关键词： 可变形大核卷积   多尺度特征融合去雾   雾天检测   注意力机制  

摘要： 面对雾天天气下,目标检测网络精度不高,鲁棒性差等问题,本文提出了一种结合多尺度特征融合去雾算法的可变形大核卷积雾天目标检测网络。雾天目标网络基于YOLOv8改进,骨干网络添加特征融合去雾模块(Feature Fusion Dehazing Module,FFDM),颈部网络引入可变形大核卷积注意力构造新的特征融合网络可变大卷积核特征金字塔(Deformable Large Convolution Feature Pyramid,DL-FPN),有效去雾的同时增强了目标检测网络对不规则目标和远小目标的网络检测能力。为了验证实验结果的有效性,本文在真实雾天数据集上进行了一系列实验,实验结果表明,与其他方法相比,本文的方法可以获得更高的检测精度。

关键词： 航拍图像   YOLOv8   目标检测   LSKNet   WIoU  

摘要： 无人机航拍图像中的目标检测一直是研究的热点。与标准图像相比,图像背景具有小目标众多、目标尺度变化大等特点。因此,传统的目标检测算法不适合直接用于无人机图像中。针对这些问题,研究了一种基于YOLOv8的目标检测算法。首先,为提高多尺度目标检测精度,提出基于Large Selective Kernel Network(LSKNet)的C2F-L结构,通过动态调整网络的感受野,更有效地处理检测对象变化的上下文信息。引入Slim-neck结构,降低参数数量,提高模型检测效率。最后,使用WIoU损失函数提高网络模型的泛化能力和整体性能。在VisDrone2019数据集上实验表明,改进算法的mAP@0.5达到33.4%,比原始YOLOv8提高了1.1个百分点,计算量降低了7.4%。事实证明,改进的算法能有效提高航拍图像的目标检测精度。

关键词： 无人机低空遥感   煤炭自燃监测   卷积神经网络   图像处理  

摘要： 煤矿储运过程中的自燃现象严重威胁着煤炭的质量安全与环境保护。针对煤炭自燃监测反应迟缓、覆盖范围有限且无法实现实时监控等问题,提出一种基于无人机低空遥感技术的储运煤炭自燃监测新方法。无人机飞配备多光谱热成像传感器,实现针对储运煤堆的低空快速巡检。采用三维建模软件构建储煤场三维温度模型,实现对煤堆温度异常点进行实时监测。不仅可以有效预防煤堆自燃和变质等问题的发生,还能为煤场的安全管理提供了强有力的技术支持。通过实地调查研究,实测的20个采样点温度与红外热成像三维模型的温度的均方根误差为1.26 ℃,平均相对误差为3.8%,证明无人机热红外遥感影像构建的储煤场三维模型所描述的温度范围和实际温度基本一致,从而证明本文方法具有较高的精度和实用性。

关键词： 计算机视觉   车道线检测   卷积神经网络   深度学习  

摘要： 自动驾驶技术的不断发展使得车道线检测的市场需求快速增长。为满足准确高效的车道线检测技术需求,本文开发了一种高效的检测方法。该方法采用卷积神经网络对道路图像进行特征学习和提取,并结合后处理技术进行车道线的精细化检测和分割。实验结果表明,该方法具有较高的准确率和鲁棒性,能够有效地检测和分割车道线,可为自动驾驶技术的发展提供重要支持。

关键词： 无人机   红外目标   目标检测   深度学习  

摘要： 针对深度学习用于无人机目标检测参数量大、硬件平台受限的问题,提出了一种基于YOLOv5网络的红外目标检测算法。首先,针对无人机拍摄目标较小的情况,将三尺度特征检测修改为双尺度特征检测,简化模型结构;利用DenseBlock模块、ECA注意力模块以及CIoU提高模型的检测精度。实验结果表明,相较YOLOv5s算法,改进算法在保证精度的前提下,模型参数量减小了25.2%,仅为5.3M,该算法将无人机应用于公共安全领域具有参考价值。

