关键词： 小目标检测   YOLOv8s   可变形卷积网络  

摘要： 针对无人机视觉中小目标检测精度低的问题,文章提出一种改进YOLOv8s(You Only Look Once version 8 small)的目标检测算法。首先,采用Slim-Neck替换特征融合层,以加快图像预测的计算速度并增强网络处理特征能力。其次,将损失函数由CIoU(Complete-IoU)替换为Wise-IoU(Wise Intersection over Union),以抑制低质量样本在训练过程中对模型性能的负面影响。最后,在算法的Backbone中嵌入可变形卷积网络,以增强多尺度特征的提取能力,从而提升小目标的检测能力。在VisDrone2019数据集上的验证结果显示,改进后的算法浮点运算量降低了0.7 GFLOPs,同时mAP@0.5指标提升了1.1%,实现了模型的轻量化并保持了较高的检测精度,更适用于无人机视觉场景下的小目标检测。

关键词： 细长物体   目标检测   正样本分配   FCOS   特征自适应  

摘要： 针对以电缆为代表的细长物体目标检测问题,以FCOSv2模型为基础,通过融合细长物体的“细长度”和方向角度θ信息改进了正样本分配策略,在主干网络和预测头加入调制可变形卷积,提升改进后FCOS模型的检测能力。实验结果表明:在推理速度相当的情况下,改进后的FCOS模型达到83.2%的mAP,实现了检测精度与速度的均衡。

关键词： 动作质量   评价   计算机视觉   信息获取   特征表示   损失函数  

摘要： 基于视觉的人体动作质量评价利用计算机视觉相关技术自动分析个体运动完成情况,并为其提供相应的动作质量评价结果.这已成为运动科学和人工智能交叉领域的一个热点研究问题,在竞技体育、运动员选材、健身锻炼、运动康复等领域具有深远的理论研究意义和很强的实用价值.本文将从数据获取及标注、动作特征表示、动作质量评价3个方面对涉及到的技术进行回顾分析,对相关方法进行分类,并比较分析不同方法在AQA-7、JIGSAWS、EPIC-Skills 2018三个数据集上的性能.最后讨论未来可能的研究方向.

关键词： 目标检测   深度学习   YOLOF   多层RepPoints   可变形卷积  

摘要： 针对YOLOF模型存在的多尺度特征融合模糊与传统位置回归表达精度不足问题,提出了一种具备多层RepPoints表达特征的改进模型MLRP-YOLOF。该模型通过新的RepPoints分层解耦头将YOLOF单一多尺度融合特征图转换为分层多尺度RepPoints特征图,并在具备学习能力的RepPoints分层伪框转换器的作用下完成目标的回归任务与分类任务。实验结果表明,MLRP-YOLOF模型较YOLOF在mAP50-95、mAP50与mAP75指标上取得了2.18%~5.75%的相对性能优势。同时,对于结构更简单的Backbone,MLRP-YOLOF模型具有更显著的精度提升。

关键词： 野外蝙蝠   RT-DETR   多尺度特征   轻量级   目标检测  

摘要： 野外蝙蝠检测对于生态保护和科学研究具有重要意义。针对计算资源有限和复杂野外环境带来的挑战,提出了一种轻量型蝙蝠检测模型(LiteDETR-Bat),旨在实现高效的实时检测。首先为了解决特征映射冗余问题,引入重参数卷积高效层聚合网络(RCELAN)替换传统的ResNet主干网络,采用多分支特征聚合机制,有效降低了计算复杂度和参数量。其次设计了动态采样多尺度特征融合(DS-MFF),该结构集成空洞卷积和动态采样算子,通过扩大感受野并自适应调整采样位置,优化多尺度特征融合,提升多样化特征处理时模型的灵活性和鲁棒性。最后在安徽省野外环境下采集了一个涵盖多种光照条件、视角变化及蝙蝠形态变化的蝙蝠数据集,并进行了模型性能等相关实验。实验结果表明,该LiteDETR-Bat模型不仅能够使参数量降低了46.5%,mAP达到97.2%,同时在准确性和实时性上相比于YOLO系列算法均取得了一定地提升。LiteDETR-Bat模型为野外蝙蝠的监测与保护工作提供了有力的技术支持,展现了其在生态监测和生物多样性保护中的应用潜力。

关键词： YOLOv5算法   工程车辆检测   DeepSORT算法   多目标跟踪   实时检测  

摘要： 本研究聚焦于传统目标检测技术与基于深度神经网络的工程车辆检测策略的对比分析。通过借助有效技术手段,采用降噪、增强及边缘检测的方式,对图像的质量进行有效优化。为了确保工程车辆检测过程的专业性与高精度,我们借助YOLOv5算法对其进行了处理,该算法的运用可以进一步提高处理速度。对于检测时容易出现的目标遗漏与预测框定位不准确情况,我们借助DeepSORT算法,通过全面的整合对检测目标进行了追踪预测。DeepSORT通过卡尔曼滤波进行数据估计,能实现高效的连续跟踪。为应对拍摄设备晃动及车辆变速行驶引发的目标身份频繁更迭挑战,我们创新性地采用了一种改进的GIoU计算方法。

