关键词： 红外多目标跟踪   稀疏多假设匹配   伪深度信息   层自适应幅度剪枝  

摘要： 伴随海洋经济的不断发展,目标跟踪作为海洋安全的重要部分,需要兼顾高实时性与高准确性。针对多目标跟踪过程中常出现模糊匹配错误以及深度学习目标检测器推理速度慢的问题,提出了一种基于稀疏多假设匹配的轻量化红外多目标跟踪算法。首先,从定量角度分析费用矩阵的匹配过程,结合深度级联匹配算法与多假设跟踪算法,设计并实现了稀疏多假设匹配算法,在稀疏化费用矩阵、减少匹配过程计算量的同时,提高了费用矩阵匹配精度;其次,针对深度学习模型参数多、存在冗余参数的问题,采用层自适应剪枝算法对YOLOv8s模型进行剪枝,在不牺牲模型准确度的同时,减少模型的参数量与浮点运算量,使得YOLOv8s模型能够在更广泛的场景下部署。在视频序列跟踪实验中,MOTA指标较其他算法提高了0.2%~1.2%,证明稀疏多假设匹配算法提升了目标跟踪效果;在剪枝实验中,相比于原模型,剪枝后的YOLOv8s模型的平均精度(mAP@50)提升了0.1%,参数量下降为42.0%,浮点运算量下降为66.4%,实现了推理准确度与推理速度的提升。

关键词： 目标检测   BiFormer   注意力机制   损失函数   YOLOv5  

摘要： 针对水下生物目标检测的挑战,提出了一种基于YOLOv5改进的高效模型。通过引入BiFormer注意力机制、创新性的Focal-ShapeIoU损失函数,模型在水下生物特征提取、类别不平衡处理、细节恢复和计算效率方面均得到显著提升。实验结果显示,相较于原始YOLOv5,改进后的YOLOv5在水下生物目标检测任务上的准确率提高了4.1%,验证了改进策略的有效性。

关键词： 条码   深度学习   目标检测   轻量级   YOLOv7-tiny  

摘要： 针对当前复杂工业场景下条码检测精度低、多尺度识别难度大、检测算法复杂度高的问题,本研究提出一种基于改进YOLOv7-tiny的轻量级条码检测算法。首先,针对检测算法复杂度高、难部署到嵌入式设备的问题,引入ShuffleNet v2轻量化网络并将其结构中步长为2的深度可分离卷积修改为空洞卷积来扩大感受野,修改后作为新的特征提取网络。其次,嵌入CBAM(Convolutional Block Attention Module)轻量级注意力机制提高网络特征提取能力,获取更丰富的语义信息,提升小目标检测精度。最后,采用SIoU损失函数替代原始的CIoU损失函数,增强条码定位能力。实验结果表明,改进后的YOLOv7-tiny模型相比原模型的平均精度和速度分别提升了2.36%和19frame/s、参数量和计算量分别减少了0.9MB和1.9G,满足工业场景下条码检测准确度与速度的要求。

关键词： 耐火砖   缺陷检测   光栅投影轮廓术   六步相移   三频外差   图像处理  

摘要： 针对耐火砖表面的缺陷检测问题,提出了一种利用光栅投影轮廓术进行表面缺陷检测的方法。利用投影仪投影光栅图案到耐火砖表面,工业相机采集投影在耐火砖表面的光栅投影图像并采用六步相移法对其进行解码,获得包裹相位。利用三频外差法进行相位展开并消除跳变误差,得到绝对相位;再利用缺陷处绝对相位的异常变化,对绝对相位进行求梯度的计算得到缺陷边缘;对图像进行形态学处理,准确的识别表面缺陷。实验结果表明:将光栅投影轮廓术与图像处理相结合的方法,可以准确地、高效地检测出耐火砖表面的缺陷,能很好地满足对耐火砖表面多种缺陷的检测要求。

