关键词： 目标检测   视频目标检测   可变形卷积   GAM全局注意机制   YOLOv8  

摘要： 视频帧中目标模糊、遮挡和形变是影响视频目标检测精度的重要原因,针对此类问题,提出一种DG-YOLOv8n算法。首先,基于可变形卷积对骨干网络中的C2f模块进行了重新设计,以增强骨干网络对于目标变化的处理能力;其次,在颈部网络引入GAM全局注意机制,放大全局交互表示来提高算法的性能;最后,在ImageNet VID数据集上的实验结果表明,改进的DG-YOLOv8n算法的平均精度为84.5%,较原YOLOv8n算法提高了6.1个百分点,验证了改进算法的有效性。

关键词： 电力设备   图像处理   故障检测   高低频特征  

摘要： 电力设备在运行过程中,受电流和电压的影响易出现热故障,使成像特征为高低频混合状态,现有方法仅检测高频特征或低频特征,导致检测结果置信度低、检测效果差。提出了基于高低频特征融合的电力设备热故障模糊检测方法。采用红外成像传感器采集电力设备图像,利用区域能量自适应加权法,处理图像低频和高频特征。通过小波逆变换融合高低频特征计算小波系数。利用灰度值提取特征参数,得到热故障检测结果。实验结果表明:所提方法可精准检测热故障区域,置信度最高值为0.96,检测准确率高达90%,平均交并比为89%,具有较好的热故障检测效果。

关键词： 图像融合   YOLOv7   目标检测   小目标   夜间樱桃识别  

摘要： 针对樱桃检测算法无法对夜晚环境下的樱桃进行成熟度识别的问题,提出一种改进的YOLOv7算法:YOLOv7-Cherry。使用一种将夜间樱桃图像和白天相同位置的樱桃图像相融合的图像预处理方法,保留夜间樱桃图像高空间分辨信息的同时加强其光谱分辨率。在YOLOv7-Cherry中,将CBAM注意力机制插入到骨干网络中,利用注意力机制强化神经网络的表征能力,强调重要特征,忽略次要特征,加强对樱桃目标特征的提取;为了加强目标检测算法对图像中小樱桃的识别,增加小目标检测层;改进了原始网络的初始检测框大小;为了减少遮挡对樱桃目标造成的损失,对检测框使用了Soft-NMS方法进行冗余去除。实验结果表明,YOLOv7-Cherry可以有效地识别出夜晚环境下的成熟樱桃和未成熟樱桃,与YOLOv3、Faster-RCNN、YOLOv4、YOLOv5和原YOLOv7相比,YOLOv7-Cherry的mAP提高了26.88、25.05、22.51、17.11和7.66个百分点,其中,识别精度、召回率、mAP和F1为93.9%、94.7%、97.4%、94.3%。

关键词： 红外弱小目标检测   K-means   空间金字塔池化   特征融合   EIoU   YOLOv3   损失函数  

摘要： 为解决在红外场景下小目标携带的特征信息较少,导致检测结果精度较低且容易出现漏检等问题,建立一种红外弱小目标检测模型。使用改进的K-means聚类算法对YOLOv3的anchor进行重新聚类,聚类中心点的迭代以交并比代替原来的欧氏距离。通过改进的空间金字塔池化模块将浅层空间特征与深层语义特征相融合,丰富红外弱小目标的特征信息。将EIoU引入到YOLOv3中,使目标框和锚框的宽度和高度的差异最小化。实验结果表明,该模型在SAITD数据集上的查准率达到了94.83%,平均查准率达到了89.26%,检测精度优于传统红外目标检测网络及部分深度目标检测网络。

关键词： YOLOv8   深度学习   目标检测   损失函数  

摘要： 目前,目标检测已经广泛应用在各个领域,并且日趋成熟。但在河道废弃瓶检测任务中,现有图像处理技术存在精度低、成本高且难部署等问题仍然是该项研究的难点。本文提出一种基于改进YOLOv8的深度学习检测模型。首先,针对无人船图像中小目标容易错检、漏检的共性问题,引入Bi-PAN-FPN思想改进YOLOv8-n中的Neck部分。通过充分考虑并复用多尺度特征,在尽量维持参数成本的情况下实现更高级、更完善的特征融合过程;其次,使用EIoU替换原网络中的CIoU来优化损失函数,考虑将预测框和真实框的纵横比的影响因子进行拆分,解决CIoU损失函数中难易样本不平衡的问题,提升模型的优化能力。本文以国际公开的FloW数据集进行实验,并设计消融实验、对比实验、损失函数性能分析实验以及特殊场景对比实验,从多个角度阐述所提方法的可行性和有效性。消融实验结果表明:改进后的YOLOv8-n模型相比基线网络,漏检情况得到明显改善,平均精度均值达到85.2%,比基线网络模型提升了2.7个百分点,检测效果提升明显。对比实验结果表明,改进模型的平均精度均值相比于Mobilnet-SSDv2、YOLOv4s、YOLOv5s、YOLOv7-tiny、YOLOv3-SPP、YOLOv5-MobileNetV3s这6个模型分别提升60.15%、18.99%、3.90%、7.30%、28.7%及55.47%,在FPS、参数数量、模型大小方面均体现了较优的综合性能,并在特殊场景中表现最优。因此,本文的改进模型的综合性能优于目前流行的河道垃圾检测模型,更加适用于河道废弃瓶的实时检测。

