关键词： 草莓病害   目标检测   YOLOv8n   ADown   轻量化   实时检测  

摘要： 针对实际种植环境下草莓病害目标检测中,存在背景复杂、检测精度低等主要问题,提出一种改进YOLOv8n的草莓病害检测算法YOLOv8n-SD。搜集并处理真实场景下草莓叶、花、果的常见病害图像以构建试验数据集。在YOLOv8n模型的基础上对其进行优化改进,利用多尺度并行计算与补丁感知注意力对主卷积模块进行重构,提出C2f-PPA模块,有效融合多尺度特征信息,提高模型的特征捕获能力。引入ADown模块,减少下采样过程中的信息损失,提高模型的推理速度和鲁棒性。提出一种任务对齐的共享动态检测头(Task-aligned Dynamic Head, TDyH),增强定位分支和分类分支之间的信息交互,降低模型参数的同时,提高检测精度和准确性。根据试验结果,改进后的YOLOv8n-SD模型的检测精度达到83.7%,相较于原YOLOv8n提高3.3%,mAP@0.5与mAP@0.5∶0.95分别达到76.9%和59.9%,分别提升1.6%和2.3%。改进后的算法能精确识别草莓生长各阶段的常见病害,并满足边缘设备的轻量化需求和实时检测需求。

关键词： 压力性损伤   人工智能   深度学习   YOLO   目标检测   神经网络模型   App  

摘要： 背景随着人口老龄化,压力性损伤(PI)的发病率逐渐增加,这不仅严重影响了患者的生存质量,还增加了医保支出。然而,PI的早期发现和准确分期极大地依赖于专业培训。目的构建并测试一个用于PI自动检测和分期的人工智能模型,以提高PI诊断的实时性、准确性和客观性。方法选取常熟市第一人民医院压疮电子化管理系统中2021年1月—2024年2月的693张PI图像,将图像随机划分为训练集(551张)和测试集(142张),并按照2019年美国压疮咨询委员会(NPUAP)制订的PI预防和治疗指南分为6期,包括:Ⅰ期154张、Ⅱ期188张、Ⅲ期160张、Ⅳ期82张、深部组织损伤期57张、不可分期52张。利用基于5种不同版本的YOLOv8[nano(n)、small(s)、medium(m)、large(l)和extra large(x)]神经网络和迁移学习,建立针对PI的深度学习目标检测模型。模型评价指标包括精确度、准确率、灵敏度、特异度及检测速度等。最后,通过Ultralytics Hub平台将模型部署到手机应用程序(App)中,实现AI模型在临床工作中的应用。结果在对包含142张PI图像的测试集进行评估时,YOLOv8l版本在确保高精确度(0.827)的同时,也展现了较快的推理速度(68.49帧/s),与其他YOLO版本相比,在精确度与速度之间取得了最佳的平衡。具体而言,其在所有类别上的整体准确率为93.18%,灵敏度为76.52%,特异度为96.29%,假阳性率为3.72%。在6个PI分期中,模型预测Ⅰ期的准确率最高,达到95.97%;预测Ⅱ期、Ⅲ期、Ⅳ期、深部组织损伤期、不可分期分别取得了91.28%、91.28%、91.95%、95.30%和93.29%的准确率。就处理速度而言,YOLOv8l处理142张图像的总耗时为2.07 s,平均每秒可处理68.49张PI图像。结论基于YOLOv8l网络的AI模型能够快速、准确地对PI进行检测和分期。将该模型部署到手机App中,能够在临床实践中便携使用,具有很大的临床应用潜力。

关键词： 计算机视觉   电力变压器检测   变压器油位检测   深度学习  

摘要： 随着工业化进程的加速和能源需求的持续增长,我国电力系统的稳定运行面临新的挑战。特别是在电力变压器的维护与监控中,传统的油位监测方法由于依赖人工巡检,导致工作效率低且易出现误差。提出了一种基于计算机视觉的电力变压器油位自动检测方法,该方法能够代替人工读表实现全时段液位监控。实验结果表明,该方法能够在不同环境条件下准确测量变压器油位,验证了其在实际应用中的可行性和准确性。

