关键词： 显著目标检测   深度学习   360°全景图像   多尺度特征  

摘要： 为解决360°全景图像显著目标检测(SOD)中的显著目标尺度变化和边缘不连续、易模糊的问题,该文提出一种基于相邻协调网络的360°全景图像显著目标检测方法(ACoNet)。首先,利用相邻细节融合模块获取相邻特征中的细节和边缘信息,以促进显著目标的精确定位。其次,使用语义引导特征聚合模块来聚合浅层特征和深层特征之间不同尺度上的语义特征信息,并抑制浅层特征传递的噪声,缓解解码阶段显著目标与背景区域不连续、边界易模糊的问题。同时构建多尺度语义融合子模块扩大不同卷积层的多尺度感受野,实现精确训练显著目标边界的效果。在2个公开的数据集上进行的大量实验结果表明,相比于其他13种先进方法,所提方法在6个客观评价指标上均有明显的提升,同时主观可视化检测的显著图边缘轮廓性更好,空间结构细节信息更清晰。

关键词： 目标检测   特征融合   残差骨干网络   通道重组   结构融合剪枝  

摘要： 《中华人民共和国道路交通安全法》要求摩托车驾驶人及乘坐人员应按规定戴安全头盔,因此,头盔佩戴智能视觉检测技术的需求应运而生。本文算法模型以交通监控视频图像中骑行人员佩戴头盔情况为研究对象,以YOLO目标检测框架为基础,首先采用分支吸收模块改善残差骨干网络,然后通过结构通道重组提升卷积层特征融合,最后应用设计的结构融合剪枝进一步压缩模型超参数。实验结果表明,该算法的精度和实时性较优,小目标检测效果也较好,多分类平均精度为88.8%,检测速度可达29.5帧/s,基本满足交通视频监控的需求。

关键词： 无人机   航拍图像   深度学习   移动倒置瓶颈   空间金字塔池化  

摘要： 为提高无人机(UAV)机载平台上目标检测的准确度和效率,提出了基于深度学习的UAV航拍图像实时检测系统。首先,使用轻量的改进YOLOV4-Tiny框架,利用移动倒置瓶颈模块优化骨干架构,提高存储效率,其次引入增强空间金字塔池化模块,在同一个卷积层中串联多尺度特征,改善网络的感受野。最后,向网络添加多尺度融合层以进行特征图合并,得到细粒度特征,从而提高对密集小目标的检测准确度。此外,利用TensorRT库对深度学习算法进行加速,进一步提高嵌入式平台上实时检测效率。实验中评估了UAV搭载不同单片机时的性能,并将所提检测算法与其他先进方法进行了比较。结果表明,所提系统实现了检测准确度和检测效率的最优平衡,在VisDrone和VEDAI数据集上的mAP性能比原始YOLOv4-Tiny分别提升了11.14%和8.9%。

关键词： 热轧带钢   表面缺陷   目标检测   深度学习  

摘要： 针对目前热轧带钢表面缺陷检测精度低和效率低的问题,提出了一种基于改进YOLOv8s的目标检测算法.首先,提出了一种基于特征图二次拼接并融入GAM的SPPD模块,提升了模型多尺度信息融合能力.其次,提出了一种融合可变形卷积的特征提取模块DCNblock,以增大模型的感受野,提取完整的缺陷信息.最后,将特征融合网络中的C2f模块替换为BoT(bottleneck transformer)结构,将Transformer中的多头自注意力机制与卷积融合,提升模型的全局位置信息感知能力.实验结果表明,本文提出的算法在NEU-DET数据集上的平均精度均值(mAP)达到了80.5%,较原有的YOLOv8算法提升了5个百分点,同时检测速度达到了83帧/s,满足实时检测的需求.

