关键词： 遥感图像   车辆目标检测   YOLOv5s   自注意力机制   轻量化上采样算子   损失函数  

摘要： 遥感影像在目标检测领域被广泛应用,在车辆目标检测方面,由于遥感图像自身背景复杂、车辆目标小且密集等特点,现有目标检测方法常面临检测效果不佳以及漏检误检等问题。该文针对性地提出了一种改进YOLOv5s的目标检测方法。引入了带有位置信息编码的自注意力机制,强化对同一尺度内特征信息的融合,在网络高层采用MobileViT处理更抽象的特征,高效捕捉复杂的上下文信息,进一步增强了对小目标的识别能力,解决了小目标漏检问题;应用轻量级上采样算子来降低模型复杂度;另外,应用ShapeIoU损失函数,使该模型更加关注边界框的形状和尺度以便提高检测精度。在遥感车辆数据集COWC进行了完整实验,实验表明改进后的模型各项指标均有提升,准确率提高了0.3百分点,召回率提高了1百分点,mAP提高了0.8百分点。

关键词： 目标检测   卡尔曼滤波   动态抓取   自动化装配   机器人操作系统  

摘要： 针对传统军工业生产制造中,机器人在动态抓取过程中出现的检测精度不高、位姿适应能力差的问题,提出了一种基于深度学习的动态抓取技术,以在传送带运动过程中实现对弹药零件的高效抓取。采用YOLOv5目标检测网络,以实时准确地识别和定位弹药零件,结合卡尔曼滤波算法进行精确的目标跟踪和位置预测。此外,通过实施逼近抓取策略,确保在动态环境中实现稳定可靠的抓取。以机器人操作系统(ROS)为平台进行方案可行性验证。结果表明,该动态抓取方案可满足实际需求,为类似抓取任务提供了参考。

关键词： 敦煌壁画   改进的Yolov8   目标检测   特征增强  

摘要： 敦煌壁画因其极高的艺术价值、历史价值、研究价值而备受关注。在壁画文创研发中,壁画元素检测扮演了一个十分重要的角色。但是,受到壁画脱落、颜料褪色、病虫害破坏、元素体量差异大等因素的影响,给壁画元素的检测工作带来了极大的困扰。为此,文中基于Yolov8算法进行了改进拓展工作并将其引入壁画元素的检测任务。具体来说,考虑到部分元素特征不明显的问题,设计了改进的SPPCSPC模块以增强模型的特征感知能力,扩大模型的感受野;考虑到元素体量差异巨大、元素风格多变的问题,在C2f模块末端引入CoordAtt注意力机制以增强网络对局部及非显著信息的关注能力。在敦煌壁画元素检测任务上,相比5项前沿检测算法,所提算法取得了先进的壁画原始检测性能。相比Yolov8基线算法取得了2.2%@mAP的性能提升,尤其是在main_buddha类别上提升了12.2%@mAP的检测性能。所提方法有效支撑了敦煌壁画的后续相关研究工作。

关键词： 无人机航拍技术   河道测绘   低空摄影   图像处理  

摘要： 针对河道测绘中受限于地形和人为因素干扰的问题,研究将无人机航拍技术应用于河道的测绘研究。首先利用控制点设计技术,对无人机测绘过程中的控制精度进行量化,然后利用PostFlight Terra 3D软件和畸形图像纠正,提升测绘图像的精度。结果显示,研究构建的无人机航拍测绘方法的测绘精度和稳定性明显优于现有无人机测量技术。同时,该方法还具有高效、精确、快速的特点,可以大幅缩短测绘周期,提高数据的精度和可信度。研究表明,该方法能将无人机航拍技术更好地进行应用,能够更好满足河道测绘的需求,推动河道测绘、规划和管理工作的现代化。

关键词： 计算机视觉   电力通信设备   运行状态   监测系统   视觉特征  

摘要： 为了解决系统监测效果偏差较大的问题,提出一种基于计算机视觉的电力通信设备运行状态监测系统。通过对硬件框架的重新设计,使其具备视觉采集能力;基于计算机视觉对通信设备运行状态图像校准,进行通信设备状态边缘变化视觉特征跟踪,实现通信设备状态异常图像识别。测试结果表明:设计系统具有识别准确、响应迅速和监测稳定的特性,具有实用价值。

