关键词： 深度学习   目标检测   注意力机制   油菜杂草检测   Swin Transformer  

摘要： 针对复杂田间环境下(目标尺度小、植株重叠遮挡)导致的油菜与杂草检测精度低、实时性不足的问题,该研究提出了一种实时识别算法CSE-YOLOXs(YOLOXs with coordinate attention,Swin Transformer high-resolution prediction head,and EIoU loss function)。首先,以YOLOXs为基础模型,在特征金字塔网络之后引入CA(coordinate attention)注意力机制,以减少背景因素的干扰并增强对目标的关注度;其次,构建Swin Transformer高分辨率预测头,利用浅层特征的空间位置信息和窗口多头自注意力机制,有效捕获图像的局部细节特征,从而提高模型对小目标和重叠遮挡目标的检测精度;最后,采用EIoU(enhanced intersection over union)损失函数,提升模型对目标位置和形状的回归预测精度,进而更准确地定位油菜与杂草。试验结果表明:CSE-YOLOXs模型检测油菜与杂草的平均精度值分别达到90.03%、81.58%,模型参数量仅为9.61 M,实现了68帧/s的帧率,满足实时检测的需求。相比于其他6种目标检测模型——SSD、Faster R-CNN、YOLOv5s、YOLOv7、YOLOv8s和YOLOXs,平均精度均值分别提升了18.43、32.18、7.90、2.74、6.25和5.29个百分点。此外,CSE-YOLOXs在3次田间测试中的平均精度均值皆不低于83%,单幅图像的平均检测时间约为33 ms,模型具有较高的鲁棒性和实时检测性能,研究成果可为油菜田的精准喷洒农药和智能除草提供技术支持。

关键词： 目标检测   语义编辑   测试数据生成   深度神经网络   图像生成  

摘要： 目标检测系统的测试数据生成对评估模型性能和发现潜在缺陷至关重要。现有方法在生成数据的多样性和真实性方面仍存在局限。该文提出了一种基于自动语义编辑的目标检测测试数据生成方法SemaGen,通过构建高质量语义对象库并结合自动化语义编辑策略,实现对图像的插入、删除和替换等高级语义操作。具体而言,该方法首先通过多重筛选机制构建语义对象库,确保对象的语义完整性和场景适应性;其次,利用场景复杂度量化模型,综合考虑背景占比、实例数量和空间分布等因素,实现编辑策略的自适应选择;最后,提出基于对象重要性的替换策略、迭代式删除方法以及考虑语义相似度的智能插入机制,确保生成图像的真实性和多样性。实验结果表明,SemaGen在三种对象操作任务上显著优于现有方法,生成的图像质量更高,FID得分更优,证实了该方法在生成数据质量方面的优越性。在目标检测模型测试中,SemaGen成功发现YOLO v11、SSD和Mask R-CNN等主流检测器在复杂场景下的性能缺陷,为目标检测测试用例生成提供了新的思路和工具。

关键词： 雷达成像   机载太赫兹雷达   目标识别   目标检测  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： YOLOv5s   特征重构   目标检测   智慧工地  

摘要： 针对智慧工地中安全帽佩戴实时检测存在的目标小、特征不完整、干扰因素多等问题,将多尺度多分支特征提取与特征重构方法引入YOLOv5s模型,进行结构重构。改进后的模型在每一层中引入不同大小和深度的卷积网络,以捕捉场景中不同感受野下的细节信息;同时,通过特征重构实现更细粒度的特征提取,从而提升模型的鲁棒性。在自建的建筑工地数据集上进行的实验结果表明,相比原始YOLOv5s模型,改进后的算法在远距离小像素目标检测和大量遮挡情况下的安全帽识别效果明显提升,且不影响实时性,能够满足智慧工地的实际应用需求。

关键词： 目标检测   轻量化   跌倒事件   注意力机制   全维动态卷积  

摘要： 在室内场景下,受角度、光线变化等因素的影响,导致现有目标检测算法检测跌倒事件时检测精度降低、实时性变差。为此,提出一种基于YOLOv8改进的跌倒检测算法OEF-YOLO。采用全维动态卷积(ODConv)模块改进YOLOv8中的C2f模块,优化了核空间的4个维度以增强特征提取能力,而且有效减少了计算负担。同时,为了捕获更细粒度的特征,在颈部网络中引入高效多尺度注意力(EMA)模块,进一步聚合像素级特征,提高网络在跌倒场景中的处理能力。在CIoU损失函数中融入Focal Loss思想,使模型对难分类样本给予更多关注,优化模型整体性能。实验结果表明,相比YOLOv8n,OEF-YOLO跌倒检测算法在mAP@0.5指标上提升了1.5百分点,mAP@0.5∶0.95提升1.4百分点,参数量和计算量分别为3.1×10^(6)和6.5 GFLOPs,在图形处理器(GPU)上FPS提高了44,在提高精度检测跌倒事件的同时,兼顾了低算力场景下的部署要求。

