关键词： 深度学习   水稻害虫   YOLOv8s   目标检测  

摘要： 水稻种植过程中的害虫分布具有规模小和密度高等特性,导致其识别具有挑战性。本文基于深度学习,利用经典的YOLOv8s轻量级模型进行稻纵卷叶螟、水稻叶毛虫和稻潜叶蝇等14种水稻害虫数据集的训练识别,得到了模型训练及验证结果。训练结果发现,该模型收敛速度和稳定性较好;验证结果表明,该模型性能较好,对14种水稻害虫的识别精度为0.788,召回率为0.721,识别准确率为0.809,mAP@0.5为0.772。综合来看,该模型性能较好,能够满足水稻害虫检测要求。研究结果为水稻虫害识别提供参考。

关键词： 合成孔径雷达   目标检测   轻量化   深度学习   舰船检测   大场景影像   YOLOv8  

摘要： 【目的】基于合成孔径雷达(SAR)影像的舰船检测已广泛用于海洋搜救、港口侦察、领海防御等领域。然而,随着在轨智能处理技术的快速发展,对星载SAR影像舰船目标的实时检测能力提出了更高的要求。【方法】因此针对当前SAR影像舰船目标尺度多样,靠岸船只背景复杂,各类遥感平台硬件资源受限等问题,本文提出了一种轻量级SAR影像舰船检测模型LWM-YOLO。首先,采用优化骨干网络结合注意力机制降低网络复杂度及参数量,提出一个轻量化骨干网络(LWCA);其次,针对解决目标尺度多样问题,构建了一个轻型特征融合模块(LGS-FPN),在增强SAR影像中舰船目标细节信息提取能力的同时减少计算复杂度;然后,为优化定位精度,提出基于MPD-Head的检测架构,提升复杂环境中微小舰船目标的检测效果;最后,在LS-SSDD和SSDD舰船目标检测数据集上,将本文算法与主流算法进行对比实验。【结果】实验结果表明,本文提出的算法平均精度值(mAP)分别达到了74.7%和97.3%,较基础模型提升了1.5%和1.0%。同时,本文所提算法参数规模缩减至原模型的36%,计算复杂度降至80%。【结论】与其他方法相比,本文提出的算法不仅在精度上有所提升,而且在检测速率上也具有显著优势。这一研究成果可为智能化目标检测、空间在轨应用等领域提供有力支撑。

关键词： 无人机   目标检测   自适应感知特征提取   特征融合网络   双分支空间感知下采样  

摘要： 由于无人机拍摄高度和角度的多样性,其图像往往呈现背景复杂且小目标居多的特征,这导致了相关检测算法性能较差。针对此问题,本文提出了一种基于自适应感知网络的航拍图像车辆检测方法,旨在从提高车辆特征显著度和改善特征信息损失两个方面来提升小目标的检测性能。首先,为了提取更高效的特征表征,提出了自适应感知特征提取模块,该模块通过捕捉长程依赖关系和更强的几何特征表示,能够自适应地对物体的形状进行建模。其次,为了减少下采样和连续池化造成的信息损失,设计了双分支空间感知下采样模块,该模块混合不同通道的特征图,以最大限度地保留小目标特征信息。然后,在特征融合网络中,引入了具有丰富空间信息的浅层特征图,以增强小目标的检测能力。最后,设计了新的动态回归损失函数DEIoU,该函数引入惩罚项来度量真实框与检测框之间横纵比的相关性,从而进一步提高网络的预测精度。在Visdrone数据集上的实验结果表明,所提方法的平均精度均值mAP达到了70%,推理速度达到了99.26 fps,实现了较好的速度与精度的平衡,并且所提方法在UCAS-AOD数据集上取得了最佳的检测精度,具有较强的泛化能力。

关键词： 遥感图像   小目标检测   多尺度检测   全局注意力机制  

摘要： 阐述针对遥感图像中小型与密集分布的目标检测难题以及由于对象遮挡引起的低检测精度问题,提出一种基于改进的YOLOv7的遥感图像检测与遮挡推理方法。全局注意力机制允许模型对遥感图像的全局信息进行增强处理,以便于优先识别和处理图像中的关键部分。而多尺度检测头则赋予模型同时处理和识别不同尺度目标的能力,能够更有效地提升目标检测的精度和效率。在DOTA数据集上的大量实验结果表明,AP和mAP分别提高了3.6%和4.2%。

关键词： 露天矿山   炮孔识别   3D视觉   YOLOv8   无人装药   深度学习   目标检测  

摘要： 针对露天矿山炮孔识别技术进行了深入研究,提出并比较了2种炮孔智能识别方法:基于三维点云的炮孔识别方法和基于目标检测的炮孔识别方法。通过选用不同视觉感知设备,在多个露天矿山环境下进行了试验验证和性能分析。研究发现,2种方法均能有效识别炮孔,具体来说,基于三维点云的炮孔识别方法识别精确率为90%,基于目标检测的炮孔识别方法识别精确率为97.91%。通过对2种方法的硬件设备、数据处理流程和应用潜力进行详细比较,结果表明,结合人工智能技术,炮孔识别技术在智能化炸药现场混装车等采矿装备中具有广阔的应用前景,对推动采矿技术进步,实现无人、高效、安全的矿山开采模式具有重要理论与实际意义。

