关键词： 铁塔视频   多尺度   YOLOv11   自适应特征增强   动态上采样  

摘要： 针对铁塔视频大视角动态场景下多尺度目标检测精度不足、小目标识别率低下等技术瓶颈,本文提出一种基于多模块协同优化的ADM-YOLOv11目标检测算法。首先,在Backbone网络中嵌入自适应特征增强模块(AFE),对C3K2模块进行深度重构,通过空间上下文感知与特征精细化机制,显著提升网络对复杂场景的特征提取能力;其次,将高效多尺度注意力模块(EMA)集成至Neck的C3K2模块,增强模型对多尺度目标的检测稳健性;然后,在Neck结构中引入超轻量动态上采样器DySample,以替代传统上采样层,优化多尺度特征的细节表达与语义融合效率;最后,采用EMASlideLoss分类损失函数,通过动态加权策略抑制数据不均衡导致的梯度偏移,有效提升模型泛化性能。试验结果表明,本文模型使mAP_(50-95)从基准模型的74.8%提升至82.6%,mAP_(50)提升至96.6%,ADM-YOLOv11显著提升了铁塔视频动态场景中多尺度目标检测精度。

关键词： 鱼体目标检测   坐标注意力机制   约束机制   卷积核  

摘要： YOLOv8是一种基于深度学习的目标检测算法。在水下复杂鱼群监测场景中,该模型在对鱼体目标检测时会出现特征提取能力不足与检测精度下降的问题,从而对鱼群健康评估的准确性产生影响。为应对上述缺陷,在YOLOv8模型算法的基础上引入坐标注意力机制(Coordinate Attention, CA),并与鱼体解剖学约束机制相融合,利用鱼体运动时主轴方向(头尾轴/背腹轴)不变性,引导卷积核沿生物动力学特征偏移。在模型体积可控增长的前提下优化算法。实验结果表明:改进后的算法在多个核心指标上相较于原始算法均有提升,精度、召回率、mAP50以及mAP50-95分别提高3.6%、4.9%、2.4%、6.3%。这一改进提升了水下鱼目标识别的准确性,以促进水下鱼群监测系统理论创新与工程实践的结合。

关键词： 动态感知   图像处理   网络切片状态   语义特征   5G通信  

摘要： 针对5G动态网络环境下高分辨率图像传输效率与质量失衡的问题,本文提出5G动态感知图像处理算法。该算法通过实时融合网络切片状态与语义特征,构建网络感知压缩引擎与轻量化投资回报率(ROI)检测模型,实现通信资源与计算资源的联合优化。实验表明:在移动场景下,针对5G网络的动态感知和基础设施优化算法(5G-DIPA)将端到端时延降低74.1%,带宽占用率优化52.8%;在毫米波遮挡场景中,时延超限率压缩至7.2%,关键区域画质波动标准差下降81.3%。该算法通过动态调整压缩策略与网络切片协同,显著提升了5G系统在车联网、工业检测等场景下的图像处理效率与鲁棒性,验证了高效图像处理技术与5G通信特性的深度融合价值。

关键词： 农业机器人   目标检测   轻量化   自动除草  

摘要： 田间杂草的高效检测与定位是视觉除草机器人实现自动化作业的关键挑战。当前基于深度学习的杂草检测方法虽在精度上有所突破,但仍面临计算成本高、实时性不足等问题。提出轻量化目标检测算法FYOLO 11(Fast-YOLO 11),通过三方面改进显著降低计算负担:一是采用EfficientVit作为骨干网络;二是设计基于FasterNet Block的C3K2_Faster模块减少特征提取计算量;三是以NWD(归一化Wasserstein距离)替代CIOU作为定位损失函数。实验表明,FYOLO 11参数量仅11.32 M、计算量27.3 G,较原YOLOv 11参数量降低43.5%,计算量减少60%,同时保持相近精度。研究成果为田间实时除草提供了高效解决方案。

关键词： 视频分析   计算机视觉   公共安全   人工智能  

摘要： 近年来,人工智能与计算机视觉技术不断取得突破,基于视频分析的智能异常行为检测系统逐渐被应用于公共安全、交通监管以及智能安防等多个实际场景中。与传统依赖人力的监控方式相比,这类系统具备自动识别异常行为、实时响应突发事件的能力,显著提升了监控效率和事件处理的及时性。

关键词： YOLOv5s   密集行人检测   渐进多尺度特征融合   目标检测   注意力机制  

摘要： 在密集行人检测任务中目标的检测精度低,漏检和误检等一直是充满挑战的问题,导致此问题的原因是大多数的场景中存在大量多尺度的目标,多尺度的目标使得算法面临着尺度变化,从而使得算法的精度不高。针对此问题,提出了一种基于改进YOLOv5s的多尺度行人检测网络(MPDNet)。网络改进包括三个方面:对于主干网络,在C3模块中添加了空间位置注意力模块,并引入改进的ViTv3Block模块,可以有效强化特征信息的提取;特征融合部分,在渐近特征金字塔网络(AFPN)的基础上进行了改进,改进后的AFPN可以在更少参数量和计算量的情况下进行跨层特征融合;在特征融合网络末端添加了空间加强多尺度注意力模块(SEMA),增强模型对目标的定位能力。通过分析实验结果,MPDNet在WiderPerson和CrowdHuman两个密集行人检测数据集上相较于YOLOv5s,AP50分别提升了4.2和3.2个百分点,AP50:95分别提升了5.0和3.9个百分点。MPDNet能够很好地完成复杂场景中密集行人检测任务。

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。