关键词： 目标检测   YOLO   行为识别   计算机视觉  

摘要： 文章介绍了一种基于YOLOv5目标检测算法在吸烟检测方面的创新和应用,并阐述了基于YOLOv5吸烟检测的模型网络架构,以及不同架构组成的不同功能。文章以YOLOv5模型为基础进行吸烟行为识别系统的设计,该系统通过结合深度学习算法和计算机视觉技术,引入了YOLOv8的C2f模块添加到YOLOv5的Backbone层中,并对其进行优化改进。实现对吸烟行为的快速且准确检测。此外,系统具备处理视频流的能力,能有效辅助执法人员及时发现和制止公共场合的吸烟行为。文章详细介绍了系统的设计框架、实现方法以及测试过程,以期为公共卫生做出进一步贡献。

关键词： 图像处理   机器学习   水稻病虫害识别   残差网络  

摘要： [目的]解决传统水稻病虫害检测领域面临的人力和时间成本高、误检率高等问题。[方法]文章提出了一种基于改进残差网络的水稻病虫害识别方法,利用自然环境下的水稻叶片病虫害数据集进行实验,构建了ResNet34基准模型进行训练,引入残差连接的神经网络结构,通过跨层传递信息解决了深度网络训练中的困难。[结果]1)模型在训练集上的准确率达到了0.98,测试集的准确率、精确率、召回率、精确率和召回率的调和平均数均达到并收敛于0.97。2)各类病害的检测准确率均在97%以上,褐斑病的检测准确率达到99.113%,是4种病害检测中最高的。[结论]改进后的模型在查准率、查全率和召回率方面取得了较好的平衡,具有较好的泛化能力和实用价值,能够有效解决水稻病害图像特征不明显、识别效果差等诸多问题。

关键词： YOLO v5   小目标   目标检测   轻量化模型   缺钙   草莓  

摘要： 针对缺钙草莓叶片病害特征较小、病害尺度特征变换较大、传统的卷积神经网络模型对小目标的检测效果不佳等问题,提出一种基于YOLO v5模型的缺钙草莓叶片识别方法。该方法首先以YOLO v5模型为基础从其Backbone、Neck、损失函数等方面进行优化,提高其对缺钙草莓叶片病害特征的检测能力,并将优化后的网络模型命名为YOLO v5-Smix,再采用多种数据增强手段对已有数据集进行扩充,以保障后续卷积神经网络模型的训练。该方法将原有Backbone骨骼中的CSPDarknet53主干网络替换为以C2F模块为核心的Darknet-53网络,保留缺钙草莓叶片的小目标特征;在Neck特征融合层添加BiFPN结构,有效解决缺钙草莓叶片图像尺度特征变换较大的问题,同时增强网络多尺度特征融合能力;更换原本的损失函数CIoU为WIoU,进一步提高模型的检测效率及检测能力。依据模型评价指标,通过试验将YOLO v5-Smix网络与经典的Faster-RCNN、YOLO v3、YOLO v4、YOLO v5等4种卷积神经网络进行对比。结果表明,YOLO v5-Smix的识别精确度达89.1%,召回率达81.0%,平均精确度达78.8%,与Faster RCNN、YOLO v3、YOLO v4、YOLO v5相比,识别精确度均有提高,能够较精确地识别缺钙草莓叶片病害特征,完成小目标病害特征的检测任务。

关键词： 医用纤维内窥镜   综合镜体光效   图像处理   自动检测  

摘要： 医用纤维内窥镜已应用于各种医疗领域,其综合镜体光效的水平会影响所接收到图像的质量,从而导致医护人员无法准确判断病灶情况。为快速有效评价纤维内窥镜在临床使用下的综合镜体光效,提出一种基于图像处理的自动检测方法。通过内窥镜光源照射高反射率标准白板,对CCD相机采集到的内窥镜图像进行图像处理,提取90%视场处和视场中心的灰度值的比值作为边缘各点综合镜体光效,并进一步计算出内窥镜总体综合镜体光效。根据设计方法对2支纤维内窥镜进行了10组重复实验,并与生产商标称值进行对比分析,同时计算不确定度以及分析误差来源,验证了所设计方法的可行性。

关键词： 红外车辆   目标检测   RepVGG   增强时空注意力机制  

摘要： 针对复杂场景下传统红外车辆目标检测算法精度不佳、计算量大等问题,提出基于改进RepVGG(Re-parameterization Visual Geometry Group)和增强时空注意力机制(Enhanced Spatial Temporal Attention Mechanism,ESTAM)的红外车辆目标检测算法。以YOLOv8n(You Only Look Once v8 nano)模型为基础,在骨干网络和颈部网络引入C2fRepVGG(CSP Bottleneck with 2 Re-parameterization Visual Geometry Group)模块,保证检测精度且减少模型参数量。在骨干网络尾部添加增强时空注意力机制模块,优化红外车辆目标特征表达。使用Wise-IOU损失函数(Wise-IOU Loss)代替CIOU损失函数(Complete IOU Loss),减少训练过程中模型对于低质量锚框产生的有害梯度。实验结果表明,提出的算法在红外车辆数据集中检测精度和计算复杂度相较于其他算法均具有比较优势,该模型的平均检测精度达到94.4%,参数量为2.85×10^(6),浮点计算量为7.4×10^(9),能够对复杂场景下的红外车辆目标实现高精度检测。

