关键词： 目标检测   水面垃圾识别   卷积神经网络  

摘要： 在多变的水体环境中,由于光线波动和水波扰动,传统的水面垃圾检测算法面临识别精度不高的挑战。为应对这一问题,提出了一种基于深度卷积神经网络(DCNN)的水面垃圾识别方法。该方法利用预先训练的轻量级模型自动提取垃圾的特征,有效抵御环境变化带来的影响,确保了目标的准确识别,为水面垃圾的自动化监测与清理提供了坚实的技术基础。实验结果表明,与现有方法相比,所提方法在维持快速识别的同时,识别准确率平均可提高9%。

关键词： 目标检测   Swin Transformer   多尺度特征融合   变速箱中壳  

摘要： 针对汽车变速箱中壳生产线中存在壳体表面孔系定位效率低,检测样本不均衡等问题,本文提出了一种融合Swin Transformer的变速箱中壳检测方法。首先,Swin Transformer作为骨干网络,并结合多尺度特征融合结构,使输出特征能够同时捕捉浅层和深层语义的信息,从而增强检测方法对特征的提取能力;其次,针对Swin Transformer训练需大量数据问题,采用Affine Transformation的方法来提升模型的鲁棒性;最后,通过引入Huber Loss和Focal Loss优化损失函数,以平衡检测样本不均衡的问题。实验结果表明,融合Swin Transformer的检测方法相较于现阶段主流的目标检测算法,在5%~95%IoU的平均精度AP_(5-95)、50%IoU的平均精度AP_(50)和75%IoU的平均精度AP_(75)指标上提高了0.4%~4.5%。同时通过消融实验,进一步验证了该方法在变速箱中壳检测的有效性。

关键词： 小目标检测   轻量化   交通车辆   目标跟踪   无人机视角  

摘要： 在智能交通系统中,无人机视角的车辆检测因其灵活性和高效性,受到越来越多的关注。无人机的车辆检测面临目标尺寸小、尺度变化大、复杂背景干扰、计算资源有限等问题,如何在有限的计算资源下提升检测精度是一个重要的挑战。针对以上问题,提出了一种精度更高且轻量的车辆检测模型YOLO-SWR。在保持三尺度检测的前提下增加了针对小目标的检测层,充分提取小目标的位置信息和细节特征,同时采用共享轻量检测头,减少网络参数量和计算量;在骨干和颈部网络中使用小波变换替代传统卷积,利用低频和高频分量提取多尺度特征;在C3k2模块中集成RDS模块,加强从网络高层的可扩展感受野中提取特征,并通过残差结构和深度可分离卷积融合浅层特征和深层特征,同时缓解梯度消失问题;采用Soft-NMS策略优化目标框筛选过程,提升细节特征的处理精度。实验结果表明,基于筛选后的VisDrone2019数据集,提出的模型YOLO-SWR比基础模型YOLOv11n,在mAP方面提升了9.6个百分点,同时参数量减少了56%。因此,提出的模型YOLO-SWR在精度与轻量化方面均具有显著优势。

关键词： 深度学习   钢板表面缺陷   目标检测   表面缺陷   评估指标  

摘要： 钢板作为现代制造业的基石,其表面质量对产品的性能和可靠性具有决定性作用;因此,钢板表面缺陷检测具有重要的研究意义和应用价值;钢板表面缺陷检测研究面临的主要挑战包括钢板表面缺陷类型多样、特征不明显以及实时性要求高;采用深度学习技术对钢板表面缺陷检测进行研究,系统总结了钢板表面缺陷常用的数据集及目标检测算法在表面缺陷中的应用,同时全面整理并分析了这些算法的优缺点;探讨了有监督学习、无监督学习和半监督学习等检测方法在钢板表面缺陷检测中的应用,评估了当前算法性能的关键指标,讨论了未来钢板表面缺陷检测面临的挑战,并对未来的研究趋势进行了展望。