关键词： 目标检测   CCBAM   特征融合   空洞卷积   RFFM  

摘要： 针对SSD(Single Shot Multibox Detector)目标检测算法在浅层特征层缺乏语义信息和高层特征层缺乏细节信息造成的漏检、误检等问题,提出了一种改进的SSD目标检测算法。首先引入改进的全面卷积注意力模块CCBAM(Comprehensive Convolutional Block Attention Module),提高网络对于小目标的敏感程度。之后构建分层特征融合网络HFFNet(Hierarchical Feature Fusion Network),使浅层的细节信息和高层的语义信息进行充分的融合,同时在下采样过程中,使用空洞卷积提取不同尺度的特征信息;在上采样过程中,使用像素重组增加高层特征层分辨率的同时减少信息的丢失,之后与低层特征层融合,加强低层特征层的语义信息。最后,采用残差特征融合模块RFFM(Residual Feature Fusion Module),加强高层特征层局部信息和全局信息的整合,同时丰富特征信息。实验表明,在PASCAL VOC2007测试集上mAP@0.5达到79.6%,比原始SSD算法提高了2.4%,检测速度达到了47.8 FPS。

关键词： Yolov8   养老   深度学习   目标检测  

摘要： 随着人口老龄化的不断加剧,独居老人居家养老占比升高,为保障老年人居家养老安全,针对独居老年人在家中跌倒等问题,采用Yolov8神经网络模型,基于计算机视觉技术和深度学习技术对目标人体进行检测、识别和分析,实现了人体识别、跌倒检测等功能。结果表明,该模型检测速度快,识别效率高,能够达到自动化监测居家安全和危险及时预警的目的。

关键词： 缺陷检测   图像处理   机器学习   YOLOv5   注意力机制   二值图像  

摘要： 对于聚乙烯(PE)管道,在运行中经常有不同程度的泄漏等异常,通过对管道中不同异常的实验模拟,收集数据并手动标记相应的数据集。为了提高管道缺陷图像的质量,首先采用加权平均法对图像进行灰度处理;然后,利用伽马变换改进管道背景与缺陷的对比度;最后,使用双重过滤来降低图像中的噪声。为了降低数据的复杂度,提高模型训练速度,采用改进的Sobel算法对管道缺陷图像进行边缘检测,采用自适应阈值分割算法分割缺陷图像的边缘,生成二值图像,用二值图像训练模型,减少了模型对颜色特征的依赖,加快了模型的收敛速度。为了提高管道缺陷检测的精度,引入CA注意力机制,提高目标检测特征提取能力。改进的YOLOv5模型的mAP和召回率分别为97.18%和98.03%。与原算法相比,mAP增加了1.33%,召回率增加了3.83%。

关键词： 目标检测   可形变注意力   EIoU   浅层特征   分步训练   DES-YOLO  

摘要： 针对图像中背景复杂、目标小、分布密集等问题,提出了一种改进的DES-YOLO方法。通过引入可变形注意力模块(DAM),网络可动态关注关键区域,提高物体识别和定位精度;采用高效交并比(EIoU)损失函数,减少低质量样本影响,增强泛化能力和检测精度;在网络头部加入一层160 pixel×160 pixel的浅层特征图,加强小目标特征提取;并使用分步训练策略提升模型性能。实验结果表明,该模型在遥感数据集上的mAP@50提升了1.4%,在纺织数据集上提升了1.7%,验证了DES-YOLO的广泛适用性与有效性。

关键词： 深度学习   目标检测   图像识别   苗圃   YOLOv5s   部分卷积  

摘要： 为解决电动喷雾机器人在苗圃作业时对树苗、行人和栽培盆识别准确率低等问题,该研究提出一种基于改进YOLOv5s(you only look once version 5 small)的多目标检测方法。首先对骨干网络进行改进,将部分卷积(partial convolution,PConv)引入综合卷积模块(comprehensive convolution block,C3)中以减少网络模型计算量;在骨干网络最高维特征后添加坐标注意力机制(coordinate attention,CA)以提升位置感知精度;优化网络模型颈部结构并使用双线性插值进行上采样操作,增强模型特征提取能力;最后对原耦合检测头进行更换并优化检测部分的结构,使用改进的轻量化解耦头LD检测头(light decouple detection head)以进一步提升检测精度。试验结果表明,改进后模型的平均精度均值mAP_(0.5)、mAP_(0.5:0.95)、精确率、召回率分别达到88.2%、54.7%、86.0%和82.4%。与YOLOv5s模型相比,mAP_(0.5)、mAP_(0.5:0.95)、精确率、召回率分别提高4.6、5.9、1.8、3.4个百分点。改进模型在移动端部署后,识别需要避障的行人、盆以及需要作业的树苗的准确率较原模型分别提升了15.4、4.8和7.0个百分点。研究结果可为电动喷雾机器人在苗圃中的作业提供技术支撑。