关键词： 目标检测   交通标志   YOLOv8   深度学习   Wise-SIoU  

摘要： [目的]针对日常交通驾驶过程中交通标志检测的漏检、误检以及模型体积较大等问题,提出一种空间信息聚合网络EDR-YOLOv8算法.[方法]通过增强边缘信息、多尺度上下文语义信息的捕获以及浅层与深层特征的再融合,完成空间信息的聚合.为保留较多的交通标志边缘特征,提出结合Sobel算子的边缘检测模块;为捕捉更多的多尺度上下文语义信息,设计膨胀残差修复块,并将其集成到C2f(faster implementation of CSP bottleneck with 2 convolutions)中得到多尺度感知模块DRRC;为加强高、低层信息交互并重新校准目标位置,推出重校准内容引导金字塔网络.通过对锚框与真实框不匹配方向的考虑和更关注普通质量的锚框,设计Wise-SIoU.[结果]在TT100K数据集上,P、交并比阈值0.50的平均精度均值、交并比阈值在[0.50,0.95]区间的平均精度均值分别提升12.5%、8.9%、10.3%,且参数量下降了23%.[结论]本文方法相较原模型及其他算法,表现出了精度较高和参数量较少的优点,改善了漏检和误检问题,并有利于边缘设备的部署.

关键词： 水下船体清洗   目标检测   清洗机器人   YOLOv11   深度学习  

摘要： 在水下船体清洗任务中,对污损及障碍物等目标的检测和精准识别是提升自动化清洗效能的关键。当前水下船体清洗机器人多依赖人工视觉实现环境感知与目标定位,存在效率瓶颈和安全隐患。该文基于YOLOv11框架,提出改进模型YOLO-HC,构建多尺度扩张注意力模块(MSDA_C2PSA)以增强跨尺度特征提取能力,采用双向加权特征金字塔优化多层级目标表征融合,并通过动态检测头集成多种注意力机制进一步提升检测鲁棒性。自建水下船体表面数据集实验表明:该模型在mAP@0.5和mAP@0.5:0.95指标上分别达到87.0%和62.4%,较基线模型分别提升2.2%和3.4%。该研究为水下船体清洗任务提供了准确高效的目标检测方法,推动了船体清洗向智能无人化目标更近一步。

关键词： 鱼道   目标检测   YOLO   注意力机制   自适应特征融合   决策级融合   分布外检测  

摘要： 针对鱼道过鱼目标检测鱼类特征模糊及数据集先验信息不足而导致的漏检、误检问题,研究了一种基于粗-细粒度模型决策级融合的目标检测方法。该方法对粗粒度YOLO模型进行改进:在主干层嵌入坐标注意力模块,在特征融合部分嵌入自适应特征融合模块对不同尺度的特征层进行融合,以提高粗粒度模型对任意鱼类的检测能力;将改进后的粗粒度YOLO模型与细粒度YOLO模型的检测结果按照置信度筛选出需要融合的检测框,并按照置信度的值对检测框进行加权融合,以此降低在未知鱼类、模糊鱼类场景下进行分布外检测时的漏检率和误检率。应用此方法于真实环境下的鱼道过鱼数据集进行测试,对未知鱼类的准确率达到了98.59%,召回率达到了94.19%,相比基于置信度的分布外检测方法分别提高了9.25%和11.21%,相比基于能量的分布外检测方法分别提高了6.42%和3.69%。对模糊目标的识别准确率达到了95.45%,召回率达到了91.8%,相比基于置信度的分布外检测方法分别提高了16.63%和18.58%,相比基于能量的分布外检测方法分别提高了11.27%和1.74%。研究成果对鱼道过鱼的目标检测有良好的借鉴意义。

关键词： 多模态   跨模态信息融合   信息增强   目标检测   航拍图像  

摘要： 目前,利用航拍图像精确、实时检测多尺度地面目标仍然具有挑战性,最适用的解决方案之一是融合多模态图像中的互补信息以提高探测能力。因此,提出了一种新型双流实时探测器双YOLOv8,该检测模型能够有效利用可见光和红外图像,实现快速、全天候环境航拍检测。首先,在YOLOv8网络的基础上,设计了双分支特征提取网络;然后,设计了交互特性增强模块(IFEM)和交互增强差分融合模块(IEDFM),两模块有效强化了差模特征在彼此模态特征中的重要性,实现了红外图像与可见光图像特征融合,提高了多模态目标检测效果。在VEDAI数据集上的大量试验验证了该方法在检测航拍图像目标方面达到了先进的性能,mAP@0.5达到0.755,识别精度比基线模型高出10%;同时,双YOLOv8检测模型在检测速度和多尺度大小识别效果方面也具有优势。所研究的跨模态实时检测器不仅具有优异的稳定性和鲁棒检测性能,而且为极端环境下的航拍图像目标检测技术提供了新方法。

