关键词： 煤矿井下危险区域   井下人员多目标检测   YOLOv8n   多尺度空间增强注意力机制   自适应空间特征融合   轻量化混合局部通道注意力机制  

摘要： 针对井下危险区域人员监测视频存在光照不均匀、目标尺度不一致、遮挡等复杂情况,基于YOLOv8n网络结构,提出一种改进的井下人员多目标检测算法—YOLOv8n-MSMLAS。该算法对YOLOv8n的Neck层进行改进,添加多尺度空间增强注意力机制(MultiSEAM),以增强对遮挡目标的检测性能;在C2f模块中引入混合局部通道注意力(MLCA)机制,构建C2f-MLCA模块,以融合局部和全局特征信息,提高特征表达能力;在Head层检测头中嵌入自适应空间特征融合(ASFF)模块,以增强对小尺度目标的检测性能。实验结果表明:(1)与Faster R-CNN,SSD,RT-DETR,YOLOv5s,YOLOv7等主流模型相比,YOLOv8n-MSMLAS综合性能表现最佳,mAP@0.5和mAP@0.5:0.95分别达到93.4%和60.1%,FPS为80.0帧/s,参数量为5.80×106个,较好平衡了模型的检测精度和复杂度。(2)YOLOv8n-MSMLAS在光照不均、目标尺度不一致、遮挡等条件下表现出较好的检测性能,适用于现场检测。

关键词： 目标跟踪   轻量级网络   孪生网络   无人机  

摘要： 在视觉跟踪领域,大多数基于深度学习的跟踪器过分地强调精度,而忽视了算法速度.因此,这些算法在移动平台上的部署(无人机),受到了阻碍.在本文中,提出了一种基于Siamese的深度交叉指导跟踪器(SiamDCG).为了更好地在边缘计算设备上部署,在MobileNetV3-small的基础上设计了独特的backbone结构.此外,针对无人机场景的复杂性,传统使用狄拉克δ分布预测目标框的方式有很大的弊端,为了克服边界框存在的模糊效应,Siam DCG将回归框分支转为预测偏移量的分布,并且用学习到的分布去指导分类的准确性.在多个无人机benchmark上的优秀表现,都显示了其鲁棒性与高效性.在Intel i512代CPU上,SiamDCG运行速度是SiamRPN++的167倍,使用的参数仅为它的1/98,FLOPs是1/410.

关键词： 光学飞机目标检测   卷积神经网络   YOLOv5   Ghostnet  

摘要： 停泊飞机目标检测对机场交通管控、重点军事基地部署掌握、监控敌方实时军事动态等军民领域均具有重要意义。飞机目标检测需要综合考量检测精度与检测速度两个方面,本文将YOLOv5骨干网络中的C3模块和部分卷积模块替换成Ghost Bottleneck,从而将Ghostnet引入YOLOv5s网络中,取得很好的检测效果。在检测精度上,mAP0.5达到了95.34%,mAP0.5-0.95达到了61.6%,网络的精度达到了96.89%,召回率达到了91.42%。在检测速度上,网络的FPS达到了66.67。

关键词： 苹果识别   目标检测   YOLOv8   Mamba  

摘要： 针对自然果园环境下苹果果实的识别,本文提出了一种改进YOLOv8n模型的轻量化苹果检测算法.首先,通过使用DSConv和FEM特征提取模块的组合来替换主干网络中的部分常规卷积进行轻量化改进,缩减卷积过程中的浮点数和计算量;为了在轻量化过程中保持性能,在特征处理的过程中,引入结构化状态空间模型构建CBAMamba模块,使用Mamba结构高效处理特征;此后将检测头处的卷积替换为RepConv,并减小卷积层;最后,更改边界框损失函数为动态非单调聚焦机制WIoU,提高模型收敛速度,进一步提升模型检测性能.实验表明,在公开数据集上,本文提出的YOLOv8改进算法比原始YOLOv8n算法分别提升1.6%的mAP@0.5和1.2%的mAP@0.5:0.95,与此同时提升了8.0%的FPS并降低了13.3%的模型参数量,轻量化的设计使之在机器人和嵌入式系统部署领域具有较强的实用性.

关键词： 车辆轨迹提取   实时检测   YOLOv8   DeepSORT   交通安全  

摘要： 为应对传统方法研究车辆轨迹存在精度和效率局限的问题,加快推进道路交通数字化治理模式,本文提出了一种基于多目标跟踪优化的路口车辆轨迹提取方法。首先,基于YOLOv8s算法框架,引入多分支卷积模块并设计了一种结合标准卷积与深度可分离卷积的图像处理方法,以提高模型对不同场景的鲁棒性并保持帧率稳定。然后,通过精确量化角度差异和距离损失,改进了DeepSORT算法的损失函数,以提高模型的收敛速度和处理不规则物体的准确度。最后,通过推导出像素坐标系与真实世界坐标系的转换关系,确保了车辆轨迹的准确提取。实验结果表明,改进模型较原模型mAP、召回率和MOTA分别提升了2.9%、5.6%和0.7%,编码变换次数下降64%,在检测的同时能够保持帧率稳定,能够准确提取车辆在监控录像中的轨迹信息。这对于深入研究车辆特性和道路交通风险提供了方法支撑,具有较高实战应用价值。