关键词： 小麦   麦穗计数   田间表型   目标检测   YOLOv8n  

摘要： 在小麦育种中,穗数是评估小麦产量的关键指标,及时准确检测小麦穗数对产量早期预测具有重要的实际意义。在实际生产中,采用人工田间调查统计麦穗的方法费时费力。因此,提出了基于改进YOLOv8n的麦穗自动检测方法。首先,利用HGNetV2改进网络结构,增强了小目标麦穗特征的表达能力;其次,引入深度可分离卷积和逐点卷积,提高了模型的计算效率和计数性能;最后,改进损失函数,对模型进行优化,实现了麦穗位置和类别信息的精准判断。结果表明,改进YOLOv8n在麦穗检测任务中的准确率为93.7%,比YOLOv8n提高6.5百分点,与YOLOv5s、YOLOv8x相比,改进YOLOv8n分别提高9.7、0.5百分点,可以在田间复杂情况下检测麦穗图像,具有较好的计算机视觉处理和性能评估检测效果。该方法能够准确地检测出小目标小麦穗数,较好地解决了小麦穗数的遮挡和交叉重叠等问题。

关键词： 小样本目标检测   军事目标   轻量化模型   机载计算平台  

摘要： 深度学习通常需要大数据驱动,在数据较为稀缺的领域如军事领域、医学领域等具有一定的局限性。针对军事领域中的标签样本数据稀缺问题,提出一种目标候选区域生成、预训练模型提取特征、支持向量机分类所组成的分段式小样本目标检测方法。为验证算法有效性,采用无人机航拍采集了具有实际参考价值的军事模型目标的图像数据,并构造数据集,基于该数据集在RK3399Pro嵌入式计算平台上展开实验,获得了最高准确率达27.3%和召回率达62.4%以及较好的实时性。在此基础上,引入基于先验知识的定位约束,进一步提升方法性能。

关键词： 目标跟踪   特征丢失   孪生网络   残差注意力   像素互相关  

摘要： 针对目标跟踪中网络模型加深导致低级特征丢失和速度与精度不平衡的问题,提出了一种融合注意力与残差连接的VIT跟踪算法MRATrans(multi-head residual attention Transformer)。使用MobileViT作为主干网络,在保持较低模型复杂度的同时实现了丰富的特征表示。提出残差注意力模块(residual attention module,RAM),有效防止低级特征丢失问题,并设计了多头残差注意力(multi-head residual attention,MHRA)模块,同时关注不同子空间表示的信息,进一步提高了模型的表达能力;构建密集像素相关(dense pixel correlation,DPC)模块计算模板和搜索区域的相似性,避免空间失真,获得具有更丰富语义信息的响应图;通过分类回归网络实现准确的跟踪。通过OTB100、VOT2018和GOT-10k数据集上的大量实验,证明了MRATrans与主流算法相比拥有更优的性能,并达到87帧/s的速度,在保持高效性的同时实现了准确的跟踪。

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： 机器学习   扫描电子显微镜   图像分割   图像处理   定量分析  

摘要： 扫描电子显微镜(scanning electron microscope,SEM)在材料表征领域具有广泛的应用前景,然而所获得的图像通常难以直接提取定量信息。针对一种共晶高熵合金的扫描电镜图像,提出了一种基于机器学习和图像分割技术的自动化、定量化分析方法,该方法能够有效测量共晶高熵合金板条状区域的面积、长度、宽度、周长以及不同组分的占比。实验结果表明,本研究所提出的方法在高熵合金图像上具有良好的鲁棒性和准确性,为研究高熵合金材料的表面结构提供了重要的技术支持。

关键词： 图像处理   屏幕翻拍   摩尔纹去除   注意力机制   U-Net  

摘要： 针对现有公开摩尔纹数据集缺少人像数据及现有摩尔纹去除算法对屏幕翻拍人像摩尔纹去除效果不佳的问题.构建屏幕翻拍摩尔纹人像数据集,同时提出U-Net增强网络实现对该类摩尔纹的有效去除.该网络共有三大优势:首先,提出扩张残差稠密块实现对各尺度特征的充分交换与融合;其次,考虑到摩尔纹的不规则性和重复性,引入高效通道注意力机制增强感兴趣特征部分,较少计算冗余的同时增强不同通道维度的依赖关系;最后,提出多尺度L1-感知损失函数对模型训练过程进行监督引导.实验结果表明,在自建人像数据集及公开数据集中本文算法均取得良好的屏幕翻拍摩尔纹去除效果,较主流摩尔纹去除算法有着明显提升.