关键词： 目标检测   视网膜黄斑病变   加权双向特征金字塔网络   注意力机制  

摘要： 视网膜黄斑病变是失明的重要原因之一,人工筛查容易出现误诊,而基于深度学习的自动诊断有助于早期的检测和治疗。提出一种基于改进YOLOv5的黄斑病变分类检测算法,针对黄斑病变图像细微特征融合不充分的问题,将YOLOv5颈部的PANet特征融合模块替换为加权双向特征金字塔网络,实现高效的多尺度特征融合,以获得更好的黄斑病变细节特征;针对小目标病变检测能力差的问题,在模型中引入SK注意力机制,通过自适应地调整感受野,增强对黄斑病变区域特征的捕获。对比实验证明所提算法可将小目标检测准确率由原来的91.9%提升至94.2%,全类平均准确率由原来的93.4%提升到96.6%,且在相同条件下,该算法的表现优于其他目标检测网络模型。

关键词： 机器视觉   卷烟制丝工艺   图像处理   深度学习   工艺监测  

摘要： 随着卷烟行业对“均质化生产,精细化加工”要求的提出,针对制丝工艺中异物剔除精度的下降、人工质量检测的主观性以及过程工艺指标监测控制的滞后性等问题,大量基于机器视觉技术的应用与研究被提出,进一步提高制丝生产过程的自动化、智能化水平。为深入了解机器视觉技术在制丝工艺中的应用研究情况,分析整理了近年来国内外的相关文献。从机器视觉在制丝工艺中的监测和检测两方面展开,并对图像处理、传统机器视觉和深度学习的研究现状进行分析,提出当前机器视觉在制丝工艺中存在的问题,展望其在制丝工艺中的发展趋势,旨在为机器视觉在制丝工艺中的应用研究提供参考和思路。

关键词： 图神经网络   局部熵   双波段红外图像   目标检测方法  

摘要： 双波段红外图像在目标检测时,若不能有效地将不同波段图像融合,会降低后续目标检测效果,为此提出融合图神经网络与局部熵的双波段红外图像目标检测方法。构建双波段红外图像的目标检测模型,模型建立时,利用单尺度的Retinex方法做图像融合前的增强处理,并通过增强结果对不同波段图像实施滤波处理,实现图像有效融合。再使用加权局部熵方法对融合图像展开处理,获取双波段红外融合图像的目标显著图像。利用卷积网络和图神经网络,通过目标显著图像学习训练提取目标特征,开展特征匹配,实现双波段红外图像目标的精准检测。实验结果表明:该方法在融合双波段红外图像时,保留信息量最大差值仅为5个,融合双波段红外图像能力较强;可有效利用局部熵抑制双波段红外图像内的干扰因素,同时检测双波段红外图像内目标数量为13个,与实际目标吻合,检测双波段红外图像目标精度较高,应用效果较为显著。

关键词： 掘进机   位姿测量   高精度定位   图像处理  

摘要： 为了提高掘进机在井下低能见度、狭小空间中的定位准确性,提出了一种基于可视化的掘进机井下高精度定位技术,建立了掘进机位姿测量系统,对靶标特征提取、图像分割技术等进行了研究,最后通过建立掘进机高精度定位模拟实验平台对该系统的实际定位精度进行了研究。结果表明,在50 m的测量范围内,该系统的轴向定位精度在100 mm以内,其角度定位精度在0.6°以内,满足井下掘进机自主定位精度要求。

关键词： 伪装目标检测   上下文信息   交叉细化   边缘感知  

摘要： 基于边缘感知的模型是伪装目标检测的主流方法之一,其核心是在早期阶段输出边缘预测,能更好地定位和分割伪装目标。而在伪装目标数据集中,由于伪装目标与背景环境有很高的视觉相似性,对早期的边缘预测质量要求很高,错误的前景预测会导致分割不完整,甚至缺失目标,进而造成伪装目标分割效果不佳。为了解决这一问题,提出了一种边缘-分割交叉引导网络ECGNet。利用ConvNeXt模型作为骨干网络,通过1×1卷积对特征通道进行统一处理,在多尺度上提取全局上下文信息。设计了一个分割诱导边缘融合模块和一个边缘感知引导完整性聚合模块交叉融合,关注伪装目标的整体结构,不断细化分割特征和边缘特征。通过引导残差通道注意模块利用这些连接和卷积更好地提取低层特征中的结构细节。在CAMO、COD10K以及NC4K数据集上的实验结果表明,ECGNet性能优于其他22个具有代表性的模型,比HitNet在S_(α)、E_(ϕ)、F^(ω)_(β)和M方面的性能平均提升了0.019、0.019、0.018和0.009。

