关键词： 计算机视觉   人脸表情识别   深度可分离卷积   通道注意力机制  

摘要： 提出深度非对称可分离卷积在网络结构不变的情况下,有效地降低了网络的参数。为了提高人脸表情的识别准确率,提出了改进通道注意力机制,通过指数函数增大不同通道特征图之间的差异,更突出关键特征。在Fer2013数据集上的实验表明,验证了文中提出的深度非对称可分离卷积和改进通道注意力机制的有效性。

关键词： 轻量化   YOLOv8   安全帽   反光衣   目标检测   施工安全  

摘要： 为了解决施工环境中现有安全帽和反光衣检测算法参数量和计算量大、检测精度低以及模型较大难以高效部署等问题,提出改进CCEI-YOLOv8轻量化检测算法。在骨干网络和颈部网络中采用C2f-CIB模块;重构颈部网络,形成跨尺度特征融合模块(CCFM);引入EMA坐标注意力机制;将CIoU替换为Inner-EIoU,提高回归定位精确度。以Roboflow开源安全帽和反光衣数据集为基础,验证改进方法的有效性。实验结果表明,CCEI-YOLOv8检测算法相较于原始YOLOv8n,参数量降低了48.3%、计算量下降了32.1%、平均检测精度均值mAP@50提高了0.5%,达到了91.7%,模型仅为3.442 MB,减少了45%。CCEI-YOLOv8检测算法在检测性能和轻量化方面均优于原始YOLOv8n检测算法和其他主流的目标检测算法,更适用于项目的实时检测和部署,为安全帽和反光衣的实时检测提供参考。

关键词： RT-DETR   目标检测   双轮车头盔   损失函数  

摘要： 针对双轮车头盔检测算法中出现的密集目标,远景小目标等复杂场景下的漏检、误检和检测准确率低的现象,以RT-DETR-r18为基础,提出一种改进的RT-DETR双轮车头盔检测算法。设计了二重跨阶段的多尺度特征融合模块(DcspBlock),将多核初始化模块(PKIBlock)融入到跨阶段模块中,在降低模型参数量的同时,有效增强了网络对远近场景中不同尺度目标的捕获能力;引入了小目标检测模块Decoderhead-p2,有效增强了模型对小型目标的检测准确性;为了缓解复杂检测场景出现的正负样本不平衡以及边界框定位不准确问题,使用改进的损失函数MPD_Focaler-IOU替换原模型的GIOU,通过设置阈值参数来改进IOU的计算方式,从而减少正负样本不平衡对模型性能的影响,引入最小垂直距离的计算方式,使得边界框在精细定位上有着更好的表现。实验表明,在TSHW数据集上,改进的RT-DETR相较于原模型,平均精度均值(mAP)mAP@0.5提升了3.6%,参数量降低了17.6%,同时保持较小的计算量,说明改进的模型可以有效提升复杂场景中对双轮车头盔检测的性能。

关键词： YOLO_v3模型   计算机视觉   锂电池缺陷检测   目标检测  

摘要： 针对人工进行锂电池表面缺陷检测受主观影响大、稳定性较差的现状,提出一种基于实时目标检测YOLO_v3算法的锂电池表面缺陷检测方法。利用既有小目标检测模型,使用自行采集的锂电池表面缺陷数据集进行训练并测试,证明了YOLO_v3的检测准确率相对较高且速度快。结合锂电池表面缺陷检测问题对模型进行调整,通过消融法减少卷积层的数量,将Leaky ReLU激活函数替换为Mish激活函数,使用K-means聚类方法对先验框数值进行优化计算,进而将调整后的模型使用锂电池表面缺陷数据集进行训练与测试实验。结果表明,该模型检测锂电池表面较明显缺陷的准确率均在90%以上。本研究工作为应用计算机视觉技术实现锂电池表面缺陷自动检测进行了有益探索。

关键词： YOLOv8   DeepSORT   目标检测   跌倒检测  

摘要： 儿童跌倒/坠伤在儿童伤害原因中居前列,而现有跌倒检测模型多针对老年人。本文聚焦儿童跌倒检测问题,采用基于YOLOv8-FD结合DeepSORT多目标追踪算法的模型,在C2f模块引入深度可分离卷积优化特征提取并减负,使用加权交叉熵损失函数提高鲁棒性。结果显示,与传统YOLOv8模型相比,改进后模型跌倒检测准确性提高,能满足多数场景儿童精细化保护需求。该模型可为儿童监护提供有效技术支持,有助于推动儿童跌倒检测技术发展,提高儿童安全保障水平。

关键词： YOLOv5   深度学习   目标检测   异常舌   舌诊  

摘要： 针对传统中医舌诊视觉诊断存在主观性强且耗费精力的问题,提出一种基于改进YOLOv5的舌面齿痕和裂纹特征自动检测模型:该模型在YOLOv5模型的骨干网络中引入SimAM-CSP模块以增强网络的特征提取能力;在瓶颈层和预测部分之间加入瓶颈注意力模块,进一步聚焦关键信息;通过调整YOLOv5的特征融合结构,增加对图像细节的感知能力,提高网络性能;将定位损失函数GIoU替换为EIoU,提升模型的训练收敛速度和预测回归精度;利用K-Means聚类算法对YOLOv5的初始锚框进行调整,使算法更加契合舌面齿痕和裂纹特征检测;将改进后的YOLOv5模型在自制舌象数据集中进行训练,得到的平均检测精度(mAP)为79.5%,较原算法提升了6.3个百分点。实验结果表明改进YOLOv5模型能够有效提高舌面齿痕和裂纹特征检测精度,有助于辅助医生诊断。

