关键词： 目标检测   YOLO数据集管理   数据集融合   标签定制  

摘要： 随着YOLO目标检测技术的广泛应用,多源数据集的标签定制与高效融合成为提升模型训练效率的关键挑战。现有工具存在标注分散、格式转换繁琐、缺乏统一管理平台等问题,导致数据准备效率低且易出错。为此,文章通过集成多源数据集格式转换、标签动态映射、子集划分及合并等核心功能,支持用户通过配置文件灵活定制标签,拟设计一款基于Python的YOLO数据集管理软件,以解决标签命名冲突与类别冗余等问题。实证结果表明,该软件在融合4个异构数据集(15.8万张图像)时,内存占用仅99.8 MB,平均每生成一个标注文件约耗时12.74 ms,验证了其在复杂场景与大规模数据下的高效性;该软件支持跨平台运行,为YOLO算法开发者提供了一套轻量化、可扩展的工具,成功实现了多源数据集标签定制与融合,对推动目标检测技术的工程化应用具有实践价值。

关键词： 计算机视觉   超分辨率   多域信息增强   注意力   轻量级  

摘要： 针对单幅图像超分辨率重建任务中单域特征的重建能力受限以及深度卷积神经网络参数众多、计算量大导致的难以部署到移动端的问题,提出了一种基于多域信息增强的轻量级图像超分辨率网络。从空域、频域和转换域3个维度入手,设计了空域多路大核特征提取技术、局部信息增强注意力、频域分频特征增强技术以及转换域基于高频特征模拟技术。通过不同特征域的信息处理,针对全局与局部的低频和高频特征进行精准优化,从而提升模型在细节恢复与图像重建中的表现。与现有先进算法在公认基准数据集上进行充分的实验对比和分析,结果表明所提网络模型能够实现优异的重建效果,且在性能与效率之间也实现了出色的平衡。

关键词： 图像   点云   三维目标检测   自注意力机制  

摘要： 针对自动驾驶中对行人等较小目标及被遮挡目标检测精度较低的问题,提出一种基于自注意力机制的融合图像和点云的三维目标检测算法,在基于原始点云数据处理的F-PointNet网络上进行改进.首先,通过在点云特征提取网络中引入两层基于Transformer的自注意力机制模块,兼顾点云全局特征和局部特征,提高三维目标的检测精度.其次,在损失函数中引入弹性网络正则化权重衰减项,提高模型的泛化能力,实现更高精度的收敛.基于KITTI数据集进行对比实验,结果表明,引入自注意机制和弹性网络正则化后,在简单、中等和困难3种难度情境下,与初始模型对比,行人的检测精度分别提高6.47%、6.31%和5.61%,骑行人的检测精度分别提高15.34%、12.88%和11.79%.

关键词： YOLO目标检测   烟草合规检测   烟草合规审查   图像识别  

摘要： 【目的】基于YOLO目标检测框架,设计出一种烟草配送合规审查算法,利用图像识别技术提高烟草配送过程的合规性和准确性。【方法】该算法以ResNet-18作为主干网络,结合空间金字塔池化(SPP)模块,提取和融合多尺度图像特征。通过对配送图像中的签收人、烟草、货架和柜台等元素进行目标检测,并设立审核机制,自动判定图像是否合规,实现对配送行为的自动化审查。其中,实验数据来自专业人员筛选的规范与不规范配送图像,标注数据包括人员、烟草、货架和柜台等元素。【结果】实验结果显示,该算法在“烟草”类别上的AP值为0.8931,整体模型在测试集上的mAP为0.6839,表现出较好的识别能力和稳定性。【结论】该算法能有效支持烟草行业的智能化配送管理,未来可通过扩展数据集和优化模型,进一步提升其鲁棒性和准确度,满足更复杂场景的需求。

关键词： 小目标检测   多尺度融合特征   特征金字塔   动态通道注意力   交并比损失函数  

摘要： 针对小目标检测中卷积操作导致检测特征缺失和不同尺度语义隔阂的问题,提出一种基于动态自适应通道注意力特征融合的小目标检测方法。1)提出一种多尺度三角动态颈(Tri-Neck)网络结构,用于融合多尺度特征语义隔阂及弥补小目标特征缺失的问题。2)提出一种分组批量动态自适应通道注意力模块,增强弱语义小目标特征同时抑制无用信息,且在动态自适应通道注意力模块中设计新的激活函数和交并比损失函数,提升通道注意力表征能力。3)采用ResNet50作为骨干网络依次连接特征金字塔网络和Tri-Neck网络。实验结果表明,该方法在Pascal Voc 2007、Pascal Voc 2012上比YOLOv8算法mAP分别提升5.3%和6.2%,在MS COCO 2017数据集上AP和AP_S分别提升1.6%和2%,在SODA-D数据集上比YOLOv8算法AP提升0.9%。

