关键词： 智慧养殖   猪身份识别   猪特征提取  

摘要： 随着智能养殖的快速发展,传统的耳标识别方式因成本高和易感染等问题,逐渐被基于计算机视觉的识别技术所取代。猪身份识别的主要原理是通过提取猪的面部特征、颜色和花纹、体型等生物特征,并计算这些特征的相似度,从而实现对猪只的精准识别。

关键词： 目标跟踪   孪生网络   Inception-Resnet-V2网络   稀疏注意力   Distance-IoU损失  

摘要： 利用改进的Inception-Resnet-V2(IRV2)网络和局部-全局-局部(local-global-local,LGL)模块设计一种结合CNN和Transformer编码结构的孪生网络SiamLGL(siamese local-global-local network)用于目标跟踪.首先,算法特征提取部分采用改进后的IRV2网络,由于网络的层数更深,图片经过IRV2网络提取的特征较浅层网络提取的特征效果更优,特征融合部分采用深度互相关将特征图上的信息进行融合;其次,融合后的特征图利用LGL模块获取目标的全局和局部信息,模块内部采用两个编码器串联,第1个编码器利用深度可分离卷积获取目标的局部信息,第2个编码器利用自注意力获取图片的全局特征,为了降低自注意力结构的时间复杂度,采用稀疏注意力的方式进行计算,在降低时间复杂度的同时保证网络的精度;最后将特征图输入至分类回归网络中,生成对应的目标位置,其中分类网络采用二元交叉熵损失函数,回归网络采用Distance-IoU(DIoU)作为损失函数.算法在GOT-10k、LaSOT、TrackingNet、UAV123、OTB100和VOT2019等6个公开数据集上进行实验评估,结果验证了算法的有效性.

关键词： 深度学习   目标检测   注意力机制   非极大值抑制   垃圾分类  

摘要： 随着社会经济的发展,人们的生活水平持续提高,生活垃圾量急剧攀升;为了有效应对垃圾分拣效率低、准确率差等问题,提出一种以YOLOv7网络为基础模型的垃圾检测算法;该算法对YOLOv7网络进行了一系列改造,首先,在Head模块添加了注意力机制SimAM,增强了模型的感知能力和自适应能力,从而提高检测精度;其次,在主干网络中改进了非极大值抑制算法(soft-NMS)去除冗余的检测框,再次改进了损失函数为边框回归损失函数SIoU,提高了检测的精度和速度;最后,采用C3模块替换YOLOv7有的ELAN-W模块,提升网络对较小目标的检测能力;通过数据集对改进的网络进行测试,平均准确度为98.93%,高于原模型的96.31%,实验结果也表明改进算法的检测效果有较为明显的提升。

关键词： 输电线异物检测   目标检测算法   YOLOv3-Tiny   损失函数  

摘要： 输电线路上的异物检测对确保电力系统安全运行至关重要。为了提高输电线异物识别效率,改进了YOLOv3-Tiny模型。首先在头部网络中,采用深度可分离卷积替代标准卷积、归一化和激活函数结构,分离空间和通道相关性,降低卷积计算量,提高了识别的速度;其次,引入了考虑距离损失、高宽损失的EIoU的损失函数替代原始的损失函数,使得模型找到边界框预测与类别预测之间的最佳点,从而提升算法的检测效果。消融实验验证了这些改进的有效性,结果表明,改进后的模型在保持高精度的同时,检测速率(FPS)提高了2.02倍,减少了74.17%的参数量,大幅降低了计算资源需求。该算法在资源受限环境中表现出色,具备实际应用价值。

关键词： 遥感图像检测   DAB-DETR模型   多尺度注意力融合   高效注意力Transformer   SIoU损失  

摘要： 由于遥感图像中的目标尺寸差异大,且捕获不同尺度目标的信息非常困难,因此难以有效识别不同尺度目标。同时,传统Transformer在处理高分辨率图像时会出现计算资源不足的问题;单一的损失计算方式和匈牙利算法结合会增大代价损失的波动性,影响算法的收敛速度和精度。基于上述问题,本文提出一种基于改进DAB-DETR的多尺度遥感目标检测算法(Multi-scale dynamic anchor boxes for DETR, MSDAB-DETR)。首先,该算法通过创建一种新型的多尺度注意力融合模块,利用不同分辨率特征信息之间的差异,实现了对遥感图像的多尺度预测。其次,采用高效注意力机制对Transformer模型中的自注意力机制进行改进,降低原始模型的内存占用量。最后,利用SIoU损失函数作为边界框回归损失,与匈牙利算法相结合,削弱了二分图匹配的波动性,加快了收敛速度,并进一步改善了边界框的回归能力。实验结果表明,该方法在NWPU VHR-10和DIOR数据集上的检测精度分别高达95.3%和71.5%;在NWPU VHR-10数据集上,小、中、大3种尺度目标的平均检测精度相较于DAB-DETR模型分别提升了10.5%、1.8%和2.7%;内存占用量减少约9%。

