关键词： YOLO   目标检测   CGLU   CATM   水果成熟度检测  

摘要： 针对水果成熟度检测中存在的精度不足、复杂背景下识别难度大,传统方法在特征提取上表现出明显的局限性等问题,为此,提出了一种基于改进YOLOv11的水果成熟度检测算法(AGLU-YOLOv11),以满足水果成熟度检测中对数据高效、可靠采集的需求。AGLU-YOLOv11通过优化YOLOv11主干网络中的C3k2模块,融合CATM(Conv Additive Self-Attention)与CGLU(Convolutional Gated Linear Unit)设计了C3k2_AddBlock_CGLU模块,显著提升特征提取能力及多品种、多阶段成熟度果实的适应性。同时,在特征融合阶段引入AFCA注意力机制,强化全局特征表达及复杂背景的适应性,实现高效水果质量检测与标注。实验结果表明,AGLU-YOLOv11在Precision、Recall、mAP@0.5和mAP@0.5:0.95指标上相比其他检测模型,在精度、鲁棒性和多尺度目标适应性上表现更优,能够更好地满足识别水果成熟度的需求。

关键词： YOLOv5   目标检测   超声测温   超声信号提取  

摘要： 针对测量超声波飞行时间时利用互相关算法在噪声形式复杂的情况下会出现波形选取不易导致时延计算错误的问题,提出一种基于YOLOv5的超声波特征信号检测方法,引入互相关算法完成对超声特征信号时延值的计算,完成传感器的标定。训练结果表明,精确率为0.993,mAP@0.5为0.990,mAP@0.5:0.95为0.796。

关键词： 小样本学习   目标检测   元学习   特征耦合   特征融合   任务解耦  

摘要： 在当前基于元学习的小样本目标检测方法中,查询图像和支持图像的特征提取过程往往在进行最终特征融合之前是独立进行的,缺乏有效的信息交互,这导致查询特征的代表性信息不足,尤其在样本极度有限的情况下更为显著。为解决这一问题,提出了一种基于特征耦合注意力机制的小样本目标检测方法(FC-FSOD)。FC-FSOD以Faster-RCNN作为基础网络架构,并在此基础上进行了创新。首先,设计了特征增强耦合模块,该模块增强了支持特征,使其成为更具代表性的支持原型;其次,通过注意力机制将原型与查询特征进行耦合,赋予查询特征以特定于支持特征的感知信息;再次,综合考虑查询图像的ROI特征与类级原型之间的差异性和相似性,设计了一种更为鲁棒的特征融合策略;最后,对分类和回归任务进行了解耦处理,消除了全局平均池化对回归预测的负面影响。在PASCAL VOC和MS COCO这两个公开数据集上的实验结果表明,该方法在多种小样本场景中的检测精度均有明显提升。

关键词： 图像处理   轻量化   幽灵瓶颈模块   C2f-全局注意力模块   多尺度特征融合   可变形卷积   YOLOv7-tiny网络模型  

摘要： 为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题,对你只看一次(YOLO)网络YOLOv7-tiny进行改进,提出一种新的YOLOv7-ghost网络模型。针对模型参数量大的问题,引入幽灵瓶颈(GB)代替部分池化操作和高效层聚合网络(ELAN),大幅度降低模型参数量;构建了一个全新的高性能轻量化模块(即C2f-全局注意力模块),综合考虑全局和局部特征信息,更好地捕捉节点的上下文信息;然后引入快速空间金字塔池化和幽灵瓶颈(SPPF-GB)模块,对特征进行重组和压缩,以融合不同尺度的特征信息、增强特征的表达能力;最后在头部引入可变形卷积(DCN),增强感受野的表达能力,以捕获目标周围更细粒度的目标结构和背景信息。结果表明,改进后的模型参数量下降了20.33%,模型大小下降了18.70%,平均精度mAP@0.50和mAP@0.50~0.95分别提升了1.2%和3.3%。该网络模型在保证轻量化的同时,检测精度得到了大幅度的提升,更利于室内场景目标检测算法实际应用的部署。

关键词： 目标检测   无人机航拍   YOLOv5   模型轻量化   动态卷积   解耦检测头   Focal⁃EIoU损失函数   特征提取  

摘要： 为了提升无人机航拍影像目标检测的准确率,并实现模型的轻量化,文中对YOLOv5目标检测模型进行了多方面的改进。首先,对YOLOv5的骨干网络进行了优化重组,采用更高效的动态卷积结构和多通道并行处理策略增强特征提取能力和检测精度,并显著减少模型参数量;其次,改进了损失函数,引入Focal⁃EIoU损失函数,更适合无人机航拍图像的特点,进一步提升了模型的检测精度;此外,将原本耦合的检测头进行了解耦处理,设计了轻量级解耦头,使分类、回归和置信度任务解耦处理,提高了检测精度和收敛速度,并合理控制了模型参数量。实验结果表明,改进后的DEP⁃YOLO模型在mAP@0.5指标上提升了9.6%,同时模型大小和参数量分别降低了77.93%和83.82%。综上所述,文中提出的综合改进策略显著提升了无人机航拍影像目标检测的精度,并实现了模型的轻量化,验证了其在航拍影像目标检测领域的有效性。