关键词： MTCNN   人脸识别   目标检测   FaceNet  

摘要： 针对电力施工作业现场安全管控智能化水平低的问题,文中设计了一种基于融合特征分析的身份与动作识别算法。在身份识别方面,使用MTCNN算法进行人脸目标检测,并通过FaceNet算法实现人脸特征提取和身份比对识别。在异常动作识别方面,采用Fast RCNN实现人员目标和头部目标检测,利用人员目标框与头部目标框的间距实现安全帽佩戴检测,基于单应变换原理实现危险区域误入检测。仿真算例结果表明,相比CNN-DBN算法和MTCNN-DBN算法,文中所提MTCNN-FaceNet算法的平均身份识别准确率提高了6%以上。相比于RCNN算法,Fast RCNN算法在安全帽佩戴检测与异常动作识别方面,平均识别准确率提高了约5%。

关键词： 辣椒根系   原位监测   图像分割   感兴趣区域   迁移学习  

摘要： 【目的】根系的主要作用是吸收水分和吸收养分,对根系的研究是植物营养学、育种学和基因组学中十分重要的内容。根系形态的准确获取是农业生产中基因改良、提高水肥利用效率、改善作物品质和提高产量的先决条件。根系形态的原位监测与根系参数实时获取是作物营养供给、基因调控以及作物生理过程等研究的重要手段。由于根系形态获取困难、根系图像复杂以及背景对比度低等原因,根系形态原位监测与根系图像的分割较为困难。【方法】研究使用自制的根系形态采集系统获取根系原位图像,并通过在U2Net网络中构造感兴趣区域建立了一种高效、准确的复杂根毛图像分割模型。首先利用根系图像阈值分割结果作为区域基,在区域基的周围添加部分像素,来定位根系所在的区域,从而构造感兴趣区域;随后引入U2Net网络,增加迁移学习部分进行预训练,提供模型权重初始参数;并在网络中加入根系形态的先验知识对图像进行分割,并提取根系参数。【结果】该模型在不同种类根轴和根毛分割方面效果较好(F=0.922)。使用聚乙烯线制作了仿真根系与该方法对比,本试验的根系形态采集系统及其图像处理算法能较为准确的获得采集系统视野范围内的根系参数,对根轴的提取最大误差不超过6%,对根毛的提取最大误差不超过10%。对于不同的根系均能以较高的精确度获得根长、平均直径等参数,为进一步使用该系统进行原位监测提供了较为可靠的技术手段和方法。使用该方法对根系生长形态随时间的变化进行了监测,发现根系在第22天时,主根数量较少,根毛也较少;第33天时,根系发育旺盛,根轴较为丰满,有丰富的根毛;到第55天时,根轴仍然很丰满,但根毛却减少。【结论】该方法能够分割和提取根毛信息,并能够对同一个部位的形态进行长期动态监测。本研究方法同样适用于植物营养学、育种学和生态学等根系局部特征的研究。

关键词： 装配式建筑   预制构件吊装   进度干扰   智能感知   实例分割   目标跟踪   干扰监测与评估  

摘要： 装配式建筑施工中预制构件吊装作业协同性高,小幅进度干扰会累积传播并逐渐增大,导致进度推迟和成本超支,但当前缺乏对此类干扰的有效监测与评估研究。采用深度学习和计算机视觉技术,提出了预制构件实例分割与目标跟踪互藕方法,以及基于卷积神经网络的遮挡处理算法,实现了基于预制构件准确识别跟踪的吊装进度干扰智能感知;采用了关键路径法,基于监测结果评估干扰对进度计划的影响,辅助干扰应对决策。性能测试与施工现场应用结果表明,该方法在多维度性能指标上相较于以往相关方法均有所提升,可以在施工现场准确监测并评估预制构件吊装延误,为装配式建筑施工进度干扰管理提供可靠的决策依据。

关键词： 目标检测   绝缘子缺陷   深度学习   YOLOv8  

摘要： 针对现有绝缘子缺陷检测方法存在检测精度低,计算复杂度大等问题,提出了一种基于改进YOLOv8的绝缘子缺陷检测算法。首先,在骨干网络中,加入了C2f_SCConv模块,以增强对复杂背景中绝缘子缺陷的特征选择能力,有效减少背景噪声的干扰,从而提升整体的检测精度。其次,针对多尺度绝缘子缺陷检测的需求,在主干网络的关键部分嵌入了FocalModulation模块,该模块通过结合局部和全局特征调制,提升了模型在复杂场景下对小目标的检测能力。此外,为了满足轻量化设计和实时检测的要求,模型在骨干网络和检测头部分引入了Detect_Efficient模块,大幅减少了计算复杂度和参数量,从而提高了检测速度,同时保持了较高的检测精度。实验结果表明,改进后的算法相比原算法精度提高2.4%,召回率提高1.0%。通过与其他主流目标检测算法比较,验证了该方法的有效性。