关键词： 改进的YOLOv8n算法   StarNet   目标检测   注意力机制   轻量化  

摘要： 针对现有仪器设备检测算法在管廊复杂环境下检测精度低、模型复杂等问题,提出一种改进YOLOv8n的SLB-YOLOv8n仪器设备检测算法。首先,构建C2f-star模块并替换主干网络中的C2f,降低模型复杂度;其次,在SPPF模块添加LSKA注意力机制,增强低光环境识别能力,并将特征融合方式替换为BiFPN,提高识别精度;最后,将损失函数替换为WIoUv3,加快模型收敛速度。使用管廊自建数据集进行训练,结果表明SLB-YOLOv8n相比YOLOv8n参数量减少了31.9%,而mAP提升了0.9%。改进后的算法在轻量化的同时提高了识别精度。

关键词： 臂章布料瑕疵   YOLOv8   深度学习   注意力机制   目标检测  

摘要： 臂章布料瑕疵直接反映产品的良品率,瑕疵的准确识别是布料质量保证的基石。本文介绍了一种在非受限环境下检测臂章布料瑕疵的方法,通过对YOLOv8模型的改进来实现。首先,对布料图像应用导向滤波和多尺度视网膜恢复(MSRCP)算法以滤除噪声并增强图像。此外,通过引入SEC2F模块和CA注意力机制,增强了模型在复杂背景下的特征提取能力,特别是对臂章布料条纹和颜色的鲁棒性。为提升识别准确率和速度,将SIoU损失函数纳入训练过程。通过对1532张图像数据集的训练,改进后的模型在运算成本较低的情况下,在GFLOPs、参数量、F1值、mAP上分别提高0.1、0.2、0.6、0.9个百分点。相比传统YOLOv8模型显示出更优的性能。研究结果为臂章布料瑕疵识别提供了一种快速有效的技术方法。

关键词： 无人机   桥梁裂缝检测   目标检测   YOLOx-s算法   注意力机制  

摘要： 针对桥梁裂缝检测不充分的安全隐患问题,结合小型无人机平台提出一种基于YOLOx-s的桥梁裂缝检测算法.首先,在backbone中添加残差空洞卷积模块,以解决无人机图像尺度变化大、背景复杂的问题;其次,在PANET中添加坐标注意力机制模块,以提高小目标检测率;最后,替换损失函数为Focal loss,以加强正样本的学习,提高模型的稳定性.实验结果表明:该方法相比于YOLOx-s算法,检测精度提升了3.72个百分点;在嵌入式设备上,该方法比其他主流算法有更好的精度,且能实现实时性检测,可以更好地应用在无人机桥梁裂缝检测中.

关键词： 合成孔径雷达   船舰检测   YOLOv8   NCIoU损失函数  

摘要： 在合成孔径雷达船舰检测领域,深度学习方法已经成为提升检测精度与速度的关键技术。为应对检测精度与速度之间的双重挑战,提出了一种基于YOLOv8算法改进的SARN-YOLO算法。首先,删除特征提取能力差的特征层和预测头,并引入重参化结构,从而有效减少模型参数量,增强对小目标的特征提取能力;其次,在颈部网络中采用渐近特征金字塔网络,以提升对多尺度目标的检测能力;最后,设计NCIoU损失函数,进一步加快模型的收敛速度,提高检测精度和速度。实验结果表明,SARN-YOLO在HRSID数据集和SSDD舰船数据集上mAP@0.5分别为94.6%和98.2%,较基准模型分别提高4.4%和5.5%,参数量减少66.7%。在检测速度方面,SARN-YOLO分别达到135.2帧/秒和142.2帧/秒,较基准模型分别提高约16帧/秒和35帧/秒。验证了SARN-YOLO在提高检测精度和速度方面的有效性。

关键词： 目标检测   YOLOv8   MobileViT   轻量化   Soft-NMS  

摘要： 智能除草装置在农田实际应用中面临杂草检测模型如何部署至移动设备,并实现对复杂背景下不同形状和特征的杂草快速精确识别的问题。针对农业移动除草设备的部署需求,本文以玉米苗期的杂草数据为检测目标,对YOLOv8(You Only Look Once)检测算法进行改进,提出了一种轻量化杂草目标检测算法。为了缩减模型规模,并提高模型在移动设备上的运行效率,将主干网络替换为改进后的Mobile Vi T(Mobile Vision Transformer)轻量级模型主干。与此同时,设计了颈部网络纳入轻量级卷积GSConv(Group-Steerable Convolution)和Vo VGSCSP(Voting-based Vision Guided Superpixel Co-Segmentation with Pooling)模块,以增强模型的特征提取能力和目标检测的精确度,提高模型检测的准确性和速度。通过将Distance-Io U(DIo U)与柔性非极大抑制(Soft-NMS)相结合的算法,改善了模型的收敛速度,并在多个目标重叠下达到了更高的平均准确率。通过自建的玉米田杂草数据集进行了实验验证,结果表明:轻量化的杂草识别模型参数量仅为1083025,相较于YOLOv8n减少了64%;模型的精确率和召回率分别达到了93%和92.6%,m AP50和m AP50-95指标分别为97.4%和88.1%;此外,单幅图像的检测速度达到了92.5帧/s,为该模型在农业边缘设备上的应用提供了条件。该算法在准确性、速度和模型规模方面取得了显著的改进,可以为智能除草装置在农田中的实际应用提供技术支持。