关键词： 采摘机械臂   计算机视觉   卷积神经网络   迁移学习  

摘要： 为了提高机械臂采摘的效率及增强安全自主性,提出了一种基于改进卷积神经网络和迁移学习的计算机图像识别模型。首先,建立了由可采摘与不可采摘图像组成的样本数据集,将每幅图像的像素设置为256×256;然后,构建基于改进卷积神经网络和迁移学习的计算机图像识别模型,并将自动编码机网络结构与卷积神经网络运算方法相结合,利用自动编码机网络结构具有编码和解码的环节,通过卷积神经网络运算方式构建出一种改进的卷积神经网络;通过卷积层挖掘图片信息中具有采摘信息的特征,同时消除随机环境对图片的干扰,解码部分能够对特征图像进行上采样并判断是否应该进行采摘与采摘姿势;最后,将构建网络模型与迁移学习相结合进行实验,分析迁移学习方法、数据集样本大小、网络参数对实验结果的影响。结果表明:采摘机械臂识别模型整体识别率更高,能够构建出效率更高、鲁棒性更强的采摘控制系统。

关键词： 遥感图像   深度学习   目标检测   多尺度  

摘要： 针对光学遥感图像通常具有背景复杂、尺度多样化、目标普遍较小且方向各异等特点导致的目标检测精度低的问题,提出了一种基于多尺度信息融合的遥感小目标检测方法。首先设计了GCC3模块,该模块显著增强了模型区分目标与背景的能力,有效地提升了特征提取的质量,并显著提高了对小尺度目标的检测精度。为了实现对不同尺度特征信息的有效融合,提升多尺度目标检测的性能,引入了BiFPN(bidirectional feature pyramid network)结构,以替代YOLOv5中原有的PANet结构。此外,为了应对目标方向的不确定性以及缓解角度回归导致的边界不连续性问题,采用了圆形平滑标签方法,以实现对目标区域的精确定位。实验结果表明,所提方法在小目标检测方面具有明显优势,相比改进前的算法,其检测精度提高了4.9%,有效地提升了光学遥感图像检测的准确性。

关键词： 输电线路   覆冰   遗传算法   图像处理  

摘要： 输电线路覆冰时会严重危害电力系统稳定运行,为了能够准确检测输电线路的覆冰状态,本研究提出了一种基于遗传算法结合图像处理的输电线路覆冰检测方法。该方法首先将图像灰度化并对图像进行增强处理;然后对增强后的图像进行改进的中值滤波处理,去除噪声;接着通过遗传算法迭代计算图像最佳阈值,根据计算的最佳阈值对图像进行分割;最后对分割图像进行形态学处理和连通域分析,去除背景相关部分。结果表明,该方法能够快速准确地检测出覆冰部分,为输电线路的安全运行提供了有效的保障。

关键词： 激光告警   投影分割   图像处理   FPGA  

摘要： 针对现有激光告警系统中因数据处理不及时导致漏警、响应速度慢的问题,提出了一种基于投影分割的光斑中心快速提取算法,根据衍射图像中各级光斑横向均匀分布的特点,提出先向坐标轴投影,再分别计算光斑中心坐标,实现快速提取的方法。将该算法部署到FPGA硬件系统,使告警系统能够在一帧图像传输周期内完成光斑中心坐标提取任务,提高了图像处理效率,进而实现高效告警。经实验证明,该算法光斑中心坐标提取最大误差为1个像素,告警系统响应时间为17.453 ms。该方法通过优化图像处理算法,缩短了告警设备响应时间,实现了对来袭激光快速、准确的告警。

