关键词： YOLOv5   SE   CBAM   ECA   目标检测   水稻害虫  

摘要： 中国是全球最大的水稻生产国,种植面积常年约占全球总量的20%。虫害是制约水稻产量和品质的主要因素之一,传统虫害检测方法主要依赖人工观察和性诱捕法,但两者均存在局限性,难以满足现代农业对虫害的精准防控需求。随着农业智能化的发展与深度学习的广泛应用,基于深度学习的农作物病虫害智能检测已成为研究热点方向。本文针对上述问题,依据实际场景采用目标检测方法对水稻害虫进行检测,对YOLOv5 (You Only Look Once version 5)检测算法进行改进,在其基础上引入三种主流注意力机制——ECA (Efficient Channel Attention)、CBAM (Convolutional Block Attention Module)和SE (Squeeze-and-Excitation),分别构建改进模块C3ECA、C3CBAM和C3SE,分别替代原主干网络中的C3模块,从而形成三种改进模型:YOLOv5s-C3ECA、YOLOv5s-C3CBAM与YOLOv5s-C3SE。通过在公开稻田害虫图像数据集上的训练与测试,实验结果表明,与原始的YOLOv5s相比,YOLOv5s-C3CBAM和YOLOv5s-C3ECA改进模型在mAP@0.5、mAP@0.5:0.95分别有不同程度的提升,其中YOLOv5s-C3CBAM在mAP@0.5、mAP@0.5:0.95上分别提升1.2%和0.3%;YOLOv5s-C3ECA在mAP@0.5、mAP@0.5:0.95上分别提升2.5%和1.1%。结果表明,所提出的改进策略在保持模型轻量化的同时提升了水稻害虫目标的检测精度与稳定性,适用于资源受限场景下的农业智能终端部署,具有良好的实际应用价值。

关键词： 电力杆塔   YOLOv5s算法   目标检测   正射影像   无人机  

摘要： 针对配网规划区域电力杆塔的大范围快速监测需求,研究了基于无人机正射影像的电力杆塔智能检测方法。利用配网规划区域的无人机航拍影像生产数字正射影像图(Digital Orthophoto Map, DOM),制作电力杆塔数据集,应用YOLOv5s算法进行电力杆塔检测,查全率和查准率分别达到76.5%和85.8%,验证了该方法的可行性和有效性。

关键词： 车辆侧置摄像头   单人操作   实物检测   图像处理   深度学习  

摘要： 介绍了一种基于侧置摄像头的安全检查辅助装置。该装置基于深度学习图像处理技术,实时分析摄像头拍摄的站台画面,智能检测乘客分布情况,并向驾驶员发送安全提示以协助检查,以此进一步提升站台安全检查效率。此安全检查辅助装置具备自动乘客计数功能,已在车站部署应用。文章阐述了装置的总体设计方案及评定试验结果。

关键词： 深度学习   目标检测   工程管理   YOLO算法  

摘要： 文章基于YOLOv11算法训练了安全帽检测模型,并通过实验验证了其在准确度、模型体量与实时性方面相较于同系列其他版本模型的优越性。结果表明,模型mAP达93.6%,单张检测时间仅2.6 ms。该方法能够高效、准确且实时地进行工程现场的人员安全帽检测。

关键词： Underwater sensor networks(USNs)   Target tracking   Time delay estimation   Autonomous underwater vehicle(AUV)  

摘要： Because underwater sensor networks(USNs)have limited energy resources due to environmental constraints,it is essential to improve energy *** this purpose,an autonomous underwater vehicle(AUV)with greater onboard computation power is used to process measurement data,and the mobility of the AUV is leveraged to optimize the USN topology,enhancing tracking ***,to address the transmission delay of underwater acoustic signals,a time-delay compensated centralized extended Kalman filter(TD-CEKF)algorithm is ***,the mathematical relationship between AUV position and USN topology is established,based on which the optimization target is ***,a penalty function is introduced to remove the constraints from the objective function,and the optimal AUV position is searched using the gradient descent method to optimize the UsN *** simulation results demonstrate that the proposed algorithm can effectively overcome the influence of transmission delay on target tracking and achieve improved tracking performance.

