关键词： 目标检测   YOLOv8n   ShuffleNetv2   异物识别   轻量化  

摘要： 目前矿井下输送带图像存在昏暗环境清晰度差、图像噪点等问题,现有检测算法模型存在复杂度高、漏检和错检、精度不足等问题。基于上述问题,提出一种改进YOLOv8模型。使用轻量级ShuffleNetv2作为头部网络减少模型参数量,并构建多尺度组合注意力机制(multi-scale composite attention module,MSCAM)来增强特征提取能力,以降低漏检率和错检率;针对现有模型对长条状异物准确率低的问题,在C2f模块中使用动态可变形卷积(DDConv)的思想,使模型更容易提取长条状异物结构特征;使用具有角度损失的SIoU新型损失函数,提升模型训练能力和推理性能。在MTBID数据集进行验证,实验结果表明:改进模型的mAP@0.5可达0.893,mAP@0.5:0.95可达0.663,参数量相较于YOLOv8n减少了27.6%。

关键词： 探地雷达   改进YOLOv8   松散病害   深度学习   目标检测  

摘要： 针对目前复杂环境下探地雷达对路面松散病害的检测精度差、速度低等问题,提出了一种基于改进YOLOv8算法(YOLOv8-DN)的松散病害识别方法。所提方法针对性设计了DN模块替代C2f模块,该模块结合动态形变卷积模块和多尺度特征融合模块,使用动态形变卷积核的感受野以适应病害特征的形态复杂性,并利用多尺度特征融合路径提升模型对细小和模糊病害区域的捕捉能力。将原结构中的C2f模块替换为DN模块后,改进的YOLOv8-DN算法显著增强了对复杂病害的识别能力,且有效减少了计算开销。实验结果表明:相比原始YOLOv8算法,改进算法的mAP提升了5.29百分点,漏检率降低了5.2百分点,推理速度提高了4.9帧/ms,且检测掩膜区域的完整性和准确性显著提高,证明了该算法的有效性和可行性,也为沥青路面半刚性基层松散病害的快速、精准检测提供了一种新的方法。

关键词： 育肥猪群体   体重估测   图像处理   实例分割   机器学习   特征提取  

摘要： 针对规模化育肥猪生产养殖,传统的猪只称重方法存在自动化水平低、效率低、费时费力、易造成猪只应激等问题,提出一种基于实例分割与机器学习相结合的非接触式育肥猪群体体重估测方法。使用Mask R-CNN和Mask2former两种不同的实例分割算法获取群猪的掩膜轮廓,并进行效果对比。Mask R-CNN和Mask2former的分割精度分别为93.86%、98.98%,最终选择Mask2former实例分割模型。结合群猪分割掩膜的图像信息,提取掩膜图像的相关特征参数作为模型的数据输入,采用不同的算法构建多种体重估测模型并进行比较。结果表明,随机森林估测模型的效果最好,其决定系数R2为0.94,平均绝对误差为7.92 kg,平均相对误差为2.58%。基于实例分割与机器学习的非接触式育肥猪群体体重估测研究方法可以较好地预测体重,为实现群猪自动称重提供技术与理论支持。

关键词： 弱监督目标检测   多实例学习   细化知识蒸馏   自适应监督聚合函数   高效多尺度注意力  

摘要： 多实例学习(MIL)是弱监督目标检测的一种基本方法,针对其只关注得分最高的提案,而忽略其他提案的潜在有用信息的问题,提出一种端到端实例优化框架,首先对在线实例分类器细化(OICR)提出一个额外的细化步骤--细化知识蒸馏,并设计自适应监督聚合函数,动态调整聚合准则,以精准匹配背景和被忽略区域,同时融入高效多尺度注意力(EMA)模块,优化核心网络特征处理,均衡空间语义分布,提升计算效率与模型精度。在PASCAL VOC 2007、2012数据集上的实验结果显示:该方法能够更加完整地捕获目标区域,识别更多被忽略的对象,验证了其有效性。

关键词： 肉牛产业   计算机视觉   三维重建   体尺测量   肉牛定价   鸿蒙系统  

摘要： 肉牛交易中快速准确的定价是保障养殖户收入的关键环节。随着人工智能技术的发展,视觉算法在肉牛养殖过程中快速普及。本研究旨在解决肉牛交易中定价不准确、效率低下和透明度不足的问题,以保护养殖户的权益。文中提出了一种通过视觉算法对肉牛进行三维重建,结合视觉体尺测量来预测肉牛体重并给出定价的方法。利用先进的图像采集和处理技术,获取肉牛的多维度数据,通过算法模型进行分析和计算。系统能够快速、准确地完成肉牛的体尺测量和体重预测,进而实现合理定价。在实际测试中,该系统展现出了高效性和准确性,大幅缩短了测量和定价的时间,减少了人为误差。此系统显著提高了肉牛交易的效率和透明度,具有良好的应用前景和较大的市场价值。为肉牛养殖和交易行业提供了具有创新性的解决方案,有望推动行业的规范化和现代化发展。同时,也为相关技术在农业领域的进一步应用提供了有益的参考和借鉴。

