关键词： 成像测井   裂缝识别   深度学习   集成学习   图像处理  

摘要： 传统成像测井裂缝识别依赖专家经验,主观性强;深度学习方法可提取多维度特征构建裂缝识别模型,集成学习方法融合多个模型提升精度,但简单融合策略精度提升不明显,复杂融合策略易过拟合,需探索更有效融合方法提升裂缝识别准确性;针对上述问题,提出了一种基于Stacking方法改进的集成深度学习模型,将Deeplabv3+,YOLOv8,SegFormer三个模型进行融合,并设计了跳跃连接模块将原始图像骨干特征传递至元模型层,避免在模型融合时由于特征不足产生的错误拟合;经实验,该模型在构建的测井图像裂缝识别数据集上Dice系数可达89.6%,优于单一模型与少数模块构建的集成模型;将该方法用于柴达木盆地实际成像测井资料的裂缝识别,能够准确地提取出测井图像的裂缝信息,证明了该模型的有效性,为成像测井裂缝识别提供了新的思路。

关键词： 课堂状况评估   目标检测   深度学习   卷积神经网络   注意力机制   层次分析法  

摘要： 辅助教师提高教学质量,构建一个能够精准识别学生课堂状况并进行合理评估的教辅系统,构建了双粒度标注的学生行为(Student Action,SA)数据集;提出了SGE-BI(Spatial Group wise Enhance-BiFormer)双注意力机制模块并将其添加在YOLOv5算法中;结合双粒度标注的学生行为数据集对传统层次分析法(Analytic Hierarchy Process,AHP)进行改进,提出了双粒度层次分析加权法(Analytic Hierarchy Process-Double Granularity Weighted,AHP-DG)。在SA数据集上进行仿真实验,使用改进的YOLOv5算法将精度、mAP@0.5和mAP@0.5:0.95的值分别提高了1.9%、0.5%和0.8%;用构建好的系统得到真实课堂的识别结果并进行数据分析,发现AHP-DG法较之传统AHP法能得到更客观的评估结果。与原算法相比,改进的YOLOv5算法得到了更准确的学生课堂行为识别结果;与传统AHP法相比,提出的AHP-DG法取得了更好的学生课堂状况评估效果。

关键词： 多传感器方法   计算机视觉   四旋翼无人机   林火监测   定位  

摘要： 为了提高林火防控策略的有效性,解决林火监测、火点快速识别和有效定位的难题,提出了基于四旋翼无人机搭载计算机视觉系统双目定位火点技术。首先,搭载红外热像仪、摄像头、激光雷达等设备检测出林区烟雾和隐藏火点,利用图像智能识别技术进行数据处理,实现火点精准识别;其次,采用双目平面影像算法,结合无人机自身姿态位置信息提出了火点定位数学模型,得到了火点位置坐标;最后,通过设计8组试验验证了该无人机识别定位系统的精确度和可靠性,结果表明经度最大误差为(6.20×10^(-6))°,纬度最大误差为(3.21×10^(-6))°,高程最大误差为2.73×10^(-3)m,能够实现精准定位。研究成果为森林火灾防控提供了新的方法和思路。

关键词： 目标检测   轻量化   SteamPlus block   深度可分离卷积   五头LADH预测头  

摘要： 红外物体检测是计算机视觉中目标检测领域的重要研究方向,针对YOLOv8检测红外物体时模型大小、参数量、GFLOPs过大的问题,提出了一种FLH-YOLOv8网络结构,以实现模型的轻量化。首先,采用创新后的StemPlus Block与多个串联的Shuffle Block构建YOLOv8 Backbone主干网,提升特征的表达能力;其次,在SPPF层后引入MSCA多尺度卷积注意力机制,提高对特征的关注;接着,选取深度可分离卷积DWConv与全新连接操作ADD轻量化实现颈部多尺度特征融合;最后,提出五头LADH预测头(FLH)并将SlideLoss损失函数与IoU损失相结合,在实现网络结构轻量化的同时提高检测精度。实验结果表明,FLH-YOLOv8在三种红外数据集上,模型大小平均从22.5 M下降92.4%至1.7 M,模型参数量下降93.9%,平均精度基本保持在95%以上。在保持检测精度的同时,大大降低了网络的复杂程度。