关键词： 水下目标检测   轻量化网络   门控卷积   Transformer  

摘要： 针对水下目标检测算法图像特征处理困难、模型结构冗余以及参数量庞大等问题,提出一种基于轻量化门控卷积网络的实时Transformer水下目标检测方法。该方法首先基于门控思想构建卷积门控线性单元,动态调节特征的传递,并以此为基础提出门控通道交互模块,该模块通过完全解耦token mixer(词元混合器)和channelmixer(通道混合器),并针对tokenmixer部分引入结构重新参数化技术,极大降低了模型在推理过程中的计算成本。混合编码器针对门控骨干网络提取的3个特征分别进行尺度内信息交互和多尺度特征融合,实现浅层高频率信息和深层语义空间信息之间的高度融合。文中模型在多个不同模态数据集上进行了大量实验,实验结果显示,模型的mAP@0.5达到了0.849,整体参数量为23.3×10^(6),检测帧率为136.8。该模型在保持优秀检测精度的同时,实现了较小的模型参数量和较高的检测速度,整体性能优于其他模型。结果表明,与一系列优秀的目标检测模型相比,文中模型具备较高的检测性能和高效的实时检测能力。

关键词： 小样本目标检测   深度学习   数据增强   样本生成  

摘要： 利用生成模型为小样本目标检测提供额外样本是解决样本稀缺问题的方法之一。现有生成额外样本的方法,多关注于生成样本的多样性,而忽略了生成样本的质量和代表性。为解决这一问题,该文提出了一个新的基于数据生成的小样本目标检测框架FQRS。首先,构造类间条件控制模块使得数据生成器能够学习不同类别间的关系,利用基类和新类的类间关系信息辅助模型估计新类的分布,从而提高生成样本的质量。其次,设计类内条件控制模块,利用交并比(IOU)信息限制生成样本在特征空间的位置,通过控制生成的样本更聚集于类别的中心,确保它们能够捕捉对应类别的关键特征,从而提高生成样本的代表性。在PASCAL VOC和MS COCO数据集上进行测试,在不同小样本条件下,该文提出的模型均超过当前最好的两阶段微调目标检测模型—解耦的更快区域卷积神经网络(DeFRCN)。实验验证了该文方法在小样本目标检测上具有出色的检测效果。

关键词： 计算机视觉技术   造纸   质量控制  

摘要： 随着科技的迅速发展,尤其是计算机视觉技术的不断进步,各行各业的生产和质量控制模式正在经历着深刻的变革。在造纸行业,传统的生产方式和质量检测手段已经难以满足现代大规模工业化生产对精度、效率和实时性方面的高要求。计算机视觉技术凭借其在图像处理、模式识别和数据分析等方面的优势,已被广泛应用于多个行业,尤其是在生产质量控制中表现出巨大的潜力。通过高精度的视觉识别系统,能够实时监测生产过程,自动识别出各种质量问题,为企业提供及时的数据支持,优化生产过程,减少人为干扰。因此,就计算机视觉技术在造纸产品质量控制中的应用展开讨论,具体分析了其在纸张表面缺陷检测、厚度与密度的自动检测、自动分类与缺陷识别等方面的应用情况,并探索了其在提升质量控制精度、降低生产成本、提高生产效率等方面的实际效益。

关键词： 计算机视觉   Dijkstra算法   路径规划   应急疏散  

摘要： 为提高人员室内疏散效率,实现疏散最优路径规划的高效化和智能化,该文开展了基于Dijkstra算法的室内疏散最优路径规划模型的研究。首先,基于计算机视觉技术和单目视觉方法,获取了建筑监控视频中的人群数量和人流速度信息。接着,基于IFC(industry foundation classes)标准提取建筑空间信息,构建了符合疏散需求的路径网络,并提出了设置预测边的摄像监控网络布局方法。然后,提出了计算剩余预测边的人流速度的方法,规定了导航路网中边权的计算方法。最后,利用Dijkstra算法得到各个节点到终点的用时最短的路径。利用自建行人数据库开展测试实验,实验结果表明,该模型可在每一个决策节点处动态显示当前最优路径方向。通过上述研究,验证了基于Dijkstra算法的室内疏散最优路径规划模型在提高疏散效率与安全性方面的可行性,为应对复杂室内疏散场景提供了理论基础和技术支持。

关键词： 坐标注意力机制   特征融合   YOLOv5网络   红外图像   无人机目标   目标检测  

摘要： 为解决无人机带来的安全隐患与隐私侵犯等问题,提出选择性坐标注意力下红外图像无人机目标检测方法。基于选择性坐标注意力机制,通过非对称卷积核在不同方向上捕捉不同尺度和形状的特征,将无人机特征的行列位置信息进行编码,动态地调整不同位置特征的权重,强化关键区域的特征表示。将多个红外图像输入YOLOv5网络中进行训练和处理后,在主干网络中经卷积操作后嵌入选择性坐标注意力机制,实现红外图像无人机目标特征精确提取。采用GIoU作为损失函数,优化预测框的位置和大小,实现红外图像无人机目标精准检测。实验结果表明:该方法对大小不同的无人机目标均能实现准确且快速的定位与检测,能够保持较高的检测精度。