关键词： 蚕桑产业   家蚕育种   计算机视觉技术   蚕蛹性别鉴别   智能化  

摘要： 传统的家蚕育种方法中利用人工区分雌雄蚕蛹的方式,因工作强度大、技术人员缺乏、成本高、效率低等弊端已无法满足桑蚕产业的快速发展。通过应用图像识别、目标检测和分割等先进的计算机视觉技术,提升家蚕育种的自动化和智能化水平成为桑蚕业健康发展的必然选择。梳理了计算机视觉技术的发展历程和主要研究内容、计算机视觉技术在蚕蛹性别鉴别上的研究和应用,重点阐述了计算机视觉技术在蚕蛹图像恢复、性别特征提取与分类上的研究进展,同时,探讨了计算机视觉技术在家蚕育种上的研发应用难点,并对此提出构建通用的蚕蛹性别鉴定数据集和结合前沿算法提高识别精度的建议,以提升桑蚕产业的自动化水平。

关键词： 飞行目标检测   YOLO v3   深度学习  

摘要： 飞行目标往往呈现为十几个像素点的小目标,对其准确检测是黑飞反制、管控等应用中首要解决的问题。鉴于此,提出一种基于改进YOLOv3的方法提高飞行目标的检测能力。首先为避免梯度消失,增强特征的复用,在特征检测层引入残差网络;其次为提高小目标的检测能力,增加对4倍下采样特征的检测;然后通过数据集对未改进YOLOv3和改进后YOLOv3进行训练获取模型;最后将FasterR-CNN、未改进YOLOv3和改进后YOLOv3进行实验对比,数据显示改进后YOLOv3的准确度提升14个百分点以上,能较好地检测出飞行目标。

关键词： 目标检测   主干网络   空间注意力机制   损失函数  

摘要： 针对目标检测网络中低效的特征提取和重要特征难以聚焦的问题,基于分组残差及变换特征维度,提出一种改进的目标检测网络.首先引入一个主干网络结构G-ResNet50作为特征提取网络,以充分利用卷积的通道信息核;然后提出广域感受野空间注意力机制,强化重要特征的关注和聚焦能力;最后比较不同损失函数的回归效果,并采用最佳的损失函数进一步提高网络检测目标的准确度.在PASCAL VOC数据集和COCO数据集上的实验结果表明,在相同的实验环境和设备下,所提网络分别实现了79.1%的mAP和35.7%的AP值,同时取得了34.1幅/s的检测速度;与FCOS,ATSS,PAA等网络对比,该网络具有更好的目标检测效果.

关键词： 目标检测   深度学习   条码   轻量型网络   FCOS  

摘要： 条码检测在物流和零售等领域有广泛应用,然而,传统的检测方法在处理旋转、倾斜等场景下存在准确率低、计算量大、检测效率低等问题。针对上述问题,提出了一种改进FCOS的条码检测算法。首先,通过引入Triplet Attention空间注意力机制来增强对条码目标的检测能力;然后,在FCOS网络的回归分支中引入参数θ,将水平框转化为旋转框,用于拟合任意朝向下的条码目标的外轮廓;最后,在标注好的条码数据集上对改进后的算法进行模型训练和测试。实验结果表明,所提出的改进后的FCOS模型当阈值为0.5时,平均检测精度达到94.6%,整体性能优于其他主流算法,有效提升了条码检测能力,并达到较高的检测精度。

关键词： 视网膜病变分级   双线性模型   注意力机制   像素融合   图像处理   残差网络   特征增强和特征抑制模块  

摘要： 针对糖尿病视网膜病变(diabetic retinopathy,DR)中存在类间差异小和病变区域识别困难等问题,提出一种跨层双线性策略的视网膜病变分级算法。对输入图像进行高斯滤波等预处理方法增强图像特征的差异性,使用Res2Net-50双模型提取特征并进行特征增强;通过多分支注意力模块聚焦病变区域,减少不相关信息的关注;使用像素注意力引导融合模块对不同尺度的特征信息融合。在IDRID数据集上二次加权系数为91.82%、准确率为80.58%、敏感性为97.10%、特异性为97.05%,APTOS 2019数据集上准确率为84.28%,二次加权系数为90.05%,结果表明该算法具有一定应用价值。