关键词： 目标检测   火灾检测   神经网络   特征提取  

摘要： 针对现有火灾检测算法不能很好平衡精度和模型复杂度等问题,提出基于改进YOLOv7-Tiny的火灾检测算法。算法以YOLOv7-Tiny为基础,结合Pconv、Faster block以及YOLOv7的ELAN结构提出一个新的结构F-ELAN,用于替代Backbone中的ELAN结构;引入GSConv以及GSblock,用于替代Neck结构中的普通卷积和ELAN结构,在减少模型复杂度的同时增强特征提取能力,提高模型精度;同时为了进一步提高模型性能,在Head部分增加一个检测层,提高对于目标的检测精度;在损失函数中采用Wise-Io U代替CIoU,在保持模型复杂度不变的情况下提高模型鲁棒性。实验结果表明,改进后的YOLOv7-Tiny模型参数量仅为5.45M,FLOPs为8.9G,相比原模型分别减少9.5%和32.6%,同时精度提高了2.4%达到了90.8%,在检测精度和模型复杂度都有一定优势。

关键词： 图像识别   深度学习   目标检测   YOLOv8   点胶  

摘要： 本文提出一种改进YOLOv8n的定制化结构件点胶区域检测算法。首先使用SPD-Conv取代原有卷积进行下采样,保留了特征图的多尺度信息;其次,使用DySample改进YOLOv8-neck中的上采样,避免了传统上采样方法中可能出现的模糊和失真问题;最后,使用Inner-SIoU作为边界框损失函数,有效提升了模型的边界框回归精度。模型改进完毕后,在自建的定制化结构件数据集上进行模型实验对比。实验结果表明,改进的YOLOv8n模型相较于原YOLOv8n模型在增加了1.4M的参数量后,精确度提升了4.4%,召回率提升了2.1%,mAP@0.5和mAP@0.5-0.95的值分别提升了3.7%和7.5%,为定制化结构件的点胶操作提供技术参考。

关键词： YOLOv8   算法   智慧农业   目标检测   轻量化网络   农作物病害  

摘要： 针对农作物病害识别存在算法参数量大、计算速度慢和现有公开数据集少等问题,文章提出了一种基于改进YOLOv8的目标检测算法。首先,创建了Mydataset农作物病害数据集,填补了算法模型在数据集方面的不足。其次,引入了快速神经网络(faster neural networks,FasterNet)轻量化网络模块,大幅减少了模型的参数量和计算量,使得算法更适应低计算能力的环境。同时,采用双向特征金字塔网络(bi-directional feature pyramid network,BiFPN)的特征融合结构,不仅提高了模型的特征融合效率,还进一步降低了参数量,进而显著提升了模型的检测精度和性能。此外,通过引入可变形大内核注意力机制(deformable large kernel attention,D-LKA Attention),扩大了模型的感受野,加强了全局特征的捕捉和局部特征的细化提取,实现了在降低参数量和FLOPs(floating point operations)的同时提高检测效果的目标。实验结果表明,在Mydataset、VOC-2007和Vehicles三组数据集上,与原始YOLOv8模型相比,YOLOv8-self在Mydataset数据集上,参数量下降了约20.3%,精准度提升0.04%,平均精度均值(mean average precision IOU=0.5~0.95,mAP@0.5:0.95)提升了3.7%,模型的处理帧速(frames per second,FPS)提升了4%。在VOC-2007和Vehicles数据集上的检测精度也有类似的提升。同时,实验结果也证明在对于文章提出常见的12种农业病害(豆角叶斑、大豆锈病、草莓角斑病、草莓果肉腐烂、草莓粉状叶霉病、草莓花枯萎病、草莓灰霉病、草莓叶斑、草莓白粉果、番茄病、番茄蜘蛛螨、番茄叶霉病)识别任务中,优化后的算法具有更简约、更精准以及更强的泛化性能,能够适应硬件设备条件较差的环境,更适用于农作物病害的检测任务。