关键词： 目标检测   YOLOv4模型   模型剪枝   FPGM算法  

摘要： 为解决卷积神经网络难以在资源受限的移动端场景部署,无法满足智能仓储场景需求的问题,提出基于YOLOv4的轻量化仓储箱体检测方法。首先,将卷积神经网络CSPDarkNet53改进为轻量级MobileNetV3网络,解决了移动设备计算资源和内存有限,无法支持大规模的目标检测模型的问题。其次,使用解耦的检测框生成方法,将分类和回归的计算过程解耦,提高检测框的准确率。最后,研究卷积神经网络的结构化剪枝算法,对模型进行了基于FPGM的结构化剪枝。在自建的仓储数据集训练模型,实验结果表明,改进的YOLOv4模型的平均精度均值(mAP)达到了89.2%,平均检测速度达到了9.91帧/秒,计算量为29.05 GFLOPs。相较于原版YOLOv4模型,本文提出的改进的YOLOv4模型在仓储箱体检测任务中的平均精度均值提高了3.2%,计算量减少了62.4%,检测速度提升了45.9%。

关键词： 污染识别   图像处理   CycleGAN   数据增强   生成对抗网络  

摘要： 在自动驾驶技术中,广角鱼眼摄像头是执行停车与低速行驶导航任务的常见车载设备。然而,这一摄像头在直面复杂多变的外界条件时,易受尘土、泥浆、水分及霜冻等污染物影响,从而降低摄像头镜头的清晰度,进而影响依赖视觉信息的导航算法效能。考虑到由于这类污染情况发生的随机性较高,且难以系统性地搜集到充分且多样的样本数据集以供分析。文章提出了一种新的基于GAN的算法,用来生成新的污物图像。该算法独特之处在于能自动生成匹配的污渍掩模,有效绕过了人工标注的耗时与成本。通过将这些新生成的污渍图像融入训练过程作为数据增强手段,从而实现污渍检测精度的显著跃升,提升幅度达到26.65%,且该模型所具备的良好泛化能力,充分证明了此方法的实用性。

关键词： 杂交水稻   异常检测   目标检测  

摘要： 除杂是杂交水稻制繁种过程中保证种子纯度的关键步骤。为了防止杂株产生异常花粉影响杂交优势,除杂作业需要反复人工操作,耗费大量的人工和时间。田间杂株的自动化地识别是实现机械化和自动化除杂的基础。为了实现杂交水稻制繁种杂株的自动化精确检测,首先使用无人机航拍采集含有杂株的杂交水稻制繁种田俯拍图像,通过中心裁剪获得无畸变的高质量图像,标注出图像中的杂株目标后经过几何变化和颜色变化进行数据增强,获得杂交水稻制繁种田间杂株数据集。针对图像数据集中杂株和正常植株之间的高相似度,提出了一种杂株目标检测网络模型T-CenterNet2,在CenterNet2网络的特征金字塔网络中添加纹理感知模块,这一模块通过重组通道信息获得特征图中的纹理特征,进而增强杂株目标和背景的特征差异;并重新设计了损失函数,添加测量纹理特征和标签真值之间差异的纹理损失,用于控制纹理感知模块;针对除杂的实际作业情况引入DIoU作为边界框损失,通过增加预测框和标签中心点的距离惩罚项以提高网络预测的目标中心点准确度。为了验证各项改进对模型的性能提升,首先使用mAP和召回率作为评价指标描述模型对杂株目标的检测效果,将改进后模型与原始模型CenterNet2以及4种典型模型(Faster R-CNN、FCOS、YOLOX、DeTR)进行对比,实验结果表明改进后T-CenterNet2模型mAP达到86.4%,较原始模型提高11.0个百分点,召回率达到82.5%,较原始模型提高11.6个百分点,而典型模型最高mAP和召回率仅为73.1%和66.2%,T-CenterNet2模型取得明显的优势。其次对比了不同损失函数组合对模型收敛速度和检测精度的影响,其中具有权重的纹理损失和DIoU组取得最佳结果,证明重新设计的损失函数有效适用于杂株检测任务。改进后模型具有较高的检测精度和鲁棒性,能够实现良好的杂株检测效果。