关键词： 深度学习   目标检测   钢结构裂纹   焊缝开裂  

摘要： 主要基于YOLO神经网络对钢结构的焊缝裂纹进行视觉识别与检测。首先,获取钢结构焊缝裂纹图片,利用数据集扩充方法自制数据集;其次,建立并训练了针对钢结构焊缝裂纹的神经网络检测模型;最后,通过多项评判标准测试了该模型的效果。结果表明,该模型可作为新型解决方法被应用于检测钢结构焊缝开裂的问题中,为传统的工程行业检测提供新型检测方法。

关键词： 智慧运维   计算机视觉   融合诊断  

摘要： 随着光伏电站装机容量的规模化增长,光伏组件故障的快速、准确诊断对光伏电站的可靠运行尤为重要。通过引入基于深度融合无人机AI巡检的光伏场站智慧运维管理系统,聚焦无人机AI巡检核心算法的研究,从组件定位、故障识别、融合诊断3个方面有效提升光伏场站的智能化运维水平。

关键词： 计算机视觉   视觉提示学习   情境学习   图像恢复   扩散模型  

摘要： 尽管现有的天气退化图像恢复方法在单一天气去除任务上已经取得良好表现,但其无法适应真实场景下多变的天气类型.为此,本文提出一种基于视觉提示学习的天气退化图像恢复算法,其是预训练语言图像模型与天气退化图像恢复任务结合的新范式.该算法首先设计一个查询提示约束网络(Query Prompt Contrained Network,QPC-Net),其利用对比语言图像预训练模型中的文本编码器和图像编码器来根据给定的退化图像直接编码其对应真实背景的潜在描述特征.同时,该算法还包括一个示例提示引导网络(Example Prompt Guided Network,EPG-Net),其利用给定的示例图像来引导预训练扩散模型去除查询图像上对应的天气退化.相比类似设定的现有算法,本文算法在8个天气退化数据集上平均改善峰值信噪比2.11 dB,平均改善结构相似性4.74%.

关键词： 自然语言处理   计算机科学   计算机视觉   机器学习   人工智能技术   中职计算机专业教学   深度学习   创新实践  

摘要： 一、引言AI是人工智能(Artificial Intelligence)的缩写,指通过深度学习、机器学习、计算机视觉、自然语言处理等多种算法和技术,使机器能够像人类一样学习、思考和作出决策。人工智能技术已经成为计算机科学的重要组成部分,并被应用于各行各业,成为促进经济发展和社会进步的重要力量。

关键词： 图像识别   深度学习   目标检测   水稻病虫害   YOLOv8   BFP   多线程优化  

摘要： 为提高水稻病虫害检测精度,解决病虫害种类繁多、尺度不一、生长环境复杂导致的误检漏检问题,便于模型在边缘设备进行部署,提出一种基于改进YOLOv8的水稻病虫害检测方法 PBM-YOLOv8。首先使用部分卷积(partial convolution,PConv)设计PCBlock结构,替换YOLOv8特征提取模块中的瓶颈(bottleneck)结构,以减少模型参数量,提升检测速度;其次为了减少非相邻层语义信息特征融合时的稀释,在颈部网络增加平衡特征融合层,重构特征金字塔(feature pyramid networks,FPN)为平衡特征金字塔(balanced feature pyramid,BFP),对融合的特征层进行特征再提取,并引入嵌入高斯非局部注意力(embedded Gaussian non-local attention,EGNA)消除多层融合导致的混叠效应,最大程度减小特征丢失;最后将损失函数更换为MPDIOU,改善因样本差异性大而导致的检测框失真,同时降低模型训练的计算负担。试验结果表明,改进模型PBM-YOLOv8在水稻病虫害数据集上取得了更为优异的试验效果,相较于原始YOLOv8n基线模型精确度及平均准确率均值分别提高了1.3和1.1个百分点。将PBM-YOLOv8部署在RK3588上经多线程优化后检测速度可达到71.4帧/s,满足实际应用的需求,可实现对水稻病虫害的实时精准检测。

