动物的常用方法,但存在数据量大、背景信息复杂等问题,导致监测数据标注和检测困难。针对以上问题提出一种基于伪标签和YOLOv4的野生动物检测方法。本方法首先基于运动检测的伪标签标定方法,通过背景差分法和形态学操作实现对视频数据集的自动快速标注,降低监测环境中复杂背景的不利影响;然后通过跨阶段局部卷积块,减少YOLOv4中路径聚合网络所需的计算量;最后在密集卷积区域引入Swish激活函数,提高模型在深层区域的特征提取能力,以浙江江山仙霞岭自然保护区的6种野生动物监测视频作为数据集进行实验。结果表明:本方法在平均精度均值和帧率指标上达到了86.41%和18.93帧/s,相比于YOLOv4、RFCN、YOLOv8x算法分别提高1.62、3.43、7.11个百分点,证明所提出算法可以有效克服现有方法标注和检测困难的问题,提升了野生动物监测数据检测平均精度均值和帧率,有助于野生动物监测数据分析的自动化和智能化。