关键词： 无人机航拍图像   目标检测   结构重参数化   多维特征自适应融合   高分辨特征增强  

摘要： 无人机飞行高度的动态变化使得航拍图像中往往包含大量小目标,同时目标尺度变化显著,这些问题给目标检测任务带来了挑战.针对上述问题,提出一种基于多尺度融合和高分辨特征增强的无人机航拍目标检测方法.首先,在骨干网络中引入多尺度结构重参数化特征提取模块,利用普通卷积块和结构重参数化的大核卷积块对多个分支进行不同尺度的卷积运算,有效提取不同感受野下的特征信息;然后,在颈部网络中引入基于特征金字塔网络的多维特征自适应融合模块,以优化其自下而上的特征聚合过程,实现对浅层特征中的精细细节和深层特征中的上下文信息的自适应选择,从而更有效地应对目标尺度显著变化;最后,在颈部网络中引入多尺度特征融合小目标增强模块,以捕捉无人机航拍图像中小目标物体在不同尺度上的变化.通过在VisDrone2019和TinyPerson两个公开数据集上进行大量的实验,表明了所提出方法的有效性和优越性.

关键词： 雾霾数据集   数据集生成   去雾算法   目标检测   计算机视觉  

摘要： 高质量雾霾数据集是去雾算法研发的核心基础,但现有真实数据集受气象条件与采集成本限制,存在规模小、场景单一、物理参数缺失等问题;主流合成数据集因简化大气散射模型,常引发通道色偏、深度伪影、雾浓度失真等物理失真。本文提出一种物理驱动雾霾数据集合成算法,构建跨域目标检测数据集COCO-Haze。该方法通过单目深度非线性映射增强近景雾浓度梯度,结合多通道亮度分析及颜色均衡约束抑制色偏,并基于气象光学视程模型实现散射系数物理约束采样,平衡合成规模与物理一致性。实验表明,传统算法在跨域检测任务中表现良好;深度学习方法像素级指标接近传统方法,但检测性能显著下降,印证像素级复原质量与下游任务需求的分歧。

关键词： 合成孔径雷达   SAR图像舰船检测   目标检测   机器视觉   深度学习  

摘要： 为了充分发挥合成孔径雷达(synthetic aperture radar, SAR)在海洋监视、海防预警和海运管理等领域的重要作用,对SAR图像舰船检测技术的发展现状进行了研究。论述了传统舰船检测算法的优势和不足,归纳总结了深度学习舰船检测的主流方法,对当前检测算法存在的虚警率高、检测率低和检测速度慢等问题进行了探讨。通过对当前流行检测算法的分析,为下一步SAR图像舰船检测算法研究提供了思路。

关键词： 数字射线成像   环焊缝   缺陷检测   图像质量   图像处理  

摘要： 管道环焊缝数字射线成像(DR)检测应用中,焊接质量的检测与评定不仅取决于检测系统的硬件(如射线源、数字成像板等),还与质检人员的实操和评判经验有关,特别是在对缺陷进行评估的过程中,数字图像的后处理软件功能非常重要。基于长输管道环焊缝DR检测的行业标准要求,针对环焊缝检测图像的特点,研发了特定的图像处理系统,并提供各功能模块的详细解决方案。实际应用表明,该软件针对性和适用性强,可为长输管道环焊缝DR检测的评判提供方便、快捷的人机交互平台。

关键词： 切割方法   深度学习   目标检测   系统   图像预处理   动物皮  

摘要： 专利公开号:CN119799990A申请人:四川大学摘要:本发明公开了一种动物皮切割方法和系统,所述方法包括:获取平铺后的动物皮图像,对图像进行预处理;通过深度学习目标检测算法从预处理后的图像中获取动物皮轮廓和关键特征;根据关键特征确定切割路径;切割设备根据所述切割路径进行切割。

关键词： 水面漂浮物   目标检测   YOLOv8   感受野注意力   DSConv   Slide loss  

摘要： 水面漂浮物目标检测是保护水域生态环境的重要任务,光照和水质条件的影响会导致漏检率高、目标类别不准确等问题。为解决以上问题,本文提出了一种改进YOLOv8模型的水面漂浮物检测算法。首先,引入了感受野注意力机制(RFA),加强不同尺度特征提取能力;其次,使用分布移位卷积DSConv替换了C2f层的标准卷积,提高模型的运算速度;最后,使用了损失函数Slide loss,让模型更加关注难识别的物体。实验结果表明,改进后的算法精度mAP@0.5较YOLOv8原网络提升了3.3%,达到了85.1%,参数量增长不到1%。改进后算法具备较强的通用性和泛化能力,适用于不同光照和水质条件下的监测。