关键词： EMA   目标检测   深度学习   防护装备  

摘要： 针对矿井作业中人员防护装备检测准确度不足、响应速度缓慢等问题,本研究提出了一种改进YOLOv8n的矿井人员防护装备检测算法,命名为EF-YOLOv8n。EF-YOLOv8n模型首先将基准模型主干网络C2f中的瓶颈结构模块用Faster模块替换,得到了C2f-Faster模块,有利于提高模型的检测精度,降低模型的体积,提高模型的运算速度。其次在最后一个C2f-Faster模块后引入了EMA模块。可以有效提高模型对于小目标的检测能力。与YOLOv8n模型相比EF-YOLOv8n模型mAP@50提升2.4%,mAP@50~95提升1.6%,参数量减少0.4%,模型体积下降0.7%。本模型降低了漏检的发生几率,提高了模型的检测能力,为守护矿工们的安全提供了坚实的科技保障。

关键词： 手势识别   人机交互   计算机视觉   机器学习   深度学习  

摘要： 在计算机视觉和机器学习技术快速发展的背景下,手势识别技术成为人机交互(HCI)领域的关键。为提高手势识别技术在人机交互中的应用精度与准确度,文中分析了其在虚拟现实、智能汽车、机器人控制等场景中的价值与挑战,并通过实验对比了不同光照条件下的识别准确性与实时性。实验选取基于卷积神经网络(CNN)的分类方法来评估低光照、中光照和高光照条件对识别精度与准确度的影响,并记录了较为关键的性能指标数据。研究结果表明,光照条件对手势识别技术的准确性具有显著的影响,因此优化环境条件及算法,对于提升手势识别效果具有重要作用。

关键词： 伪装目标检测   纹理边缘引导特征融合   Convnextv2   特征提取   纹理边缘注意力机制  

摘要： 为了解决伪装目标检测中目标的边缘特征及对应场景下独特纹理特征信息表达处理不足的问题,提出基于Convnextv2与纹理边缘引导的伪装目标检测算法.通过纹理编码模块在输入图片上提取纹理特征,与主干网络提取的边缘特征进行融合,生成图片的纹理-边缘特征.通过设计的纹理边缘引导的注意力模块,将纹理-边缘特征融入主干特征以定位目标的真实位置.利用特征融合模块进行多层次特征融合,采用多级监督的方式,设计总的损失函数.在3个公开数据集CAMO、COD10K、NC4K和迷彩伪装混合数据集MICAI_TE上的实验表明,该算法的综合性能最优.

关键词： Swin Transformer   判别力增强模块   目标遮挡   小目标   复杂视觉场景  

摘要： 针对复杂道路环境下小目标密集、光照不均产生的遮挡问题,提出一种融合Swin Transformer和判别力增强模块网络(fusion Swin Transformer spatial attention module network, FSTS-Net)的目标检测算法。首先将Swin Transformer作为主干网络,构建全局信息捕获模块,增强对小目标及密集目标的检测;其次,针对光照不均导致的目标遮挡问题,设计了判别力增强模块(spatial attention module for discriminative feature enhancement, SAM),以增强目标特征的学习能力;最后,使用SIoU(structured intersection over union)作为模型的损失函数,提高了检测精度。实验结果表明,模型的平均精度均值(mean average precision,mAP)提高了2.82%,准确率提高了5.12%,召回率提高了7.61%,优于YOLOv8等其他常见的算法,能够有效解决复杂道路环境下的小目标和遮挡问题。

关键词： 机器视觉   划痕检测   图像处理   特征提取   区域分割  

摘要： 机器视觉已成为科研机构、大学和企业研究的热点,尤其是图像分析与处理是机器视觉研究的重要方向之一。冲压加工在国民经济各个领域应用范围相当广泛,随着科技的不断创新与发展,冲压产品逐渐向着多样化、复杂化方向发展。但由于种种原因,冲压加工时所冲的工件经常会出现压伤、划伤、变形等现象,而机器视觉技术在机械产品检测领域能够完成人眼无法完成的长时间实时在线、精确快速、完全柔性的快速自适应检测工作。传统冲压产品划痕检测只能依靠检验人员经验来判断冲压产品质量,检测方式受人为主观因素影响较大,重复性工作多且检测效率低,甚至有时会因员工产生视觉疲劳而出现误判。提出了一种基于机器视觉的冲压产品划痕检测方法,并开发了系统检测软件。首先对图像进行预处理,屏蔽图像中的字体及孔,创建模板;然后对图像进行高斯滤波降噪,划痕区域分割提取划痕缺陷;最后进行Blob分析,判断图像是否存在缺陷。经实验测试,划痕识别率为97.1%,该方法能够满足冲压产品表面划痕检测要求。

关键词： YOLO V8   April-Tags   目标检测  

摘要： 针对传统物流仓储领域普遍存在的人工巡检效率低下、计数误差率高和安全隐患突出等问题,本研究设计并实现了一套基于CanMV K210人工智能开发板的智能物流仓储解决方案。该系统集成YOLO V8目标检测算法与April-Tags二维码识别技术,构建了包含数据采集标注、AI视觉检测和数据管理可视化在内的技术架构。通过灰度轨迹巡检、多目标精准识别、货物快速定位等核心功能模块,实现了仓储场景的智能化改造。实验结果表明,系统在多样化仓储环境中表现出较好的任务处理能力,为电商仓储、智能制造等典型场景提供了低成本、高效率的智能升级路径,有效推动了传统物流企业的数字化转型进程。