关键词： 深度学习   目标检测   Anchor-Free网络   多注意力融合   加权迭代融合  

摘要： 为解决现有U型目标检测框架空间感知能力有限与特征融合方式粗糙等问题,论文提出了空间感知与多注意力加权融合的无锚目标检测网络。首先,利用低层特征提取模块获取更多表征区域的低层细节信息。接着,利用多级反馈结构的全局残差感知模块对高级语义特征进行多级上下文提取,该操作可显著提高上下文区域的多尺度空间感知能力。最后,利用多注意力迭代融合模块有选择地处理粗糙特征,从而指导低层特征同高层语义特征进行高效特征融合,以帮助网络获得高分辨率的语义特征。同时,在损失中加入泛化交并比(IoU)损失指导网络以更准确和高效的方式预测结果。在标准的MSCOCO 2017和PASCAL VOC 2007两个数据集上进行了充分的实验,结果证实了所提方法的有效性。

关键词： 多任务学习   抛洒物检测   YOLOv6s   图像处理   语义分割  

摘要： 针对现有检测算法在定点抛洒物检测方面的不足,提出一种基于多任务学习和图像处理的路面抛洒物检测算法.首先,为YOLOv6s设计一种融合多层语义特征的语义分割头,并为目标检测分支和语义分割分支设计损失函数,进行多任务学习;其次,结合语义分割分支分割连续性的优势以及图像处理的方法,提取完整路面区域;最后,引入结合IoU和质心位置的抛洒物区域识别与排除方法,实现非抛洒物的排除和最终抛洒物区域提取.实验结果表明,在BDD100k数据集上,改进算法在车辆目标检测和可行驶区域分割上分别达到77.8%的平均精度值(mAP)和91.5%的平均交并比(mIoU).

关键词： 计算机视觉   电力通信   故障诊断   深度学习   图像处理  

摘要： 本文探讨了基于计算机视觉技术在电力通信线路检测与故障诊断中的应用。通过高分辨率摄像头获取图像信息,结合图像处理和深度学习算法,实现了对线路的自动检测与故障智能分析。实验结果表明,该系统能有效识别多种故障,诊断准确率达到91.23%,显著提高了检测效率和定位精度,有助于保障电力通信网络安全稳定运行。这一研究为电力系统的智能化监测提供了有力工具,具有广阔的应用前景。

关键词： 机器视觉   印刷电板   图像处理   AdaBoost   分类树   缺陷分类  

摘要： 针对PCB上贴片元件缺陷检测准确率低、效率低和缺陷类型不全面的问题,设计了一种基于AdaBoost和分类树的贴片元件缺陷检测系统。该系统可检测芯片引脚和电阻缺陷。首先,对采集到的图像进行拼接、校正、元件定位和去噪操作;其次,对贴片元件进行区域划分并提取子区域的形状特征、灰度特征和纹理特征;然后,利用AdaBoost算法将每个特征视为弱分类器,选取最优特征迭代形成强分类器并通过信号函数进行输出,实现每个缺陷都有其对应的特征码;最后,通过查询分类树实现缺陷分类。实验结果表明,相比于传统的图像处理缺陷检测系统,所设计的系统在检测缺陷多样化、检测速度和准确率上均具有明显优势。

关键词： YOLOv10   轻量化   分级检测   目标检测   AKVanillaNet  

摘要： [目的/意义]在农业生产的后期,对干制黄花菜等级进行准确分类至关重要。针对现有目标检测模型在干制黄花菜分级任务中精度不足及参数过多的问题,提出一种轻量级的YOLOv10-AD网络模型。[方法]该模型设计了全新的骨干网络AKVanillaNet,针对干制黄花菜的特殊形状特征进行了优化,显著提升了检测精度,同时降低了模型的参数和计算成本。此外,还将DysnakeConv模块嵌入C2f结构中,进一步增强了对干制黄花菜特征的提取能力,并通过采用Powerful-IOU(PIOU)损失函数,更好地拟合数据,提升模型性能。[结果和讨论]在干制黄花菜等级分类的数据集上的测试结果表明,YOLOv10-AD模型的平均准确率mAP(Mean Average Precision)达到了85.7%,其参数量、计算量和模型大小分别为2.45 M、6.2 GFLOPs和5.0 M,帧率FPS(Frames Per Second)为156。与基准模型相比,YOLOv10-AD不仅将mAP提升了5.7%,FPS提升了25.8%,同时还将参数量、计算量及模型大小分别降低9.3%、24.4%和9.1%,不仅提升了检测精度,还降低了模型的部署难度。[结论]提出的YOLOv10-AD网络模型能够在不同光照条件下对干制黄花菜进行精准分类,且具有较好的实时性,为干制黄花菜等级的智能分类提供了有效的技术参考。