关键词： 橡胶分子   Hessian矩阵   橡胶结构   图像处理技术   橡胶材料   多元函数   电子显微镜   网络结构  

摘要： 横滨橡胶公司开发了一种新的图像处理技术,可以清晰地可视化橡胶材料内部的纳米级结构。该技术由筑波大学和日本科学技术振兴机构合作开发,将其应用于传统的电子显微镜图像,可清除噪音和不清晰的轮廓,清楚地捕获橡胶分子的网络结构。该技术的原理是基于橡胶材料构建内部结构模型,并将其与Hessian矩阵分析技术(一种用于多元函数敏感性分析的方法)相结合,共同实现高质量图像的橡胶结构。

关键词： 异形电子元件检测   RT-DETR   目标检测   数据增强  

摘要： 异形电子元件表面缺陷检测是提高异形插件机插装工艺水平的关键环节。传统的人工检测易受人为主观性影响,模板匹配算法的效率较低,且在样本数据不足的情况下,现有深度学习技术在缺陷检测方面存在精度低、实时性不足等问题。为提高异形元件检测的精度和实时性,文章对目标检测模型RT-DETR进行改进,提出了一种实时多维特征自适应网络(RT-MDAFNet):首先,在模型特征融合层处设计自适应融合金字塔网络(AFPN),通过动态通道注意力机制和选择性特征融合机制来提高模型对多尺度目标的适应性和特征提取能力;然后,设计了自适应通道-空间聚合网络模块(SASE-RepNet),通过结合多层次特征聚合、通道自适应权重分配和空间选择性增强机制来提升在复杂背景下的检测精度和效率。在现有数据集缺乏的情况下,构建了异形电子元件数据集,并将RT-MDAFNet模型与DETR、Faster R-CNN、YOLO系列等8种基线模型进行了对比实验。对比实验结果表明:RT-MDAFNet模型的帧率为41.5 FPS,每秒浮点运算次数(GFLOPs)为75.3,参数量为24.31 M,mAP50值为80.87%,mAP50-95值分别为50.43%。与目前最佳的基线模型(DINO)相比,RT-MDAFNet模型的mAP50、mAP50-95值分别提高了3.31%、3.46%。最后,为了探讨关键组件对模型效果的影响,在自建数据集上进行了消融实验。消融实验结果表明:RT-MDAFNet模型中的AFPN模块和SASE-RepNet模块在模型轻量化和精度提升上具备有效性。与RT-DETR模型相比,RT-MDAFNet模型的mAP50、mAP50-95值分别提高了4.66%、2.54%,参数量降低了9.67 M,GFLOPs减少了28.1,帧率提高了18.7 FPS。总体而言,RT-MDAFNet模型在保证轻量化的同时,也提升了异形元件的检测精度。

关键词： 协同感知   3D目标检测   通信延迟   时空序列预测   注意力机制   特征融合  

摘要： 针对车辆协同感知3D目标检测在通信延迟条件下精度较低的问题,提出一种通信延迟下车辆协同感知的3D目标检测方法。设计时空预测模块,提取通信延迟车辆历史感知特征序列中的时空特征,以预测当前时刻的感知特征,基于预测特征构建感知融合模块,利用注意力机制动态融合感知特征,以降低预测误差影响,提高检测精度。该方法在OPV2V、V2XSet和V2V4Real数据集上进行实验,与Where2Comm、V2VNet等主流协同感知方法相比。实验结果表明,在所对比的方法中,Where2Comm在不同延迟下的3D目标检测平均精度最优,该方法相比Where2Comm在400 ms下的平均精度分别提高了5.9、3.9和1.5个百分点。