关键词： 自动驾驶   激光雷达   3D目标检测   损失函数   注意力机制  

摘要： 针对现有的基于激光雷达的3D目标检测网络中的损失函数存在优化难度较大,计算成本高,检测精度低的问题,提出一种改进的激光雷达3D目标检测网络。首先,使用全新的交并比(intersection over union, IoU)损失函数来更好地度量预测框和真实框的位置关系;随后,优化现有网络的特征编码方式以获取更丰富的点云特征;最后,对锚框正负样本阈值设定进行改进实现更合理的正负样本分配。针对自动驾驶领域,利用KITTI数据集进行相关的性能验证。实验结果显示,改进网络相对于基准网络对KITTI数据集行人和骑行者等小目标的检测精度分别提升6.57%和4.60%,平均精度均值(mean average precision, mAP)提升5.81%。

关键词： 域泛化目标检测   特征对齐   神经网络   计算机视觉  

摘要： 域泛化目标检测旨在通过学习多个源域的特征,训练出能够在未见目标域中同时执行分类与定位的域不变检测器。然而,现有方法多侧重于分类泛化,忽视了目标定位能力的跨域泛化问题。由于类别共享性与边界框空间分布不一致,定位泛化面临较大挑战。为此,本文提出一种超类对齐方法,由布局一致性增强(Layout Consistency Augmentation,LCA)与任务特定一致性约束(Task-specific Consistency Constraint,TCC)2部分组成。LCA通过引入辅助域来同时对齐类别特征与空间布局,从而提升模型的跨域泛化能力;TCC则针对分类与定位任务分别设计独立的优化约束,确保两者在不同域中均保持一致性。通过联合优化这2个模块,所提方法能够有效缓解域偏移带来的性能下降。实验结果表明,该方法在多个基准数据集上均显著提升了检测性能。

关键词： 漏磁缺陷量化   特征提取   管道缺陷   深度学习   图像处理   小目标检测  

摘要： 传统管道缺陷漏磁(MFL)检测手动分析效率低、主观性强,深度学习方法可以提升缺陷识别量化精度以及速度。文章提出了一种新的缺陷量化框架(PDL_Net),结合三轴图像信息对缺陷量化,设计边缘增强模块、特征去噪模块和特征集合模块,加深网络结构以提高小目标检测准确性。实验在私有管道缺陷漏磁数据集上进行消融和对比实验,结果表明,该方法在量化精度上优于当前主流检测模型。同时,经过实验证明,该框架在管道漏磁缺陷量化任务中具有卓越性能和应用潜力。

关键词： 燃烧检测   无人机遥感技术   深度学习   目标检测  

摘要： 文章对近年来农田秸秆燃烧检测系统进行调查,并对目标检测算法的应用困境开展深入研究。在秸秆燃烧检测技术方面,结合无人机遥感技术对目标区域进行实时巡检并获取数据,采用深度学习算法实现燃烧目标的智能检测与分类,搭建PC端和微信小程序监测平台,通过硬件设备与软件系统的协同优化,设计一套智能化的农田秸秆燃烧检测及报警系统,为提升农田管理效率和加强环境保护提供可行的技术方案。

关键词： 目标检测   图像处理   深度学习   RTDETR   无人机图像  

摘要： 为解决无人机视角图像的小目标检测中存在的误检、漏检和检测性能差等问题,提出了一种改进RTDETR模型。在主干网络融入由轻量级可变卷积核(AKConv)和中值增强空间通道注意力机制组成BasicAK MECS模块,增强了特征提取效果;Neck部分引入Slim-neck,轻量化模型的同时提高检测的准确性和效率;在上采样部分,利用动态尺度序列特征融合(DySSFF)模块,提升小目标特征信息提取能力。损失函数使用Inner-SIoU,注入边界框的形状和尺度信息,增强边界框回归效果。实验结果表明,所提出的模型在Visdrone2019数据集上的mAP和mAP,分别提升了2.2%和0.9%,有效提高了模型目标检测能力。