关键词： YOLOv8   深度学习   烟草植株   计数   目标检测  

摘要： 【目的】实现不同生长时期烟草植株的快速检测与精准计数,针对烟草生长过程中存在的叶片交叉以及植株之间不同程度的重叠遮挡等情况,提出一种基于改进YOLOv8的不同生长期烟草植株检测与计数方法。【方法】以YOLOv8网络框架为基础,将特征融合模块改进为渐近特征金字塔网络(Asymptotic Feature Pyramid Network,AFPN),避免跨层融合时非相邻层之间的较大语义差异,提高了烟叶交叉情况下的检测精度;采用空间金字塔池化快速跨阶段部分通道模块(Spatial Pyramid Pooling Fast Cross-Stage Partial Channel,SPPFCSPC)替换原空间金字塔池化结构,极大程度地解决重复特征提取的问题,降低模型复杂度;将损失函数优化为边界框回归损失函数MPDIoU(Minimum Point Distance Intersection over Union),有效减少遮挡导致的烟叶漏检情况;通过搭载DeepSORT(Deep Simple Online and Realtine Tracking)目标跟踪算法实现植株计数功能。【结果】本研究建立的模型在目标检测中的平均精确率达到了95.9%,相比于原模型提高3.6%,与Faster R-CNN、SSD、CenterNet、YOLOv5n、YOLOv7等模型相比分别提高22.6%、4.8%、18.8%、7.1%、4.2%;在计数任务中,MOTA最高达到93.41%。【结论】本研究建立的模型能够实现对不同生长时期烟草植株的快速检测与精准计数,为烟草种植业的智能化管理提供了新的思路和方法,有助于推动烟草产业的现代化进程。

关键词： 深度学习   地面旋转目标检测   智能感知   Anchor-Free   空洞卷积   EA注意力机制  

摘要： 地面红外目标检测是高空侦察、智能感知和对地打击等领域的重要研究内容,针对所获取的地面红外目标常以不规则角度的形式出现,导致检测准确率低,容易发生误检、漏检等问题。以Anchor-Free目标检测模型为基础,构建了基于空洞卷积为特征提取方式的主干网络,增强了模型对地面旋转目标的感知范围与特征提取能力;在基于空洞卷积进行特征提取后,通过External attention(EA注意力机制)增加对所提取特征注意维度的关注,实现了对目标更高分辨率特征的提取,最终提出了基于无锚框(Anchor-Free)的地面旋转目标检测方法。构建的地面旋转目标检测模型在HIT-UAV数据集上达到了90.6%的检测精度,优化了基于Anchor-Free的目标检测模型针对地面旋转目标的检测性能。

关键词： RT-DETR   工人行为检测   注意力机制   模型轻量化   目标检测   特征融合   火灾检测  

摘要： 针对工厂时刻面临的安全生产问题,例如厂区车间内严禁烟火、需时刻关注工作人员的行为安全、恶劣工况场景下工人是否佩戴口罩等,提出了一个基于RT-DETR改进的工人行为及火灾检测算法FDH-DETR。首先,通过Deep Faster特征深度融合模块与FasterNet的融合,减少了算法的参数量和计算量;其次,通过DRBC3模块大小卷积核转换机制,减少了模型的推理成本;最后,通过HiLo-AIFI高低频尺度内特征交互模块,增强了对高低频特征的提取能力。实验结果表明,改进后的算法平均准确度达到了93.8%,参数量减少了31.6%,计算量减少了61.4%,FPS达到了150 fps,并在真实工况场景下进行推理实验,验证了算法的有效性。

关键词： 锥桶检测   深度可分离卷积   注意力机制  

摘要： 针对中国大学生无人驾驶方程式大赛(Formula Student Autonomous China,FSAC)检测锥桶目标实时性和抗干扰性较差的问题,提出一种针对锥桶目标的轻量化目标检测算法YOLOv4-F。首先,采用K-mean++算法对数据集进行预处理,优化先验锚框参数;其次,使用Mobilenetv1网络中的深度可分离卷积(Depthwise separable convolution)减少模型参数,提升检测速率;最后,使用SIOU损失函数代替CIOU损失函数,提升模型在逆光、光线较差等场景的抗干扰性,并在骨干网络中加入坐标注意力模块(Coordinate Attention,CA),提升全局感受野和检测精度,优化训练效果。实验结果表明,轻量化后的YOLOv4-F相较于原YOLOv4模型相比,模型参数量减小了36.6%,FPS提升了77.8%,检测平均精度均值(mean average precision,MAP@0.5)提升0.35%,表明提出的YOLOv4-F算法能够为实时锥桶目标检测及其应用提供参考。

