关键词： YOLOv8s算法   目标检测   注意力机制   特征融合  

摘要： 针对现有目标检测算法在检测精度、模型参数量和模型大小方面的不足,对YOLOv8算法进行深入改进,通过引入EMA注意力机制和SSFF模块,显著提升了目标检测的准确性,同时实现了模型轻量化。改进后的YOLOv8s模型的实验结果显示,在保持高检测精度的同时,模型参数量和计算资源需求显著降低,特别是在小目标检测方面表现突出,证明了其在无人机航拍图像目标检测和分类任务中的有效性与实用性。

关键词： 计算机图像处理技术   网页设计   运用方法  

摘要： 随着互联网技术的迅猛发展,网页设计已成为信息传播与交流的重要平台。在网页设计中,图像作为视觉元素的核心组成部分,不仅承载着信息传递的功能,还深刻影响着用户的浏览体验和情感共鸣。计算机图像处理技术,作为现代数字艺术与设计领域的关键技术之一,其在网页设计中的运用日益广泛且深入。本文旨在探讨计算机图像处理技术在网页设计中的应用方法,分析其对于提升网页视觉效果、增强用户体验及优化信息传播效率的作用,以期为网页设计实践提供理论支撑与技术指导。

关键词： YOLOv8   目标检测   堆垛纸箱   现代物流   神经网络  

摘要： 在现代物流仓储领域,纸箱识别对于库存管理以及物流自动化实现至关重要。针对传统方法及现有部分自动化识别方案在纸箱识别任务中实时性较低、准确度不高等不足,提出一种基于改进YOLOv8网络的纸箱识别方法。首先,提出一种自适应的归一化机制(ADBN)引入YOLOv8骨干网络,使模型能够更好地聚焦于关键特征,增强特征提取效果。在YOLOv8检测头中引入了结合FasterBlock和卷积门控线性单元(CGLU)的C2f-Faster-CGLU机制,提高了模型计算效率与模型局部建模能力。此外,引入一种新的基于最小点距离的边界框相似性比较指标MPDIoU,能够更准确地评估模型预测框与真实框的相似度,改进了损失函数。对比实验结果显示,改进后的模型较原模型mAP@0.5提高了1.6%,召回率提高了1.3%,且相较于其他几种主流的检测算法均有性能上的提升,为物流仓储行业的识别工作提供了更精准高效的技术支持。

关键词： 悬索带式输送机   目标检测   YOLOv5   风振监测  

摘要： 文中针对悬索带式输送机在运行过程中出现类似钟摆的异常运动问题,提出了一种基于机器视觉的风振监测方法以分析悬索式结构的稳定性。首先,在悬索带式输送机上需要监测的点位设置检测标杆并在索塔上布置摄像头,然后利用4G信号将视频实时传输到监控中心,利用YOLOv5模型完成对检测标杆的识别和定位,并根据检测标杆实际尺寸计算得到标杆在风载等作用下相对平衡位置的偏移量,之后通过加权滑动平均对偏移量的时序数据进行降噪处理,最后判断当前偏移量是否超出阈值并完成预警。在实际项目上的实验表明:基于机器视觉的风振监测方法能完成对检测标杆的识别和定位,能反映出监测点的横向和竖向偏移量,为悬索带式输送机的振幅检测提供了一种监测方法。

关键词： 焊缝质量评价   同态滤波   阈值分割   评价指标  

摘要： 针对水下焊接过程难以观测和焊缝质量评价精度较低等问题,提出了一种基于图像处理技术的水下焊接焊缝成形质量评价方法。该方法以焊缝成形图像为核心信息源,通过同态滤波算法对焊缝边缘轮廓图像进行预处理,利用焊缝与母材在灰度值上的显著差异,结合阈值分割算法和形态学操作,实现了焊缝与母材的有效分割。进一步地,以焊缝图像的灰度值矩阵为基础,完成了焊缝外观特征参数的提取。为了量化焊缝质量,提出了外观稳定系数作为质量评价的关键指标,基于该指标能够有效表征水下焊接过程的优劣。实验对比结果表明,所提出的方法显著提升了焊缝质量指标的提取精度和评价效果,能够客观且准确地反映水下焊接操作的稳定性。