关键词： 管道巡检   目标识别   多学科交叉   实训教学   图像处理  

摘要： 针对工程训练实训教学项目功能单一、学科交叉融合不足等问题,以水下管道巡检为应用背景,融合机械设计、传感器技术、嵌入式控制与人工智能算法,自主设计了“水下管道巡检机器人”综合实训教学项目。项目基于STM32与Jetson Nano嵌入式计算平台,结合多模态传感器数据融合、图像处理与目标检测算法,具备水下管道巡检、附着物识别与清理、数据传输与处理等功能。相比传统实训项目,其具有多学科交叉、软硬结合、低成本及高适配性的特点。实践表明,任务驱动与问题导向的教学模式将硬件设计与人工智能技术有机结合,可有效提升学生的工程认知水平和工程实践能力,促进新工科背景下复合型人才的培养。

关键词： YOLOv11   车辆小目标检测   遮挡目标检测   特征融合  

摘要： 针对智能车辆复杂动态场景下车辆小目标和遮挡目标存在的检测困难及定位不准问题，提出了一种改进的YOLOv11的实时目标检测算法。首先，针对主干网络中因池化层特征丢失导致的小目识别困难的问题，在AIFI基础上提出了DSEAIFI替换了主干网络中的池化层。其次，为了改善颈部网络对特征的利用和融合能力，同时提高对遮挡目标的检测能力提出了MFFNeck网络，提高了模型对上下文特征的融合能力和适应性。最后，为进一步提高网络对复杂动态环境的适应能力，并且突出高级特征在特征图中的重要级别，在头部网络中融合了针对检测头设计LAAFPN网络。为验证所提出的算法性能，进行了仿真与实车实验，仿真结果表明在KITTI数据集上改进的算法mAP@0.5和mAP@0.5:0.95分别为91.1%和70.1%，与基础模型相比分别提高了2.1%和3.8%。实车实验结果表明所提算法的平均检测精度为92.7%，相较于基础模型提升了4.3%，并且具有较好的实时性。

关键词： 目标检测   深度学习   模型   行为识别   WCG-YOLO11n   奶牛  

摘要： 为解决养殖场圈舍内奶牛与环境背景颜色相似、奶牛受卧床和栏杆等物体遮挡以及同一个监控画面下奶牛多尺度等因素影响,易造成现有模型在提取奶牛关键行为信息时出现误检、漏检等问题,该研究提出了一种基于改进YOLO11n的复杂环境下多目标奶牛日常行为检测方法。首先,在复杂环境背景下采集奶牛站立、行走、躺卧和采食4种基本行为图像,构建多目标奶牛行为数据集。其次,提出改进的WCG-YOLO11n模型,利用小波卷积层(WTConv)模块重新设计C3k2模块的瓶颈(botteleneck)结构,扩大图像感受野,增强对复杂背景上下文信息的特征提取能力。将级联分组注意力机制(cascaded group attention,CGA)融合至C2PSA模块,加强模型对遮挡奶牛区域特征的提取。在特征融合阶段利用重参数化泛化特征金字塔网络(efficient reparameterized generalized-FPN,Efficient RepGFPN)作为颈部网络,使其能够有效捕捉到奶牛行为图像中不同尺度的特征。最后,对改进模型WCG-YOLO11n在复杂环境下进行对比试验,结果表明,WCG-YOLO11n对多目标奶牛日常行为检测平均精度均值为95.3%,相比基线模型YOLO11n提高了2.2个百分点,与Faster R-CNN、DETR、YOLOv5s、YOLOv7、YOLOv8n和YOLOv9模型相比分别提高2.7、2.1、1.3、2.9、2.4和0.6个百分点。该模型在检测精度方面表现突出,能够有效应对不同程度的遮挡干扰,可为规模化养殖场饲养员监测奶牛行为提供一定的技术支持。

关键词： 自适应阈值   非极大值抑制   目标检测   空洞卷积   注意力机制  

摘要： 为进一步解决目标漏检和重复检测等问题,提升目标检测的性能,提出一种基于特征增强与自适应阈值的非极大值抑制(NMS)目标检测算法。将注意力引导的多尺度上下文模块(AMCM)用于检测器颈部,在利用空洞卷积提升特征语义信息的基础上,通过注意力捕获跨通道位置信息,增强网络的特征表达能力;通过基于目标密度的自适应阈值NMS(ADT-NMS),针对不同场景的实例应用动态抑制阈值,降低目标的误检率。所提算法在PASCAL VOC数据集上误检率为13.7%,相比基准算法YOLOv4降低了1%,检测精度、召回率分别达到83.7%、96.6%,分别提高了1.7%、0.9%;在KITTI数据集上误检率为22.1%,相比基准算法降低了1.3%,检测精度、召回率分别达到83.6%、91.8%,分别提高了1.8%、2.3%。实验结果表明:所提算法较好地解决了目标漏检和重复检测问题。