关键词： 深度学习   柑橘采收   目标检测  

摘要： 有效识别套袋柑橘目标是实现数字农业产量估测的重要一步。针对在果实重叠和枝叶遮挡环境下识别套袋柑橘较困难的情况,基于YOLOv8n目标检测模型提出了DH-YOLO(YOLOv8n-DySample-HWD)套袋柑橘目标检测模型。主要对YOLOv8n模型的网络结构做了以下改进:首先,使用DySample模块替换原模型中的上采样模块,提升模型的准确率;其次,在保证模型的准确率和召回率的同时,引入HWD轻量级下采样模块来减少模型内存,与原始模型相比,更方便部署。所提出的套袋柑橘目标检测模型在准确率和平均精度方面均提高了0.5个百分点,模型内存减少了0.2MB,具有更高的识别精度和更强的部署能力,该模型可用于自然环境中套袋柑橘采收和产量预测工作。

关键词： 乳腺钼靶   目标检测   YOLOv8   注意力机制   医学影像分析  

摘要： 目的乳腺癌早期筛查是降低死亡率的关键手段,然而传统计算机辅助检测系统存在高漏诊与高误诊风险。本研究旨在开发一种高精度、高效率的自动检测算法,以提升对微小恶性病灶的检出能力,为临床早期诊断提供可靠工具。方法提出一种基于YOLOv8架构的改进型目标检测模型,融合了双路径注意力模块,通过并行的通道与空间注意力机制,动态增强病灶区域的显著性特征表达,并有效抑制复杂背景组织的干扰。结果实验结果表明,本文所提模型在MIAS数据集上取得了显著性能提升。其mAP@0.5达77.7%,相较于基线YOLOv8模型提升8.2%,参数量仅轻微增加0.2M,具备良好的临床部署潜力。结论本研究验证了双路径注意力机制在乳腺钼靶病灶检测任务中的有效性,为解决微小、低对比度病灶的检测难题提供了解决方案,具有重要的临床转化价值。

摘要： 近年来,密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像,传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。

关键词： 工业锅炉   状态监测   故障诊断   图像处理   计算机系统  

摘要： 图像处理的关键是提取、分析和识别图像中的特征。在锅炉状态监控中,采用工业高温摄像机对燃烧过程中的火焰与烟雾进行图像预处理,实现对锅炉燃烧状态、换热效率、设备损耗等关键参数的精确测量。同时,针对当前工业锅炉工况监控数据规模大、实时性强等特点,本次研究拟将大数据分析与云计算等技术相结合,通过对数据存储与处理效率的优化,实现对锅炉工况进行全寿命周期管理。同时,利用多模态信息融合技术,如热、光图像等,进一步提高故障诊断的精度和稳健性。从工业锅炉结构与常见故障入手分析,介绍基于边缘计算法的系统架构以及上位机图像处理系统,为实现对锅炉的精准调节和安全管理提供参考。

关键词： 迁移学习   小样本目标检测   特征增强   类别混淆   正交损失  

摘要： 针对现有的小样本目标检测算法中模型对新类别的特征参数敏感度较低和难以准确区分类别相关和类别无关参数,导致特征边界模糊以及类别混淆的问题,提出一种结合新类特征增强与度量机制的小样本目标检测算法(FEMM-FSOD)。首先,提出跨域参数感知模块(CDPM)改进颈部网络,重构通道和空间的特征重加权操作,并结合空洞卷积采用跨阶段的信息传递与特征融合方式,以提供丰富的梯度信息导向并提升新类别参数的敏感性;同时,在感兴趣区域池化(RoI Pooling)前构造多元相关特征融合模块(ICMF),以建立特征之间的相关性并动态优化相关特征的融合方式,从而增强显著特征。CDPM与ICMF的引入有效了增强新类别的特征表示,从而减轻特征边界模糊的现象。此外,为进一步减轻类别混淆,在检测头部分提出基于度量机制的正交损失函数CohSep Loss(CoherenceSeparation Loss),以通过度量特征向量相似度实现类内特征聚合和类间特征分离。实验结果表明,相较于基线算法TFA(Two-stage Fine-tuning Approach),在PASCAL VOC数据集上,所提算法在15种小样本实例个数的mAP50(阈值为0.50时新类别的平均精度均值(mAP))上提升了5.3个百分点;在COCO数据集上,所提算法在10shot和30shot对应的mAP(阈值为0.50~0.95时新类别的mAP)上分别提升了3.6和5.2个百分点,实现了更高精度的小样本目标检测。