关键词： X射线   图像分割   目标检测   OTSU  

摘要： 阐述为了实现精准快速的X射线图像分割,探讨将OTSU算法应用于X射线图像分割中。整个分析过程包括实验数据采集、算法设计和结果测试等环节,最终实现对不同形态岩石目标物的良好分割。

关键词： 周界安防   目标检测   YOLOV5  

摘要： 针对损坏油气输送管道这一问题,提出基于YOLO的油气输送管道周界目标检测和定位算法。在YOLOV5检测器基础上,引入SE注意力机制,采用CIoU函数替换GIoU,对颈部网络进行了改进,从而形成YOLOV5s-SE检测网络。用摄像头采集的图像数据集进行实验分析,结果表明,改进的YOLOV5s模型在检测精度、召回率上有明显提升,较原模型有所改善,证明所提算法适用于输油管道周界安防的目标检测和定位。

关键词： YOLOv5   羽毛球   目标检测   卷积神经网络  

摘要： 提出一种基于YOLOv5目标检测模型的羽毛球落点检测与统计系统.该系统通过摄像机拍摄羽毛球运动视频或图片,运用YOLOv5目标检测模型对羽毛球进行识别和落点统计,实验验证了系统的有效性和准确性,应用该系统有助于提高羽毛球运动员的训练水平和竞技水平.

关键词： 密度聚类算法   图像处理   视觉模式   频率   可辨性  

摘要： 为提高图像的分类精度和对视觉模式进行有效挖掘,对深度特征密度聚类算法(DNN-FDC算法)进行了改进,提出了一种基于频繁性和判别性的特征密度聚类算法(DNN-JFDC算法).该算法通过注意力机制对目标图像中最具判别性的区域进行定位,采用分类任务对具有判别性的目标图像进行定位,并利用图像的多尺度特征信息与底层特征信息,提高图像识别精度.研究表明:DNN-FDC算法的分类精度为0.994,而DNN-JFDC算法的分类精度和F1分数(均为0.997)比DNN-FDC算法的分类精度和F1分数分别高14.43%和8.22%.这表明,DNN-JFDC算法具有较高的分类精度,可有效挖掘良好的视觉模式.研究结果可为同类问题的解决提供借鉴与参考.

关键词： 计算机视觉   玉米   叶绿素   垂直分布   随机森林  

摘要： 采用智能手机拍照获取玉米大喇叭口期、抽雄期叶片图像,基于计算机视觉技术计算RGB颜色模型的16种颜色特征参数,探究玉米上、中、下层位叶片颜色特征参数与叶绿素相对含量(SPAD值)的相关关系,并基于随机森林算法建立了SPAD的预测模型。结果表明:两个生育时期玉米叶片叶绿素含量呈垂直异质性,中层叶片叶绿素含量显著大于上层和下层。不同层位叶片叶绿素敏感颜色参数略有不同,但总体上与G、R分量及其组合参数2G-R、2G-R-B、G/R相关性较好,且呈显著负相关。基于RF模型对各层位叶绿素含量进行预测,模型精度表现为上层>中层>下层。基于计算机视觉技术研究玉米叶绿素垂直分布具有可行性,可为及时掌握农作物的光合效率、水肥状况和生长状态,为高产育种和栽培措施调控提供理论依据与技术支撑。

关键词： 安全设备佩戴检测   目标检测   轻量化   数据增强   实时检测  

摘要： 针对工业场景下检测模型参数量多、安全绳易与背景混淆问题,提出一种融合FasterNet和RepVGG的目标检测算法(you only look once version 5 fasternet-repvgg-cutmix-bifpn,YOLOv5s-FRCB)。通过引入轻量级网络结构FasterNet Block和RepVGG Block替换YOLOv5s部分卷积层,显著减少模型参数量和加快检测速度,满足实时性需求;通过BiFPN特征强连通性提升模型特征学习能力;改进Cutmix数据增强方法,随机将目标嵌入输入图像,更新标签,缓解标签类别不平衡问题,提高泛化性。在自建安全设备佩戴检测数据集上进行试验,结果表明:YOLOv5s-FRCB mAP值达到了96.3%,算法模型内存减少34%,是一种高效实用的安全设备佩戴检测方法;YOLOv5s-FRCB能在保证准确率的同时,进一步降低计算量。