关键词： 深度学习   苹果品质检测   计算机视觉   YOLOv8   农业智能化   缺陷识别  

摘要： 目的:针对传统苹果品质检测方法效率低、主观性强的问题,研究基于深度学习的苹果品质智能检测算法,实现苹果外观缺陷、成熟度和品质等级的自动化精准识别。方法:构建包含15,000张高分辨率苹果图像的大规模数据集,涵盖红富士、嘎啦、黄元帅等6个主要品种;基于YOLOv8网络架构,引入多尺度特征融合模块(MSFM)、卷积块注意力机制(CBAM)和改进的Focal Loss损失函数,设计面向苹果品质检测的深度学习模型;采用迁移学习和数据增强策略优化模型性能。结果:改进算法在苹果品质检测任务上达到96.8%的准确率,精确率95.9%,召回率96.2%,F1分数96.0%,mAP值93.7%,处理速度45.1帧/秒;相比基线YOLOv8算法,各项指标分别提升4.5%、4.3%、5.4%、4.8%、5.8%和6.9帧/秒;在缺陷检测方面,对表面斑点、破损、变色等缺陷的检测准确率均超过94%。结论:所提出的改进深度学习算法能够高效准确地实现苹果品质自动化检测,为现代果品加工业提供了有效的技术解决方案。

关键词： YOLOv8n   遥感图像   目标检测   轻量化  

摘要： 遥感图像中目标尺寸差异显著且背景复杂,导致检测时存在误检和漏检,同时现有算法存在参数量大和计算量高等问题,因此,提出了一种基于YOLOv8n的轻量化遥感目标检测算法。首先,将颈部的C2f模块替换为CSPStage模块,通过引入梯度变化的整合机制来增强不同特征层内特征的学习。其次,引入CG模块重构C2f中的Bottleneck模块,通过联合上下文信息来增强网络的特征处理能力。然后,基于PConv设计了轻量化检测头PDetect,减少冗余信息对计算资源的浪费。最后,设计了Focaler-Shape-IoU损失函数,使模型更加关注边框自身的形状和尺度因素,弥补样本难易分布对边框回归造成的影响,提高模型的收敛速度和泛化性能。实验结果表明,改进后的网络模型在公开遥感数据集NWPU VHR-10上取得的mAP值相比原始YOLOv8n提升了4.1个百分点,参数量减少了37%,计算量下降了45%,证明了改进算法的有效性和先进性。

关键词： 图像联合双边滤波   电子元器件   表面缺陷提取   图像处理   SVM分类器   提取精度  

摘要： 为了有效解决高精度电子元器件表面缺陷提取精度偏低的问题,提出一种基于图像联合双边滤波的电子元器件表面缺陷视觉提取方法。该方法引入了机器视觉采集样本图像以及判断元器件表面图像有无缺陷,并构建SVM分类模型分类缺陷,将完成分类的电子器件表面光学图像作为输入,采用高斯函数计算获取图像的空间距离权值和灰度权值,将得到的权值相乘得到联合滤波值,构建联合双边滤波器。利用滤波器完成电子元器件表面缺陷图像滤波处理,并通过Gabor提取电子元器件表面缺陷。分析结果表明,所设计的方法可以有效提升缺陷提取速度和精度,并且平均交并比取值在0.96以上,具有良好的电子元器件表面缺陷提取性能。

关键词： 图像风格化   图像处理   灰度化   边缘发光  

摘要： 对风格化处理算法进行研究,设计并实现了一个图像风格化处理系统,具有生成黑白、浮雕、挤压、染色、怀旧、马赛克、霓虹、球面等多种艺术效果图像的功能。该系统可用于艺术创作、影视特效、广告设计等领域,也能让普通用户体验各种风格化处理效果。

关键词： 3D目标检测   多尺度网络   特征融合   轴向注意力   损失函数  

摘要： 在3D目标检测中小目标诸如行人和骑行者的检测精确度较低,这是自动驾驶感知系统中存在的挑战性问题。为了准确估计周围环境的状态从而提高行车安全,对Voxel R-CNN(Voxel Region-based Convolutional Neural Network)算法进行改进,提出一种基于多尺度网络与轴向注意力的3D目标检测算法。首先,在主干网络中构建多尺度网络和像素级融合模块(PFM)获取更丰富和精准的特征表示,从而增强算法在复杂场景下的鲁棒性和泛化能力;其次,设计适用于具有3D空间维度特征的轴向注意力,并将它应用于感兴趣区域(RoI)的多尺度池化特征,以在有效捕捉局部和全局特征的同时保留3D空间结构中的重要信息,从而提升算法的目标检测和分类的精度和效率;最后,将一种旋转解耦的交并比(RDIoU)方法纳入回归和分类分支,从而使网络学习更精确的边界框,并解决分类和回归之间的对齐问题。在KITTI公开数据集上的实验结果表明,所提算法对行人和骑行者的平均精度均值(mAP)分别达到了62.25%和79.36%,与基准算法Voxel R-CNN相比分别提高了4.02和3.15个百分点,显示出了改进算法在难感知目标检测上的有效性。