关键词： YOLOv8   目标检测   注意力机制   智能制造  

摘要： 针对玻璃盖板划伤缺陷形状细长不连续、尺度多变等特性,对YOLOv8模型进行改进,借鉴注意力机制MLCA和GhostBottleneck模块改进网络主干的C2f模块,减少冗余特征,深入挖掘空间与通道信息、局部与全局信息;颈部引入VoVGSCSP模块,提高语义增强和特征融合能力;头部运用深度可分离卷积并做出非对称化结构改进,减少参数量,提高检测效率;后处理算法改用WIOU,采用明智的梯度增益分配策略,提升收敛速度。在自建数据集上训练模型并验证,改进后的YOLOv8模型精确率提高了5.1%,召回率提高了4.5%,平均精度均值提高了2.1%,参数量和浮点运算量分别下降了38.5%和47.6%,漏检、误检减少,目标重叠和检测锚框重复的情况明显改善。

关键词： 大豆冠层   深度学习   改进YOLOv5s   叶片识别   目标检测  

摘要： 为开发自走式大豆表型信息采集平台,实现自动化叶片识别与表型参数获取,解决人工干预问题,提出一种基于改进YOLOv5s的大豆冠层叶片识别方法。在骨干网络特征提取层中引入通道空间融合注意力机制(CBAM),提高对小叶片的识别效果。将网络中的空间金字塔池化结构(SPPF)替换为空洞空间卷积池化金字塔结构(ASPP),加强局部信息检测,引入SIoU损失函数,提高复杂背景下叶片的定位能力。利用检测框的坐标信息对单个叶片进行分割进而获取叶长、叶宽、叶面积。试验结果表明:相比于原模型,改进后模型的平均精度均值mAP、精确率、召回率分别提高5.4%、3.3%、4.6%;叶长、叶宽、叶面积平均绝对误差分别为0.98 cm、0.56 cm、6.20 cm^(2)。

关键词： 目标检测   成熟度识别   病虫害检测   YOLOv8   AKConv   SimAM  

摘要： 针对电商场景下番茄品质管控与供应链响应效率的协同需求,本文提出一种面向电子商务的改进YOLOv8番茄植株病虫害与成熟度同步检测方法。通过深度学习模型,实现植株生长状态的多维度感知。技术改进方面,将原本的Conv模块替换为AKConv模块,并添加SimAM注意力机制,引入了MPDIoU损失函数去避免引入复杂的惩罚项降低计算复杂度,使模型计算量降低16.35%的同时维持82.4%的检测精度。实验表明,在自建包含6类常见病害与3级成熟度的番茄数据集上,模型综合检测精度达82.4%。In response to the collaborative demand for tomato quality control and supply chain response efficiency in e-commerce scenarios, this paper proposes an improved YOLOv8 tomato plant disease and pest synchronous detection method for e-commerce. Realize multi-dimensional perception of plant growth status through deep learning models. In terms of technological improvements, the original Conv module was replaced with the AKConv module, and SimAM attention mechanism was added. The MPDIoU loss function was introduced to avoid introducing complex penalty terms and reduce computational complexity, resulting in a 16.35% reduction in model computation while maintaining 82.4% detection accuracy. The experiment showed that the comprehensive detection accuracy of the model reached 82.4% on a self-built tomato dataset containing 6 common diseases and 3 levels of maturity.

关键词： YOLOv10n   车辆检测   车牌检测   SE注意力机制   目标检测  

摘要： 车辆检测与车牌检测是现代交通中的重要课题。为提高车辆及车牌检测的准确率,文章提出了一种基于YOLOv10n算法及SE注意力机制的车辆车牌检测方法。首先,将YOLOv10的检测类别设为两类,分别为车辆和车牌,以降低模型的信息冗余,提高检测精度;其次,将SE注意力机制融入YOLOv10n算法模型,以提升检测效率;最后,对经SE注意力机制处理后的特征进行检测,以提高整体的检测性能。实验结果表明,该模型取得了较好的检测性能,车牌的Box(P)、Box(R)分别比YOLOv10n的提高了1.1%、1.2%,全部类别、车牌的m AP50分别比YOLOv10n的提高了0.2%、0.4%。除此之外,在模型所占内存并无增加的前提下,检测时间有所降低。

关键词： 小波变换   图像处理   MATLAB   运动会火炬  

摘要： 根据运动会火炬火焰的目标特征,采用小波方法提取火焰图像的边缘,判断主火炬燃烧区域面的边缘变化,自适应调节主火炬各群组燃烧器的燃气流量,使主火炬稳定燃烧,提高了主火炬的耐风性和抗雨雪性。