关键词： 遥感影像   显著性目标检测   边缘特征   全局信息  

摘要： 遥感影像显著性检测(SOD)能有效区分影像中的关键特征和区域,从而提升图像分析的精确度和处理效率。然而,由于遥感影像的复杂性,现有遥感影像SOD方法存在显著性目标定位不准、边界模糊、目标置信度弱等问题。为解决这些问题,本文提出了一种融合边缘与全局信息的遥感影像显著性目标检测方法。首先,设计了边缘特征增强模块,利用Sobel算子提取浅层特征图中的边缘信息,生成边界线索特征图,并融合边界注意力和空间、通道注意力,进一步增强局部特征表示,从而有效改善显著目标的边界模糊问题。然后,提出了全局上下文特征增强模块,通过全局平均池化和全连接层获取图像级语义信息,并结合空间注意力机制生成全局关联图,并以此为基础,利用多尺度注意力和上下文特征增强策略,提升显著目标的置信度和定位准确性。最后,为验证本文方法的有效性,在ORSSD数据集、EORSSD数据集及ORSI-4199数据集上进行了试验分析,M分别降低了0.0013~0.1205、0.001~0.1593和0.0035~0.1367,S_(α)分别提高了0.0057~0.2663、0.003~0.3366和0.0139~0.2403,F_(β)分别提高了0.0314~0.3391、0.0232~0.5178和0.0043~0.3289。结果表明,本文方法在检测精度和效率方面均显著优于现有方法,且能够有效应对遥感影像中的复杂场景和多变条件。

关键词： 注意力机制   YOLOv5   卷积模块   沙滩机器人   沙滩垃圾目标检测  

摘要： 针对沙滩垃圾清洁机器人在进行沙滩垃圾目标检测识别时遇到的沙滩垃圾种类繁多、颜色大小差异较大等难题,提出了一种基于YOLOv5的沙滩垃圾检测算法。首先,通过在YOLOv5的骨干网络中引入注意力机制挤压和激励(SE)卷积模块,提高网络模型对识别物体的特征提取能力,从而提高模型的精准度。然后,使用网络爬虫爬取沙滩垃圾图片,通过旋转或平移图片、加噪音等数据增强操作,扩充数据集大小。最后,将改进后算法应用在沙滩垃圾数据集上,以验证算法的有效性。结果表明,改进后的算法在进行沙滩垃圾检测时具有优越的性能,且在沙滩垃圾清洁车的实际场景目标检测中具有较强的实用性。

关键词： 煤矿传送带   异物检测   图像处理   改进YOLOv11  

摘要： 针对煤矿传送带在运输矿物过程中因异物可能产生安全隐患的问题,设计了一种基于改进YOLOv11的煤矿传送带异物检测方法。通过优化YOLOv11模型的原Conv、C3k2、SPPF、Detect模块,提高了目标不同尺度和层次的信息的关注度,加强利用多尺度特征信息,提高了对传送皮带上小目标和低分辨率异物目标的检测能力。由实验结果得知,与原YOLOv11模型相比,改进后的模型对煤矿传送带异物检测的精确率提高了1.1%,召回率提高了1.6%,IoU阈值为0.5时的平均精度提高了1.3%;同时将改进后的模型与YOLOv10模型和YOLOv8模型作对比实验,精确率分别提高了1.4%和1.6%,进一步证明改进后模型有着更优越的表现。

关键词： 目标检测   YOLOv8算法   特征融合  

摘要： 针对目标检测任务中模型参数量大、预测速度慢及特征融合效率不高的问题,提出了一种基于YOLOv8的改进模型。通过添加GSConv卷积来减少模型参数量并提高预测速度,利用BiFPN来实现更高效的特征融合。将上述两种改进结合后,其参数量与仅添加GSConv卷积相当,且模型性能和大小较原模型更优,同时对比mAP发现,相较于在原模型上直接进行GSConv轻量化,在添加GSConv基础上进行BiFPN改进所造成的性能损失更小。该算法在提升目标检测性能的同时,有效提升了模型的效率与精度,为目标检测相关的复杂计算机视觉任务提供了更优的基础模型。

关键词： 无人矿卡   目标检测   LWHP   轻量化   加权双向特征金字塔网络   多头注意力机制  

摘要： 随着人工智能技术不断发展和智慧矿山理念的逐步推进,传统露天矿山的运营模式正在被自动化方式取代。无人矿卡作为智慧矿山的重要组成部分,其推广应用有效解决了因矿区地形不规则、路面坑洼或恶劣天气等因素导致的矿卡翻车、侧滑等问题,从而显著降低了由此引发的伤亡事故。准确的检测目标类别是做避障决策的前提,而模型轻量化可以在资源有限的条件下很好地部署。因此,针对露天矿山场景下,无人矿卡目标检测算法存在参数量多、模型较大及小目标和遮挡目标检测准确率低的问题,提出轻量级无人矿卡检测算法LWHP(Lightweight High-Precision),设计思路有以下4点:其一,提出高效加权双向的特征金字塔网络R-BiFPN,利用这一结构重构颈部网络,通过跨层连接及双向传播,减少冗余计算路径,并通过加权特征融合方式增强多尺度特征融合能力,提升小目标检测能力的同时大幅度降低参数量;其二,设计带有多头注意力机制的检测解耦头,改善卷积层冗余导致网络复杂的问题,并处理空间维度以集中捕捉目标特征,减弱无关背景干扰,提升遮挡目标识别准确率;其三,利用双重卷积构建轻量级神经网络CDC,增强通道间信息流动,提高模型特征表达能力并降低模型复杂度;其四,引入EIOU损失函数,分别计算目标边界框的宽高差异,并加入Focal Loss解决难易样本不平衡问题,获得更快的收敛速度和更优秀的定位能力。试验表明:改进后算法相较于原始算法参数量降低50.2%,计算量减少46.3%,模型大小压缩47.6%,仅有3.3 MB,且FPS达到92.9,满足实时性需求。精度提升1.6%,召回率提升3.1%,平均精度达到79.6%,相比原模型提升2%,保证轻量级部署的同时提升了检测准确率。