关键词： 计算机视觉   高光谱图像   卷积神经网络   视频转换   自注意力机制  

摘要： 针对高光谱图像(Hyperspectral Images,HSI)地面覆盖类的像素级分类问题,提出一种3D-ConvFormer的混合结构模型,该模型通过在浅层使用三维卷积(3D-CNN)操作提取高光谱图像的局部空间光谱特征,在深层利用自注意力(Slef-attention)机制在卷积窗口内提取空间光谱特征,实现了卷积网络的平移不变性与self-attention对特征的灵活提取能力的有效融合。在Indian Pines,PaviaU和WHU Hi Longkou 3组公开的高光谱图像数据集上进行实验,采用总体分类精度(OA)、平均分类精度(AA)和Kappa系数3个指标,对地物类别的像素级分类结果进行量化评估。实验结果表明,模型在Indian Pines数据集上OA为98.41%,AA为97.56%,Kappa为98.16%;在PaviaU数据集上OA为99.39%,AA为99.30%,Kappa为99.18%;在WHU-Hi-Longkou数据集上OA为98.53%,AA为98.97%,Kappa为98.06%。模型在3组高光谱图像分类任务中展示出的性能均优于对比的模型方法,取得了良好的分类性能,有效提升高光谱图像的分类精度。

关键词： 目标检测   改进YOLOv5s   空间增强注意力模块   SE注意力机制   Soft-NMS算法  

摘要： 为解决缫丝时绪下茧粒与工作背景辨识度较低、茧粒分布密集以及茧粒之间相互遮挡而漏检的问题,课题组提出了一种基于改进YOLOv5s的缫丝机绪下茧粒数检测算法。该算法在Backbone中引入RFB-SE(receptive field block-squeeze and excitation)模块,实现了对与工作背景辨识度较低茧粒的检测;使用空间增强注意力模块(spatially enhanced attention module,SEAM)来改进网络的颈部(Neck),解决了由于茧粒遮挡而造成漏检的问题;引入Soft-NMS代替非极大值抑制(non-max suppression,NMS),改变了原始模型对于预测框的处理方式,更好地改善了漏检问题。实验结果表明:该算法在数据集上召回率达到了98.3%;平均精度均值达到了98.8%,相比原始模型提高了3.3%。该算法解决了茧粒与工作背景辨识度低、茧粒间相互遮挡而造成的漏检问题。

关键词： 目标检测   YOLOv5s   烟梗检测   RepViT   重参数化   注意力机制  

摘要： 在烟草生产线中烟梗输送下落过程中,存在背景信息干扰、目标数量多且形状不一、目标堆叠、下落速度过快等问题,传统图像处理算法难以解决.提出基于改进YOLOv5s的烟梗物料目标检测算法.对YOLOv5s网络的骨干和头部进行优化改进,显著提高检测精度,大幅缩小模型大小;将骨干网络优化为RepViT-m1结构,以提高信息提取的效率;采用重参数化技术,以更好地捕捉目标的特征,提高检测的精确性;引入基于注意力机制的目标检测头Dynamic Head,使模型更专注于潜在的目标区域,进一步提高检测精度.实验结果表明:在自建的烟梗数据集上,相较于原YOLOv5s模型,改进YOLOv5s模型的m AP@0.50为96.1%,提高了5.8个百分点;mAP@0.50∶0.95为94.7%,提高了5.7个百分点;模型大小为12.1 MB,减少了12.3%.模型可以为实时监控系统提供可靠且精确的支持.

关键词： YOLOv8   人数统计   深度学习   目标检测  

摘要： 为了实现教室使用率和学生出勤情况的高效管理,推动教务管理的自动化进程,设计并实现了一种基于YOLOv8的端到端实时教室人数统计系统。此系统仅需利用教室内的普通摄像头,即可实现对教室人数的实时查询与可视化展示。为提升模型对特定教室环境的适应性,加入教室摄像头自制数据集ClassCount对YOLOv8模型进行微调。实验结果表明,加入ClassCount数据集进行训练后,模型在混合数据集上的表现显著提升,其中mAP@50提高了约7.7%,mAP@50~95提高了约6.8%,验证了模型在复杂教室环境中进行实时人数统计时的适应性和鲁棒性。

关键词： 生物水质检测   目标检测   轨迹追踪   图像分类  

摘要： 水污染对人类的生命和财产安全构成了严重威胁,因此建立有效的水质检测模型成为水质管理中至关重要的环节。目前,常用的水质检测方法主要包括理化检测法和生物检测法,其中生物检测法可以弥补理化检测法的不足,能够更加准确和高效地反映水质状况。本文基于计算机视觉原理,选择斑马鱼幼鱼作为水质指示生物,通过获取斑马鱼幼鱼在正常水质、轻度污染水质和重度污染水质下的游动视频,运用目标检测与轨迹跟踪技术生成鱼体运动的轨迹图像作为数据集,然后采用机器学习和图像分类技术,对不同水质下的鱼类运动轨迹特征进行学习和分类,建立了一种基于斑马鱼幼鱼行为跟踪轨迹的生物水质检测模型。该模型的分类准确率达到了97.4%,对随机轨迹图像的分类预测准确率达到了98.6%以上。本研究不仅为生物水质检测提供了模型设计的理论依据,也为不同应用场景提供了技术上的可行性支持。