关键词： 图像处理   烟支缺陷检测   深度学习   注意力机制   NWD损失函数  

摘要： 针对烟支生产过程中微小微弱缺陷(如刺破、黄斑、油渍、隐形夹沫等)检测难度大、对易混淆缺陷的区分能力不足的问题,提出一种改进的缺陷检测网络TCN-Net。融合三重注意力机制,在通道、高度和宽度3个维度进行特征增强,提高微小目标的检测能力,使刺破等缺陷的mAP@0.5提升2.4个百分点;设计一种特征聚焦扩散结构,优化高层语义与低层空间特征的融合,有效提高易混淆缺陷(如油渍、黄斑等)的区分能力,使其mAP@0.5分别提升2.8,1.9个百分点;采用归一化Wasserstein距离损失函数优化目标定位,提升小目标检测精度。试验结果表明,相较于基线模型YOLOv8,TCNNet的mAP@0.5提高5.4个百分点,综合性能优于SSD,YOLOv5和YOLOv7等主流检测算法。研究为烟草工业的缺陷检测提供更精准的解决方案。

关键词： 铁路隧道   目标检测   模型试验   超前支护小导管   可变形卷积   门控特征融合   模型轻量化  

摘要： 针对因隧道内部环境复杂和小导管形态变化导致的超前支护小导管难以自动识别的问题,本文提出一种联合可变形卷积与门控特征融合机制的超前支护小导管影像实时检测Transformer模型。该模型通过可变形卷积灵活地进行特征图采样,提升模型对于小导道形态变化的适应能力,建立多尺度门控特征融合机制,自适应筛选并融合各个尺度的特征,过滤冗余信息。此外,在主干特征提取网络中引入部分卷积(Partial Convolution,PConv),在保持识别精度的同时降低模型计算量,提升了检测速度。试验结果表明,本文模型在保持推理速度的情况下,平均精度和每张影像最多考虑10个检测结果时的平均召回率指标较基线模型分别提升1.3%和0.9%,证明了模型改进的有效性。

关键词： 遥感图像   目标检测   注意力机制   全局特征融合   锚框优化  

摘要： 针对遥感图像目标检测中复杂背景干扰、多尺度目标检测以及检测精度差的问题,提出一种基于改进YOLOv8的遥感图像目标检测算法CGF-YOLOv8。首先,将CPAM双重注意力模块嵌入特征提取网络之后,使模型提取的特征更充分,在处理复杂背景时更好地区分目标与非目标区域。其次,GFPN通过跨尺度特征融合的方式,将不同分辨率的特征信息有效地结合起来,使模型在处理多尺度目标时达到更高的检测准确性。最后,利用FIoU的锚框优化策略,通过赋予每个特征点不同的权重,在提升预测框与真实框匹配精度的同时,显著提高定位精度。在RSOD数据集上的测试结果表明,此方法的平均精度达到了98.6%,帧率FPS为每秒112帧。与原YOLOv8算法比,mAP提升了6.8%,帧率提升了12帧,达到了实时检测的效果。

关键词： 改进YOLOv8s   焊缝缺陷   目标检测  

摘要： 针对YOLOv8s模型在焊缝缺陷检测中误检、漏检以及特征提取、特征融合能力不足的问题,文章提出了YOLOv8s改进算法。该算法通过将原网络模型中的部分C2f模块升级为C2f-Triplet模块,增强了特征提取和融合能力;引入CARAFE上采样算子,提升了大范围特征信息的聚合;并将CIoU损失函数改进为Powerful-IoU,加快了收敛并提高了回归精度。实验结果表明在Weld ***8数据集上,改进YOLOv8s算法较原算法精度提高1.6百分点,平均精度均值提高2.6百分点,可以更加准确地检测出焊缝缺陷的类别和位置。

关键词： 火灾初期检测   YOLOv5s   轻量化   EMA注意力   目标检测  

摘要： 针对森林火灾初期检测领域中环境背景复杂、小目标火焰和烟雾纹理特征不明显、模型参数量大、实际部署计算资源受限的问题，提出基于改进YOLOv5s的轻量化森林火灾初期检测算法YOLO-VRG。首先，使用极简主义网络VanillaNet作为特征提取网络，以显著降低模型复杂度，实现高效特征提取；其次，设计了空间特征和特征通道重建注意力卷积RVBC3EMA模块，以减少空间和通道维度上的特征冗余，提高特征表达能力；最后，充分利用分组混洗卷积以进一步降低模型参数量和计算量。实验结果表明：YOLO-VRG模型相比于原始模型，mAP@0.5达到了87.6%，提升了3.2个百分点的同时，模型参数量减少了74.1%，GFLOPs降低了71.9%，仅有2.1M的参数量和4.5的GFLOPs，该算法在提高检测精度的同时大幅度减少了模型参数量，能更好的适用于计算资源受限的场景。