关键词： 次声波   火山爆发   人工智能   计算机视觉   树莓派   换能器   物联网   放大器  

摘要： Circuit Cellar 2024.09物联网的趋势将会是《计算机视觉补充人工智能》。次声波存在于环境中,大风吹过不平的地形、海浪冲击海岸线、火山爆发等都是次声波的来源,如何《探索次声波》?当然是构建一个次声波探测器,文章利用MicroPython编程和树莓派,加上DIY的声音换能器、放大器组成了一个次声波探测器。

关键词： 多任务学习   目标检测   无人机图像   复杂天气   提示学习   去噪模型  

摘要： 针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像检测和恢复的任务。提出基于提示学习的跨层注意力加权图像去噪分支,指导网络利用退化提示重构清晰的图像;模型主干设计基于上下文的残差采样模块,集成卷积注意力机制,综合目标的局部和全局信息;采用可分离大核多尺度特征提取模块,处理网络多尺度特征;引入小目标的专用检测头,增强小目标的检测精度。实验结果表明,在参数量仅为基线模型60%的情况下,该模型的检测精度提高了2.4个百分点,平均精度(mAP)提高了2.04个百分点,模型检测效果优于其他经典模型,具备卓越的性能。

关键词： 甘蔗   缺苗率   目标检测   作物行识别   YOLOv8模型  

摘要： 【目的】提高蔗田缺苗信息自动获取的自动化程度及精准度,为实现地块单元的蔗田缺苗位置信息自动化获取提供借鉴。【方法】通过无人机采集研究区蔗田影像并建立数据集,利用YOLOv8模型对蔗苗进行检测识别,识别结果经矢量化、旋转变换及聚类处理,获取精确的作物行数和株距信息,并通过制作田间无缺苗理想情形下的蔗苗分布图和实际缺苗位置点矢量点分布图,以评估蔗田的整体缺苗情况。【结果】YOLOv8模型识别蔗苗的准确率为98.84%,召回率为90.76%,平均精度为97.05%。即使在杂草分布较多的环境中,杂草遮挡会混淆蔗苗的视觉特征而增加检测难度,YOLOv8模型也能较准确地识别出蔗苗。将蔗苗识别结果进行矢量化,采用空间分析的后处理方法实现作物行自动旋转至竖直方向,再通过聚类处理、交叉点计算、坐标转换等手段实现作物行数量、方向、行距及起点和终点的准确获取,有效解决了不同地块间及同一地块内部的作物行状况差异问题。在研究区的2个大面积地块中随机划定形态、方位和面积各异的8个样方(A~H),基于无缺苗情形的蔗苗标准分布模板分别计算8个样方的缺苗率,结果显示缺苗检测模型的误差分别为4.35%、2.98%、4.28%、2.91%、1.88%、0.51%、1.10%和1.51%。此外,根据缺苗检测模型结果可获取各样方的缺苗位置坐标。【结论】基于YOLOv8模型的自动化蔗苗检测与缺苗率计算方法可快速、高效地处理大量图像数据,具有较高的自动化程度与精度,适用于大范围的蔗田缺苗检测,且能提供具体的缺苗坐标。后续研究建议通过多尺度检测提升模型召回率,采用滑动窗口裁剪图像进行数据标注而降低漏检问题,并扩充数据集以提高模型的泛化能力和鲁棒性,有效提升蔗田缺苗检测结果的稳定性和准确性。

关键词： 目标跟踪   孪生网络   计算机应用   多层特征融合   模板更新  

摘要： 针对现有孪生网络跟踪算法仅使用主干网络最后一层的特征进行相似度匹配,以及缺少有效模板更新策略的问题,提出基于多尺度特征融合和自适应模板更新的孪生网络跟踪算法。首先,结合深度过参数化卷积设计非填充单元,提取更深层的前景特征和语义背景;然后,设计新的全局-局部特征融合模块,充分聚合浅、中层特征的全局和局部信息,捕获丰富的浅层外观特征和中层过渡特征;最后,采用自适应模板更新机制在线更新模板。为验证算法的有效性,在公开数据集上对所提算法进行详尽评估,实验结果显示,所提算法在OTB2015和VOT2018数据集上的精确度分别达到0.878和0.588,GOT10K数据集上平均重叠率达到0.526,优于其他主流算法。

关键词： 草莓   深度学习   YOLOv5   损失函数   目标检测  

摘要： 草莓检测对草莓的自动化采摘具有重要的意义和价值,针对目前草莓模型检测精度较低、模型占用较大等问题,基于深度学习技术,提出一种改进YOLOv5的目标检测方法。首先,使用Ghost模块对YOLOv5主干网络进行优化,降低模型参数量和复杂度;其次,使用坐标注意力模块CA,提升模型对草莓关键特征的关注;然后将YOLOv5中的定位损失替换为SIoU,考虑边界框回归之间的向量角度。结果表明,该模型的平均精度均值为94.8%,相较于目前经典的目标检测模型,检测能力提升显著,一张图片的预测时间为25.2 ms,模型大小仅为10.4 MB,具有较快的推理速度且模型尺寸较小。为草莓检测提供更加准确快捷的检测方法,更为容易地应用到移动式和嵌入式设备中。