关键词： YOLOv8   无人机   可见光图像   小目标检测   深度学习  

摘要： 目的 :为解决目前无人机可见光系统检测小目标时准确率和实时性低的问题,提出一种基于改进YOLOv8的可见光小目标检测方法。方法:选取由主干网络(Backbone)、颈部模块(Neck)和头部模块(Head)组成的YOLOv8网络作为基础框架构建AGC-YOLO模型。首先,在Backbone部分融入卷积注意力模块(convolutional block attention module,CBAM),提高模型的特征表达能力;其次,将部分传统卷积模块替换为可改变核卷积模块AKconv,减少网络参数量;最后,在Neck部分采用Gold-YOLO模块,提高对不同尺寸目标的检测能力。选用VisDrone2019数据集分别进行消融实验和对比实验,通过平均精度均值(mean average precision,mAP)、每秒传输帧数(frames per second,FPS)、每秒10亿次的浮点运算数(giga floating-point operations per second,GFLOPs)和参数量(parameters)评估AGC-YOLO模型对小目标检测的效果。结果:AGC-YOLO模型的FPS为31.90,GFLOPs和Parameters分别为9.20和11.30 M,达到无人机实时性的检测速度要求(FPS不低于30)。虽然AGC-YOLO模型的GFLOPs和Parameters比轻量化模型YOLOv8n、Ghost-YOLO和YOLO-BiFPN有所增加,但是mAP50(mAP50表示在交并比为0.5时的mAP)分别提高了15%、6%和5%。结论:提出的方法在提高检测速度、减少参数量、保障检测精度方面表现良好,在无人机可见光小目标检测方面具有良好的应用前景。

关键词： 果蔬   品质检测   深度学习   计算机视觉   模式识别  

摘要： 随着全球人口的增长和对果蔬质量的高需求,果蔬品质检测的效率和准确性成为食品行业关注的重点。传统的果蔬品质检测方法存在劳动强度大、效率低和准确性难以保证等问题。详细介绍了深度学习在果蔬品质检测视觉任务中的应用。深度学习可以通过学习和模拟人的视觉识别过程,实现高效、准确地检测果蔬品质。具体应用包括果蔬色度分析、形状分析、纹理分析和尺寸分析,以及病害识别和成熟度识别等。然而,深度学习在果蔬品质检测中仍面临数据收集、模型训练的复杂性和实时性等问题。未来的研究可以致力于提高检测精度、处理速度,降低成本,并探索深度学习与物联网、大数据等技术的结合,实现更智能、更自动化的果蔬检测。深度学习在果蔬检测中的应用具有广阔的发展前景,将为果蔬生产和消费者带来重要影响。

关键词： 目标检测   无锚框   锯齿问题   空洞卷积   损失函数  

摘要： 为了提升无锚框目标检测模型对物体多尺度检测性能,并实现检测速度与精度的最佳折中,提出一种具有抗锯齿能力的无锚框目标检测模型。下采样操作中,使用分组自适应低通滤波器解决网络中存在的锯齿问题;并联不同空洞率的空洞卷积进行多尺度特征融合,扩大神经元感受野范围。防止在模型训练过程中破坏网络参数,对损失函数进行实验讨论,替换为smooth L1 Loss函数。实验结果表明,在PASCAL VOC数据集上mAP指标达到了82.1%,FPS达到了32,与CenterNet-ResNet101相比,mAP提升了4.3%,FPS提升了18.5%。

关键词： 目标检测   YOLOv8   道路损失检测   改进损失函数   边界框回归  

摘要： 针对道路损伤检测面临的多尺度目标、复杂的目标结构、样本分布不均及难易样本对边界框回归的影响等问题,本研究提出了一种基于改进YOLOv8的道路损伤检测算法.该方法通过引入动态蛇形卷积(dynamic snake convolution,DSConv)替代原有C2f(faster implementation of CSP bottleneck with 2 convolutions)模块中的部分Conv,以自适应聚焦于细小而曲折的局部特征,增强对几何结构的感知.在每个检测头前引入高效多尺度注意力(efficient multi-scale attention,EMA)模块,实现跨维度交互,捕获像素级别关系,提升对复杂全局特征的泛化能力.同时,增设小目标检测层以提高小目标检测精度.最后,提出Flex-PIoUv2策略,通过线性区间映射和尺寸适应性惩罚因子,有效缓解样本分布不均和锚框膨胀问题.实验结果表明,该改进模型在RDD2022数据集上的F1分数、平均精度均值(mAP50、mAP50-95)分别提高了1.5百分点、2.1百分点和1.2百分点.此外,在GRDDC2020和China road damage数据集上的验证结果显示,该算法具有良好的泛化性.

关键词： 变电站建设   施工设备   安全进场距离   目标检测  

摘要： 变电站大型建筑设备的安全进场距离检测对于保障电力系统的安全稳定,防止设备损坏、停电等事故的发生具有重要意义。为此,构建了基于立体视觉和目标检测的变电站大型建筑设备安全进场距离检测系统,实现了大型建筑设备与电力设备之间的实时高精度安全进场距离检测。变电站大型建筑设备安全进场距离检测系统采用基于ChostNet的变电站施工目标检测模型区分施工设备和电力设备;使用基于通道注意力的轻量级立体匹配模型获取作业场景的空间信息,确定建筑设备与电力设备之间的安全接近距离。实践结果表明,该系统可以在真实场景中实时准确地测量安全进场距离,保障人员和设备的安全。