关键词： 缺陷检测   目标检测   特征提取   多尺度特征融合  

摘要： 提出一种基于深度学习技术的发动机钢管内壁缺陷检测方法,旨在提高检测的准确性和效率。传统的检测手段依赖人工观察,容易受主观和环境因素影响,准确性有限。针对这些局限性,设计了一种改进的网络结构,结合ConvNeXt V2主干网络和AFPN(Adaptive Feature Pooling Network)颈部,以增强特征提取和多尺度目标检测的能力。ConvNeXt V2作为主干网络,采用创新的卷积结构和全局响应归一化(GRN)技术,有效提升了特征表达能力,同时降低了计算复杂度。GRN技术通过聚合和归一化操作,增强了通道间的对比度和选择性,防止了特征崩溃现象,提高了特征的多样性。AFPN颈部则利用自适应特征池化技术整合不同尺度的特征图,增强了模型对多尺度目标的检测能力,尤其对复杂场景中缺陷的识别至关重要。改进的网络结构通过特征融合技术,提高了模型对不同类型缺陷特征的敏感度。结果表明,使用改进后的网络mAP50%提高了8.9%。

关键词： 混合式学习   Photoshop图像处理   环境艺术设计   项目化课程   课程设计  

摘要： 在高职院校环境艺术设计专业(景观方向)课程体系中,Photoshop图像处理课程是一门实践操作和艺术表现极强的专业基础课,对学生的专业发展颇为重要。立足高职环境艺术设计专业(景观方向)Photoshop图像处理课程当前存在的问题,基于混合式学习的引领,开展Photoshop图像处理课程改革与实践,旨在提升学生运用Photoshop软件进行园林景观项目设计的综合表现能力,营造“线上线下多维融合”的课堂教学,助力环境艺术设计专业(景观方向)高技能型人才的培养。

关键词： 无人机   目标检测   YOLOv10   轻量化   损失函数  

摘要： 【目的】针对无人机(UAV)航拍图像中复杂背景下多尺度目标检测挑战,文章提出了一种基于YOLOv10模型改进的轻量化检测模型,以提升UAV在复杂背景下多尺度目标的检测性能。【方法】在YOLOv10模型的基础上,文章首先引入了多通道逆残差模块(MCIR),该模块通过利用多通道处理策略与逆残差(IR)结构,提升了模型在复杂背景中对多尺度目标的特征提取和融合能力;其次,文章在跨阶段部分(CSP)双卷积瓶颈层(C2f)基础上引入了卷积块注意力模块(CBAM)注意力机制得到C2f-CM,增强了复杂背景中对特征目标的定位能力;随后,文章基于MCIR和C2f-CM对YOLOv10模型的骨干网络(Backbone)和颈部网络(Neck)进行了轻量化处理,主要是在Backbone中减少下采样次数以保留更多的特征信息,在Neck中通过优化上采样和特征拼接操作,减少网络层数和复杂度,进一步降低计算开销;最后,文章将原损失函数优化为FocalEIOU,能够更精准地匹配预测框和真实框,并有效解决数据集中样本不平衡问题。【结果】实验结果表明,改进后的轻量化目标检测(LED)-YOLOv10模型相较于原始YOLOv10模型,在mAP50(平均精度)上提升了9.8%,达到了44.5%;参数量和模型大小分别减少了65.68%和51.60%,降至0.927 MB和2.700 MB。消融实验进一步验证了改进模块MCIR、C2f-CM和Focal-EIOU的有效性,显示其在提升检测精度的同时,显著降低了模型的复杂度。对比实验结果表明,LED-YOLOv10在复杂背景下的多尺度场景中综合表现最优,检测精度和模型大小均优于其他目标检测算法,检测速度也能够满足实时检测的需求。在嵌入式设备Jetson Nano中对该轻量级模型的综合性能评估也进一步表明,LED-YOLOv10更适合在资源受限的嵌入式平台部署使用。【结论】文章提出的LED-YOLOv10模型,显著提升了UAV航拍图像中复杂背景下多尺度目标检测的精度,并大幅度减少了模型参数量和大小。实验结果和检测效果也验证了文章所提方法在复杂背景下多尺度目标检测中的优越性,为UAV目标检测提供了一种高效、轻量的解决方案。

关键词： 辣椒病害   目标检测   图像处理   YOLOv5n  

摘要： 为实现辣椒病害的精准高效识别,提出一种基于改进YOLOv5n的辣椒病害检测模型。首先,替换主干网络为FasterNet网络,这样不仅通过局部卷积PConv减少冗余计算,而且还能有效提取特征,以增强模型对重要特征的表达能力。其次,结合运用ELAN思想的C2f模块和Res2Net结构,提出C2f-Res2模块,对输入图像进行更深粒度层次上的多尺度特征融合,进一步加强网络的特征提取能力。最后,使用WIoU损失函数对原损失函数CIoU进行替换,提高锚框的质量。结果表明,基于改进YOLOv5n辣椒病害检测模型的平均精度均值mAP为89.2%,检测速度为94.2帧/s。相比于YOLOv5n模型,其mAP提升5%,精确率和召回率分别提升4%、5.9%。该模型有效减少辣椒病害检测中的错检漏检情况,可以更高效地对辣椒病害进行识别定位。

关键词： 智能仪表检测   透视变换优化   YOLOv11 AngleTracker   差值损失  

摘要： 针对指针式仪表读数自动识别传统算法的检测速度慢、精度低等问题,提出了一种基于旋转目标检测与YOLOv11架构改进的角度跟踪(AngleTracker)实时识别架构:首先,设计一种基于仪表盘距中心点距离及仪表盘大小进行自适应优化透视变换算法,完成对仪表的视线矫正;其次,提出基于CenterTrack策略的YOLOv11角度检测框架,通过相邻帧的角度差值作为预测值来降低长短边回归带来的误差;再次,消除角度交互性因素以解决原始算法存在的测量错误问题,同时克服YOLOv11回归角度预测限制的难题。实验结果表明,改进后的算法在指针常规识别上可以提升1.5%准确性,小目标指针识别上提升2.5%准确性,高精度仪表角度预测误差值跳变不超过0.01,常规检测不超过0.004,具有较强的工程意义。