关键词： 目标检测   道路损伤   YOLOv10   可逆列网络  

摘要： 道路损伤是路面常见的病害之一,及时且有效的检测对于路面的维护与管理至关重要。YOLOv10算法作为一种新提出的YOLO系列算法,其具有的无NMS训练机制、双重分配策略以及轻量化模型设计等特点使得YOLOv10在保持高准确性的同时,实现了更快的推理速度和更高的效率,因此YOLOv10算法特别适用于实时的道路损伤检测任务。在实际应用中,由于移动检测终端的硬件资源有限,对于大参数量模型和大的运算量难以承受,因为本文对YOLOv10算法进行改进,在基本保持较高检测精度的条件下,降低算法的参数量和计算量,以便于其在移动终端的部署。本文采用可逆列网络结构的思想对YOLOv10的主干网络进行重构,重构后的网络使得骨干网络具有了横向的特征信息融合能力,重构后的网络虽然增加了复杂度,但是却大大增强了特征信息融合能力,为了平衡精度和复杂度,本文对YOLOv10骨干网络纵向结构的参数量进行了降维处理,实验结果表明,本文所提的改进YOLOv10算法在检测精度上虽然有略微的下降,但是却能够大幅度地降低算法的参数量和计算量,使得其在移动终端道路损伤检测的应用上更有竞争力。Road damage is one of the common diseases of road surface. Timely and effective detection is crucial for the maintenance and management of road surface. As a newly proposed YOLO series algorithm, YOLOv10 algorithm has no NMS training mechanism, dual allocation strategy and lightweight model design, so that YOLOv10 maintains high accuracy while achieving faster reasoning speed and higher efficiency. Therefore, YOLOv10 algorithm is especially suitable for real-time road damage detection tasks. In practical application, due to the limited hardware resources of the mobile detection terminal, it is difficult to bear the large number of parameters and the large amount of operation. Because this paper improves the YOLOv10 algorithm and reduces the number of parameters and calculation amount of the algorithm under the condition of basically maintaining high detection accuracy, so as to facilitate its deployment in the mobile terminal. In this paper, we use the idea of reversible column network structure to reconstruct the backbone network of YOLOv10. The reconstructed network makes the backbone network with horizontal feature information fusion ability. Although the reconstructed network has increased the complexity, it greatly enhances the ability of feature information fusion to balance the precision and the complexity. In this paper, the number of parameters in the longitudinal structure of the YOLOv10 backbone network is reduced in dimension. The results of the experiments showed that although the pr

关键词： 遥感图像   小目标检测层   Shape-IoU   注意力机制  

摘要： 针对遥感图像目标检测任务中存在特征信息不足和分布密集的问题,提出一种基于特征交互注意力的遥感图像目标检测算法。首先,对于遥感图像中目标分布密集的问题,在网络的Backbone部分采用C2f-DAT模块和AIFI模块来处理图像的多尺度特征,使网络更好地检测目标;其次,为了解决遥感图像中小目标特征信息不足的问题,在Neck部分使用SlimDy结构来优化网络的卷积和上采样模块,来突出小目标的特征信息,同时在网络结构中添加小目标检测层以增强网络对小目标的感知能力;最后,使用Shape-IoU损失函数来替换原损失函数,进一步提高网络检测预测框的准确性。通过在Dotav1和SIMD数据集上实验验证,改进方法的mAP@0.5达到了76.3%和82.3%,模型整体效果优于目前对比主流算法。