关键词： 目标检测   香梨   YOLO v7   轻量化   注意力机制  

摘要： 为在自然环境下准确地识别和检测香梨果实,以YOLO v7为基础网络模型,针对果园中香梨果实、果叶、枝干之间相互遮挡问题,提出一种改进的轻量化YOLO v7梨果目标检测方法。该方法将MobileNet v3引入YOLO v7模型中作为其骨干特征提取网络,从而减少网络的参数量,使其更容易部署在移动端和生产实际,在特征融合层引入协同注意力机制CA(coordinate attention)模块,以提高网络的特征表达能力,将原YOLO v7中的损失函数CIoU替换为SIoU,从而提高模型的检测速度和性能。最后利用Grad-CAM方法产生目标检测热力图,进行特征可视化。结果表明,改进的轻量化YOLO v7模型的平均精度均值(mAP)、精确率、召回率指标分别为96.33%、94.36%、89.28%,检测速度为87.71(帧/s),模型内存占用量与原YOLO v7相比减少21.45 MB;其检测平均精度均值(mAP)与Faster R-CNN、YOLO v3、MobileNet v3-YOLO v4、YOLO v5s、YOLO v7模型相比分别提高28.37、9.66、13.14、4.58、3.20百分点。研究表明,改进的轻量化YOLO v7模型对成熟期香梨具有很好的目标检测效果和鲁棒性,可为香梨自动化采摘提供有效的技术支持。

关键词： 无人机   目标检测   YOLOv8   多模态融合   渐进式融合   轻量化   模态差异  

摘要： 近年来,无人机在军民两用的工作中面临着日益增长的技术需求,这给地面目标检测的精度带来了重大挑战。针对复杂背景下无人机目标检测算法精度低的问题,提出了一种改进YOLOv8的双光图像融合网络。首先,该网络采用特征级融合策略,充分利用可见光和红外数据,显著提升了在复杂场景下的目标检测性能。其次,为了减少多模态融合可能引入的冗余信息,设计了轻量化特征提取分支。最后,提出了渐进式跨模态融合模块,增强了多模态信息的特征交互,有效解决了不同模态融合时的信息差带来的检测性能受限问题。实验结果表明,与原始算法相比,所提方法拥有更高的精确率和召回率,同时在行人检测数据集LLVIP上AP50和mAP0.5-0.95分别达到了91.2%、55.5%,FPS值达到了95。综上,与现有算法相比,所提方法在性能上表现更优,未来将继续探索其在不同环境中的应用潜力。

关键词： 遥感图像   目标检测   小型船舶   特征提取   动态检测头   YOLOv8s  

摘要： 针对海陆边界、近岸岩礁等复杂海洋场景下,光学遥感小型船舶检测成像特征不明显、目标占比小的问题,提出一种改进YOLOv8s的小型船舶检测方法。首先,在颈部层引入浅层特征图的基础上修改预测层,平衡浅层位置信息和深层语义信息的权重,增强模型对小目标的关注度;其次,采用融合FasterNet Block和高效多尺度注意力机制的C2f-FE模块,利用通道分组和跨通道信息交互,加强对小型船舶的特征提取,并降低模型参数;最后,采用动态检测头模块,在不同预测层级上提高模型对不同空间尺度、任务目标的检测能力。实验结果表明,与原始YOLOV8s模型相比,改进模型的参数量减少42.3%,在MASATI数据集上,改进模型的检测精度mAP_(50)和mAP_(50:95)值分别提高4.2%和2.2%,在DOTA-Ship和DOTA-Small Vehicle数据集上,改进模型的检测精度mAP_(50:95)值分别提高1.7%和1.4%。由此可知,改进模型不仅有效地实现轻量化、高精度的小型船舶检测,而且满足在遥感场景下泛化小目标的高精度检测。

关键词： 目标检测   YOLO   特征提取  

摘要： 旨在提升飞鸟检测任务的准确性,针对传统算法在复杂背景和多变姿态飞鸟检测中的不足,提出基于深度学习的改进YOLOv8算法。该算法通过融合GOLD-YOLO中的GD机制和ASF-YOLO中的尺度序列特征融合(SSFF)模块,优化网络结构,改进特征提取和融合方式,增强多尺度特征融合能力,提升小尺寸目标的特征表示。此外,还收集了一个涵盖不同鸟类近照、飞翔鸟类和鸟群图片的飞鸟数据集,用于算法的训练和测试。实验结果表明,改进后的YOLOv8算法在飞鸟检测任务中性能得以提升,尤其在处理小目标和复杂背景时表现更佳。

关键词： 计算机视觉技术   食品检测   应用   优化策略  

摘要： 本文概述了计算机视觉技术在食品外观质量检测、成分分析与识别、微生物污染检测以及保质期预测等方面的具体应用,分析了其在食品检测中面临的挑战,并提出数据增强与迁移学习、精细化特征提取与背景抑制、轻量级模型设计与硬件加速、多模态信息融合与法规适应性设计等优化策略与技术创新。本研究旨在为提升食品检测的效率与准确性提供有力支持。