关键词： YOLOv7-tiny   目标检测   表面缺陷   GSConv   MPDIoU  

摘要： 针对带钢表面缺陷检测任务存在的小目标检测效率低、缺陷定位不准确、检测算法参数量大、难以部署在终端设备上等问题,提出一种改进的YOLOv7-tiny检测算法。首先,使用GSConv替换颈部网络中的标准卷积,基于GSConv设计一种改进的高效聚合网络(ELAN-G),保证带钢表面缺陷特征信息被充分融合同时降低算法的参数量;其次,在预测头和颈部网络之间增加针对低分辨率和小缺陷的SPDConv模块,模块生成一个中间特征图,通过对中间特征图中的小缺陷特征信息进行过滤学习得到最终特征图,以此提高预测头对小缺陷的检测精度;最后,引入MPDIoU损失函数,合理利用边界回归框的几何性质,简化损失函数计算过程并提高缺陷定位精度。实验结果表明,在NEU-DET数据集上,改进算法比其他6种先进目标检测算法效果更好,性能更均衡,其平均精度均值(mAP)可达74.1%,且参数量和计算量低于所有对比算法,可应用于工业环境中的带钢表面缺陷检测系统。

关键词： 小目标检测   特征融合   特征增强   注意力机制  

摘要： 针对目前主流目标检测算法SSD算法对小目标检测精度不高的问题,提出了一种基于双向特征融合和轻量级特征增强的改进算法。该算法特征融合模块通过深度可分离卷积和上采样操作构建双向网络通道进行特征融合,使得来自主干网络不同尺度特征层的细节表观信息和高维语义信息能够更加充分地融合;算法特征增强模块采用了注意力机制和特征图拼接方法,注意力机制通过权重分配,使得模型聚焦于目标区域而非背景。特征图拼接仅对部分通道卷积能够在保证检测速度的前提下,增加特征层的语义信息。通过组合这两个部分的输出,能够实现对输入特征的双增强。实验说明了其有效性:在HRRSD小目标数据集上,BiLFE-SSD相较SSD算法指标mAP提高了11.1%。

关键词： 模拟集成电路   EDA   即时语义分割   计算机视觉  

摘要： 在模拟电路后端版图设计中,合理规划N阱区域对于版图布局和布线的紧凑性至关重要。针对模拟版图中的N阱区域规划问题,提出了一个基于即时分割算法的N阱区域规划框架。提出WellSegNet-阱区域分割网络利用自建类模拟版图数据集生成N阱的初始约束区域,有效解决了版图样本不够的问题;提出了一种在约束区域内操作的精准规划算法,以使生成的N阱遵循工艺设计规则,得到具有可用电路性能的N阱区域;提出了一套评估标准对生成的N阱区域进行评价。实验结果表明,所提出的算法框架能够生成接近手工布局的N阱,与基准算法相比,SSIM指标提高了13%,IoU指标提高了16%,为解决模拟电路后端版图设计中的N阱区域规划问题提供了一种有效的解决方案。

关键词： 深度学习   目标检测   计算机视觉   检测算法  

摘要： 目标检测是计算机视觉领域中的重要任务,被广泛应用于身份识别、数量统计、位置确定等领域。随着计算资源的增长,深度学习已经替代了大部分的传统图像算法,在目标检测领域上取得了很大的进展。然而,目标检测依然面临诸多挑战,如物体尺寸不一、背景复杂、排列密集、方向任意等,这些问题使现有的检测框架依然有提升的空间。尽管如此,目标检测的算法经过发展已经有了很大的提升,并且在各种领域起到了巨大的作用。

关键词： 安全工程   火焰识别   YOLOv8   图像检测   算法优化  

摘要： 目前民航客机货舱火灾探测主要通过烟雾探测实现,存在漏报、误报、实时性差等问题,基于视觉的视频图像探测是解决上述问题的重要技术。针对视频图像检测火焰算法多收敛速度慢等问题,提出了基于YOLOv8优化的火焰检测算法模型。首先,在众多视频火焰检测算法中,以火焰检测精准度筛选出YOLOv8算法作为底层火焰检测算法,针对YOLOv8算法,以优化速度为方向,设计了RFAConv卷积方式,运用组卷积方式融合卷积通道,以达到减少YOLOv8计算量、提升运算速度的目的。通过采集模拟货舱大空间火灾火焰图像,验证了优化后的YOLOv8火焰检测算法在检测精度不变的情况下,压缩了10%的参数量,实现了算法的轻量化,提升了运算效率。