关键词： 数据增强   生成对抗网络   卷积神经网络   小目标检测   可控虚警  

摘要： 由于海面存在大量背景杂波,以及目标的多样性,海面小目标检测一直是一个具有挑战性的问题。近年来,基于深度学习的海面小目标检测逐渐流行,具有较好的性能。然而,这类方法严重依赖于训练样本的数量和质量,通常情况下,目标样本数量远少于海杂波样本数量,这会给训练带来困难同时降低检测性能。基于此,文中提出了一种基于目标数据增强的海面小目标检测方法。通过对目标的时频特征进行分析,基于生成对抗网络(GAN)生成相似的特征分布样本,从而扩展目标数据集,缩小目标样本和海杂波样本之间的数量差距,使更多的目标信息被用于检测器的训练过程中,以提高检测器性能。在IPIX数据集上的实验结果表明该方法可以获得更好的检测性能,及所提出的检测器可以实现虚警率的控制。

关键词： 视频图像   显著性目标检测   边界引导   多尺度特征   特征聚合  

摘要： 目的视频显著目标检测的目的是识别和突出显示视频中的重要对象或区域。现有的方法在挖掘边界线索和时空特征之间的相关性方面存在不足,并且在特征聚合过程中未能充分考虑相关的上下文信息,导致检测结果不够精确。因此提出了多特征聚合的边界引导网络,进行显著目标边界信息和显著目标时空信息之间的互补协作。方法首先,提取视频帧显著目标的空间和运动特征,在不同分辨率下将显著目标边界特征与显著目标时空特征耦合,突出运动目标边界的特征,更准确地定位视频显著目标;其次,采用了多层特征注意聚合模块以提高不同特征的表征能力,使得各相异特征得以充分利用;同时在训练阶段采用混合损失来帮助网络学习,以更加准确地分割出运动目标显著的边界区域,获得期望的显著目标。结果实验在4个数据集上与现有的5种方法进行了比较,所提方法在4个数据集上的F-measure值均优于对比方法。在DAVIS(densely annotated video segmentation)数据集上,与性能次优的模型相比,F-measure值提高了0.2%,S-measure值略低于最优值0.7%;在FBMS(Freiburg-Berkeley motion segmentation)数据集上,F-measure值比次优值提高了0.9%;在ViSal数据集上,平均绝对误差(mean absolute error,MAE)值仅低于最优方法STVS(spatial temporal video salient)0.1%,F-measure值比STVS提高了0.2%;在MCL据集上,所提方法实现了最优的MAE值2.2%,S-measure值和F-measure值比次优方法SSAV(saliency-shift aware VSOD)分别提高了1.6%和0.6%。结论提出的方法能够有效提升检测出的视频显著目标的边界质量。

关键词： 球团矿生产   圆盘造球机   卷积神经网络   图像处理   YOLO算法   深度学习   球团粒度   模型  

摘要： 在中国全力推进绿色低碳冶金的大背景下,钢铁工业正面临转型挑战与绿色发展要求,这迫切需要对高炉炉料结构进行深度调整与优化,以实现节能降碳与污染减排的双重目标。在现代冶金生产中,球团矿对比烧结矿,其自身生产的节能减排更优,对球团矿质量和数量的准确检测至关重要。在钢铁制造企业中,操作人员依赖筛分检测等经验手段来评估球团矿的粒径状态,测量时间长、准确率低。采用全自动化的监测与测量系统对球团矿粒径进行优化管理显得尤为迫切和重要。提出YOLOv5+U-Net结合的算法,与Deeplabv3+以及FCN神经网络模型进行对比试验,得出3种算法各自的优点和局限性。Deeplabv3+算法采用无卷积内核和基于无卷积的空间金字塔池(ASPP)架构,较大和较小采样率的空洞卷积可以捕捉球团整体和细节部分。FCN算法对图像中的噪声、变形和环境光变化等具有一定的鲁棒性,通过学习到的特征来克服干扰因素,准确地进行分割。YOLO算法经过多年的迭代和发展,将目标检测转化为回归问题并且引入归一化,检测精度进一步提高。验证了YOLOv5+U-Net神经网络模型在计算机深度学习、图像处理技术对球团粒径进行检测识别的方案。在检测生球粒径试验中,准确率达到97%以上,召回率达到66.8%。基于本文所提出的球团检测方法在工业自动化和质量控制等领域具有广阔的应用空间,为球团检测技术的发展提供了新的思路和方法。

关键词： 砂质黏土   干缩裂隙   生态纤维   图像处理  

摘要： 砂质黏土保水性较弱,在蒸发作用下容易发生显著的干缩裂隙,加剧了其边坡的降水入渗,容易导致失稳。为了研究不同生态纤维对砂质黏土干缩裂隙的抑制作用,通过图像处理技术,分别对黄麻纤维、稻杆纤维改良作用下砂质黏土的水分蒸发、表面裂隙发展、演变和结构形态进行定量分析。研究结果表明:生态纤维与土颗粒有较强的黏结性,可通过延缓土体水分蒸发和加筋作用,有效抑制砂质黏土的干缩裂隙,且随着纤维掺量的增加,抑制干缩裂隙的效果增强;在0.6%(质量分数)的掺量下,黄麻纤维和稻杆纤维的改良效果最为显著,裂隙率分别下降了30.6%和23.8%,平均裂隙宽度分别下降了66.64%和70.86%。黄麻纤维、稻杆纤维的改良方法,为砂质黏土填筑工程的干缩裂隙治理提供了新思路和理论依据。