关键词： YOLOv8   算法   智慧农业   目标检测   轻量化网络   农作物病害  

摘要： 针对农作物病害识别存在算法参数量大、计算速度慢和现有公开数据集少等问题,文章提出了一种基于改进YOLOv8的目标检测算法。首先,创建了Mydataset农作物病害数据集,填补了算法模型在数据集方面的不足。其次,引入了快速神经网络(faster neural networks,FasterNet)轻量化网络模块,大幅减少了模型的参数量和计算量,使得算法更适应低计算能力的环境。同时,采用双向特征金字塔网络(bi-directional feature pyramid network,BiFPN)的特征融合结构,不仅提高了模型的特征融合效率,还进一步降低了参数量,进而显著提升了模型的检测精度和性能。此外,通过引入可变形大内核注意力机制(deformable large kernel attention,D-LKA Attention),扩大了模型的感受野,加强了全局特征的捕捉和局部特征的细化提取,实现了在降低参数量和FLOPs(floating point operations)的同时提高检测效果的目标。实验结果表明,在Mydataset、VOC-2007和Vehicles三组数据集上,与原始YOLOv8模型相比,YOLOv8-self在Mydataset数据集上,参数量下降了约20.3%,精准度提升0.04%,平均精度均值(mean average precision IOU=0.5~0.95,mAP@0.5:0.95)提升了3.7%,模型的处理帧速(frames per second,FPS)提升了4%。在VOC-2007和Vehicles数据集上的检测精度也有类似的提升。同时,实验结果也证明在对于文章提出常见的12种农业病害(豆角叶斑、大豆锈病、草莓角斑病、草莓果肉腐烂、草莓粉状叶霉病、草莓花枯萎病、草莓灰霉病、草莓叶斑、草莓白粉果、番茄病、番茄蜘蛛螨、番茄叶霉病)识别任务中,优化后的算法具有更简约、更精准以及更强的泛化性能,能够适应硬件设备条件较差的环境,更适用于农作物病害的检测任务。

关键词： 图像识别   深度学习   目标检测   YOLOv8   点胶  

摘要： 本文提出一种改进YOLOv8n的定制化结构件点胶区域检测算法。首先使用SPD-Conv取代原有卷积进行下采样,保留了特征图的多尺度信息;其次,使用DySample改进YOLOv8-neck中的上采样,避免了传统上采样方法中可能出现的模糊和失真问题;最后,使用Inner-SIoU作为边界框损失函数,有效提升了模型的边界框回归精度。模型改进完毕后,在自建的定制化结构件数据集上进行模型实验对比。实验结果表明,改进的YOLOv8n模型相较于原YOLOv8n模型在增加了1.4M的参数量后,精确度提升了4.4%,召回率提升了2.1%,mAP@0.5和mAP@0.5-0.95的值分别提升了3.7%和7.5%,为定制化结构件的点胶操作提供技术参考。

关键词： 橡胶分子   Hessian矩阵   橡胶结构   图像处理技术   橡胶材料   多元函数   电子显微镜   网络结构  

摘要： 横滨橡胶公司开发了一种新的图像处理技术,可以清晰地可视化橡胶材料内部的纳米级结构。该技术由筑波大学和日本科学技术振兴机构合作开发,将其应用于传统的电子显微镜图像,可清除噪音和不清晰的轮廓,清楚地捕获橡胶分子的网络结构。该技术的原理是基于橡胶材料构建内部结构模型,并将其与Hessian矩阵分析技术(一种用于多元函数敏感性分析的方法)相结合,共同实现高质量图像的橡胶结构。

关键词： 协同感知   3D目标检测   通信延迟   时空序列预测   注意力机制   特征融合  

摘要： 针对车辆协同感知3D目标检测在通信延迟条件下精度较低的问题,提出一种通信延迟下车辆协同感知的3D目标检测方法。设计时空预测模块,提取通信延迟车辆历史感知特征序列中的时空特征,以预测当前时刻的感知特征,基于预测特征构建感知融合模块,利用注意力机制动态融合感知特征,以降低预测误差影响,提高检测精度。该方法在OPV2V、V2XSet和V2V4Real数据集上进行实验,与Where2Comm、V2VNet等主流协同感知方法相比。实验结果表明,在所对比的方法中,Where2Comm在不同延迟下的3D目标检测平均精度最优,该方法相比Where2Comm在400 ms下的平均精度分别提高了5.9、3.9和1.5个百分点。

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： 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： 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： 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： 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： 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。