关键词： 甘草饮片   图像处理   机器学习   智能鉴别   颜色直方图  

摘要： 采用图像处理技术,结合多种机器学习算法,如KNN、Logistic、XGBoost以及伯努利、多项式、高斯等多种贝叶斯方法,对新疆、内蒙古、甘肃不同产地的甘草及炙甘草饮片进行鉴别研究。通过颜色直方图(HS)方法提取甘草饮片的颜色特征,利用机器学习算法对提取到的特征进行训练,并比较不同算法的性能。实验结果表明,XGBoost算法第二种参数设置方法(XGBoost-B)(决策树模型最大深度为5,学习率为0.01,迭代2000次)在平均精度均值(mAP)与ROC曲线下面积(AUC)两项关键指标上均表现出最优性能(mAP=0.99,AUC=1.00)。其鉴别准确性高,模型适应性强,为甘草饮片的智能鉴别提供技术支持和有效参考。

关键词： 红外弱小目标检测   背景抑制   残差网络   阈值分割   深度学习  

摘要： 在超远距离红外目标探测中,由于杂散光、探测器热传导及闪元盲元等复杂干扰,红外图像的背景常表现为非均匀性。同时,目标成像尺寸小,缺乏明显的形状和纹理特征,增加了检测与识别的难度。传统的特征提取方法易出现大量虚警,深度学习方法在特征提取方面具有优势,但在复杂背景干扰下训练难度较大。文中将计算机视觉领域中的背景重建问题与红外图像弱小目标检测任务相结合,提出了一种基于复杂背景智能抑制的红外弱小目标检测方法。该方法采用编码器-解码器架构设计了红外场景优化编解码背景抑制网络模型,引入多级融合机制和残差融合模块以实现多尺度特征提取和多层次特征融合,并提出感知一致性损失函数提高背景重建的鲁棒性。通过背景残差抵消策略有效实现背景抑制,最终结合全局阈值分割完成弱小目标检测任务。实验结果表明,与对比方法相比,文中方法在抑制背景方面背景标准差最高降幅达43.41%,目标信噪比最高提升至110.0257。在目标检测方面,四组数据中检测率均超过95%,展现出优异的检测效果,具有较强的工程实用性,为复杂背景下的红外弱小目标检测任务提供了新的解决方案。

关键词： 运动模糊图像复原   条件生成对抗网络   YOLOv8   输电线路小目标检测   多头自注意力机制  

摘要： 针对无人机巡检采集图像过程中受到气流扰动、旋翼振动、相对运动等因素影响,输电线路小目标图像易出现运动模糊,导致纹理细节丢失从而难以检测的问题,提出一种基于运动模糊图像复原的输电线路小目标检测算法。使用条件生成对抗网络(ViT-GAN)进行小目标运动模糊图像复原,强化其特征提取主干对图像全局和区域上的信息感知能力,提升图像复原质量便于后续进行目标检测;通过引入多头自注意力机制、增加小目标检测层并优化边界框损失函数改进YOLOv8网络,提升网络在背景复杂、目标尺度变化大的输电线路环境下对小目标的检测能力。实验结果表明,所提算法能准确检测输电线路小目标,线上6类小目标的平均查准率为92.77%,平均查全率为94.19%,平均F1-score为94.94%,漏检和误检情况得到改善,表现出较强的准确性和鲁棒性。

关键词： RGB-D SLAM   动态场景   目标检测   几何约束  

摘要： RGB-D SLAM是一种利用深度相机实现同时定位和地图构建的技术。传统的视觉SLAM系统基于对静态环境的假设,然而实际环境中往往存在动态物体,这可能导致SLAM系统的位姿估计出现显著的偏差。针对这一问题,提出了基于轻量化的YOLOv8s目标检测的RGB-D视觉SLAM系统,采用Socket通信方式,将目标检测结果传给SLAM,然后利用Depth Value-RANSAC几何算法剔除检测框内的动态特征点,提高了SLAM系统在动态环境中的定位精度。实验使用TUM数据集进行验证,结果表明,本文系统精度相比ORB-SLAM2有明显提高。与其他SLAM系统相比,本文系统在精度和实时性上有不同程度的改进。

关键词： 单目标跟踪   复杂跟踪场景   孪生网络   自注意力机制  

摘要： 为了在目标发生遮挡、形变、尺度变化和背景干扰等场景下准确地跟踪目标,注意力机制被广泛应用于特征抽取模块,以选择性地关注重要特征和抑制无关特征.然而,现有的注意力机制只考虑了通道特征层与空间特征点之间的局部或全局关系,没有对特征进行融合建模.本文针对复杂跟踪场景提出了一种基于卷积神经网络和自注意力机制的卷积自注意力模块(Convolutional Self-Attention Module,CSAM),该模块能够以注意力加权方式解决前景遮蔽、非刚性形变、快速尺度变化与相似特征背景干扰问题.经过实验验证,引入卷积自注意力模块的孪生网络能够显著地提升跟踪器的性能,在跟踪问题基准(Benchmark)数据集OTB100上以平均重叠率、跟踪成功率与准确率作为评判指标,相比基准模型分别提升了9.2%、2.2%与2.9%.通过进一步的消融实验证明了本文提出并引入的适用于孪生网络跟踪框架的卷积自注意力模块能够有效地提升特征辨识度,对比先进方案兼顾单目标跟踪性能和实时性,能够在大多数实时复杂跟踪场景实现轻量化部署.