关键词： YOLO-AFB   多目标检测   特征提取  

摘要： 针对传统变电站多目标检测全面性不足、精度低的问题,提出基于YOLO-AFB网络模型的检测方法。确定某变电站实验数据,建立YOLO-AFB网络模型,阐述多目标检测流程,分析训练结果,与其他多目标检测方法进行对比实验,检验所提方法在变电站多目标检测中的应用效果。

关键词： 遥感   地形校正   山区   Meta分析   图像处理  

摘要： 崎岖地形会导致光学遥感影像产生畸变,进而影响山区土地覆盖分类和生物理化参数反演精度。因此,地形校正是山区遥感应用的先决条件。从20世纪80年代以来,国内外学者致力于研究如何准确获取山区地表遥感反射率,建立了多种地形校正方法来缓解遥感影像中的地形效应。尽管已有研究对地形校正方法进行了比较,但大多数仅限于特定影像和少数评估标准,导致结论不够充分和一致。目前缺乏对地形校正相关研究进行系统梳理,这限制了对当前研究现状的全面认知。本文首先从地形影响光学遥感成像过程的关键途径着手,系统阐述了地形效应产生的机制;其次介绍了常用地形校正方法的基本原理;然后基于WoS(Web of Science/Scopus)和中国知网CNKI(China National Knowledge Infrastructure)的文献数据,检索了1980年—2022年与光学遥感地形校正相关的文献,提取每篇文献中的各类信息并借助Meta分析方法进行了发文量、关键词和地形校正研究各环节(卫星影像、数字高程模型、地形校正方法及评价标准)等特征分析;最后对地形校正的关键科学问题进行讨论并展望了地形校正未来的主要发展方向。本文研究结果定量展示了光学遥感地形校正的发展历程和研究热点,为今后地形校正方法的优化提供了参考。

关键词： 电表外观检定   工业自动化   深度学习   图像处理   场景文字识别  

摘要： 电表外观检定系统对于电表生产的质量评估有着重要的意义。针对现阶段字符缺陷检测系统在文字分布密集的场景识别准确率低的问题,利用自适应多尺度模块,提升算法对密集字符的检测精度和分割质量;引入STN注意力机制,将文字图像变换为最合适的角度作为网络输入,提升识别模块在字符倾斜、投影等影响下的鲁棒性;提出点位配准算法,对文字缺陷处精准定位,并降低匹配算法误判。实验表明,文字检测和识别算法精度分别较现有算法提升了6.1%和4.3%;基于点位配准的缺陷检测,F-score达到97.8%;每张电表图片检测时间为0.8 s,能够满足电表工业流水线的实时性要求。

关键词： 目标检测   YOLOv7-tiny   SAR图像   轻量化模型   通道剪枝   损失函数  

摘要： 海上舰船目标识别是海洋监测的重要一环,也是世界各海岸地带国家国土安全的重要解决方案之一。针对SAR图像舰船目标检测存在识别精度低、训练模型大等问题,提出了一种基于通道剪枝的改进YOLOv7-tiny海上舰船识别算法。首先,采用MobileNetV3替代原有主干网络,以降低模型的计算量和体积,实现模型轻量化;其次,引入MPDIoU简化计算过程,优化模型的收敛性;最后,通过通道剪枝提高模型精度,同时平衡模型体积和计算量的降低幅度,进一步优化算法模型。实验结果表明,改进算法相对于YOLOv7-tiny,召回率提升了5.85个百分点,mAP提升了3.69个百分点,参数量减少了63.35%,计算量减少了70%。

关键词： 车辆检测   YOLOv7-tiny算法   深度强力残差卷积块   轻量级高效层聚合网络模块  

摘要： 为更好地保护人民的生命财产安全,针对目前依靠人力进行交通管理工作时统计不准确、反馈不及时等问题,提出一种适合部署在边缘终端设备上的基于YOLOv7-tiny算法改进的车辆目标检测算法。通过构造深度强力残差卷积块对主干网络的轻量级高效层聚合网络(Efficient Layer Aggregation Network-Tiny,ELAN-T)模块进行轻量化改进;通过削减分支,对特征融合网络的ELAN-T模块进行轻量化改进,降低网络的参数量和计算量,并对特征融合网络的结构进行重新构造;引入高效通道注意力机制和EIOU边界框损失函数提升算法的精度。在预处理后的UA-DETRAC数据集上实验,改进后的算法参数量相比于原始的YOLOv7-tiny算法降低了15.1%,计算量降低了5.3%,mAP@0.5提升了5.3个百分点。实验结果表明,改进后的算法不仅实现了轻量化,而且检测精度有所提升,适合部署在边缘终端设备上,完成对道路中车辆的检测任务。