关键词： 计算机视觉   小目标检测   水面漂浮垃圾   自注意力机制   损失函数   噪声抑制   深度学习  

摘要： 为解决水面垃圾检测中小目标比例高、易受光照及环境噪声影响的问题,提出一种基于YOLOv7的改进型检测算法FA-YOLOv7。构建一个上下文信息感知模块(GCFA),解决小目标环境语境信息缺失的难题;引进深度噪声抑制模块(DNSM),降低环境噪声对检测精度的影响;为增强模型训练的稳定性和提高收敛速度,采用联合回归损失函数。通过水面垃圾检测实际应用的测试,验证了该方案的准确性与有效性。

关键词： 木材缺陷检测   YOLO   目标检测   缺陷权重   模糊综合评价  

摘要： 针对当前竹木加工机械性能不足及竹木材料固有缺陷所导致的加工成品质量不稳定问题,聚焦于木材智能制造过程中的缺陷检测关键技术,提出了一种基于改进YOLO(You Only Look Once)目标检测算法的集成化质量评估系统。该系统创新性地引入了多参数缺陷权重机制,通过量化分析缺陷尺寸、缺陷特征及缺陷严重性等关键指标,构建了基于模糊综合评价的木材质量分级模型。实验结果表明:该系统能够有效地将木材产品划分为优等品(A级)、良品/合格品(B级)及不合格品(C级)3个等级。在Plywood木材缺陷数据集上,实现了91.3%的全类别平均精度均值(mean Average Precision@0.5,mAP@0.5),其动态权重分级策略与人工评估结果的误差低于5%(欧氏距离0.063,杰卡德指数0.892),为木材智能制造提供了高效、可扩展的质量评估范式,具备显著的工程应用价值。

关键词： 无人机   图像处理   检查系统   信息处理  

摘要： 本文提出了一种基于无人机影像处理的建筑外墙维护检查系统,旨在解决传统人工高空作业方式存在的安全隐患大、检查效率低、成本高以及检查精度不足等问题。该系统结合了无人机技术和先进的图像处理技术,通过无人机图像采集模块获取建筑外墙的高清图像数据,并利用图像处理与分析模块对图像进行预处理、特征提取和缺陷识别,能够自动识别出外墙上的裂缝、破损、污染等缺陷。系统还包括图像传输与存储模块以及用户界面与报告生成模块,实现了图像数据的快速传输、存储和管理,以及直观易用的操作界面和详细的维护检查报告的生成。测试结果表明:该系统相比现有技术,正确率提高了9.2个百分点,误检率降低了2.8个百分点。

关键词： 猪   肌内脂肪含量   深度学习   计算机视觉  

摘要： 肌内脂肪(Intramuscular Fat,IMF)含量是猪肉质评价的重要指标,但传统的测定方法成本高、耗时长,且需屠宰,难以开展大规模的测定,而计算机视觉和机器学习的日益普及,为肌内脂肪含量的活体预测提供了可能。本研究选取来自北京地区2个猪场、8个纯系及杂交组合群体的332头猪作为实验对象,屠宰后收集了相应的眼肌纵切面图片,用FoodScan近红外肉类快速分析仪测定每头猪只的肌内脂肪含量;使用图片分割模型对眼肌纵切面图片进行处理,选取处理后的311张图像及相应的肌内脂肪含量作为数据集,使用3种深度学习回归模型ResNet18、ResNet50、VGG16建立眼肌纵切面图片预测肌内脂肪含量的模型。所有个体10次5折交叉验证结果表明,ResNet18模型预测效果最佳,均方根误差和绝对误差为0.326%和0.272%,皮尔逊相关系数为0.76;ResNet50模型预测的均方根误差和绝对误差为0.338%和0.276%,皮尔逊相关系数为0.69;VGG16模型预测的均方根误差和绝对误差为0.359%和0.288%,皮尔逊相关系数为0.64。利用混合群体中的大白单一群体作为训练集,模型预测效果降低,ResNet18仍然表现最优。本研究表明利用深度学习方法预测猪肌内脂肪含量是可行的。

关键词： 红外图像   注意力机制   YOLOv5s-CA   位置信息  

摘要： 针对红外图像分辨率低、纹理信息较差、远距离小目标细节模糊的缺点,从注意力机制的角度对YOLOv5s的网络结构进行调整,提出了YOLOv5s-CA算法。该算法在YOLOv5s模型的基础上添加了坐标注意力机制Coordinate Attention,该机制不仅让模型关注通道之间的位置信息,还关注空间的长期位置信息。通过在YOLOv5s网络结构中添加其它注意力机制,并与YOLOv5s-CA模型进行对比,来体现该算法在速度与精度上的优势。在自制的露天矿区红外数据集上的实验结果表明,该模型的m AP(mean average precision)达到了0.948,相比于原始模型提高了1.4%,在GeForce2080Ti设备上的推理速度能够达到3.3 ms。与现有的其它主流算法相比,该算法可以在保持速度的同时具备较高红外目标的检测精度。