关键词： 特征融合   特征增强   目标检测   海上搜救  

摘要： 针对海上搜救行动中海面目标检测任务面临的高动态背景干扰、多尺度目标检测、小目标特征信息易丢失等问题,基于特征增强、自适应特征融合的思想,以YOLOv8网络为基线模型,提出一种改进的TS-YOLOv8网络。首先,基于Transformer中的查询机制设计TFF(Transformer-based feature fusion)模块,通过不同尺度特征之间的深度信息交互,对各特征层实现特征增强,再利用可学习参数对各层特征进行自适应特征融合。其次,引入几乎无参数的Shuffle Attention注意力机制,在保持网络轻量化的同时捕捉更多复杂的特征信息。在AFO数据集上进行所提模型与多种主流检测算法的对比实验和多组消融实验,相较于基线模型,所提方法的mAP50提高5.60百分点,达到95.14%,mAP95提高7.38百分点,检测速度达到110 frame/s。在SeaDronesSee数据集上进行多组消融实验,相较于基线模型,所提方法的mAP50提高4.47百分点,达到91.34%,mAP95提高5.92百分点,检测速度达到106 frame/s。以上结果表明,所提模型可充分满足海上搜救任务的苛刻要求。

关键词： 电梯   层门控制   机器视觉   目标检测   卡尔曼滤波  

摘要： 为了减少电梯事故的发生,保证电梯安全运行,设计一种基于机器视觉的层门开关控制方法。主要利用机器视觉目标检测技术对层门外的人员进行识别,通过卡尔曼滤波算法分析层门外人员的行进状态,对人员的行进趋势进行预测,控制电梯层门的开合,从而实现电梯层门的安全化、智能化开合。实验表明,基于机器视觉的层门开合控制设计方案能够准确、稳定地实现层门的开合控制。

关键词： 锂离子电池   极片表面缺陷   机器视觉   图像处理   深度学习  

摘要： 极片作为锂离子电池的重要组件,在涂覆、辊压等环节中,表面容易产生划痕、露箔等缺陷,这些缺陷会严重影响电池的质量和使用寿命,从而使得电池极片表面缺陷检测和管控工序是锂离子电池生产过程中不可缺少的工艺环节。首先对锂离子电池极片的生产工艺进行介绍,并对生产过程中可能产生极片表面缺陷的原因和缺陷种类进行分析;然后阐述了用机器视觉代替人工对极片进行自动化检测的极片表面缺陷识别方法,主要介绍了传统机器视觉缺陷检测方法的原理以及优缺点,并深入分析了深度学习在极片表面缺陷检测领域中应用的原理和流程,同时对目标检测算法中的单、双阶段算法在锂离子电池极片表面缺陷检测中的应用进行重点分析与比较;最后对基于深度学习的机器视觉检测方法在锂离子电池极片表面缺陷检测中的未来发展方向进行展望,为该领域的研究人员提供更多参考。总的来说,极片表面缺陷检测技术的发展不仅依赖于工业相机等硬件设备的技术突破,更需要软件算法的不断优化和创新,软件和硬件的协同工作才能在保证检测精度的同时,提高检测效率和降低检测成本,进一步推动锂离子电池产业的高质量发展。

关键词： 目标检测   改进YOLOv5s   遥感飞机影像   细粒度识别   特征融合  

摘要： 目的遥感飞机影像由于目标尺寸差距大,采集过程中受光照、遮挡等因素的影响,导致不同型号飞机特征相似,小目标检测效果不好,类内无法实现细粒度区分。为了解决上述问题,提出了一种融合边界框高斯建模与特征聚合分发的YOLOv5s(you only look once)遥感飞机细粒度识别算法。方法首先,将归一化高斯瓦瑟斯坦距离(normalized Gaussian Wasserstein distance,NWD)与交并比(intersection over union,IoU)及其衍生指标相结合,并合理地设置两者的比例参数,改进YOLOv5s位置损失的计算方式,从而提高模型对小目标的敏感度。其次,在YOLOv5s的Neck部分引入特征聚合分发模块(gather-and-distribute,GD),在原网络“自顶向下、横向连接”的特征融合方式的基础上做到了跨层融合信息,增强网络细粒度特征、全局特征提取能力,提高了整体检测精度。为检验本算法在军用飞机上的细粒度和小目标识别优势,使用遥感飞机细粒度数据集MAR20(military aircraft recognition 20)和遥感飞机小目标数据集CORS-ADD(complex optical remote-sensing aircraft detection dataset)进行实验。结果实验结果显示:对于数据集MAR20和CORS-ADD,本文模型精确度分别达到了99.10%和95.36%,与原YOLOv5s、YOLOv8s、Gold-YOLO和Faster R-CNN相比,检测精度最佳。实验验证了模型在细粒度和小目标检测方面性能更加优秀,在检测结果上与真实结果更加接近,改进算法细粒度和小目标检测精度最佳。结论实验结果表明,本文算法在检测性能和模型精度上的表现优于上述4种目标检测算法,模型具有良好的实用价值。

关键词： 智能家居   安全防护   实时监测   智慧家庭  

摘要： 随着人工智能时代的来临,智能家居可以满足人们对美好生活向往的需要。为了实现智慧家庭安全防护,设计了基于OpenCV和Dlib算法的身份识别子系统、基于YOLOv5算法和OpenPose人体姿态关节点识别技术的跌倒检测子系统、基于AI虚拟围栏的婴儿看护子系统,能够正确进行人脸识别、人体跌倒检测、婴儿看护,可以实现对家庭安全状态的实时监测。