关键词： 目标检测与分类   雷达图像   YOLOv5s网络   特征融合   解耦头  

摘要： 针对车载毫米波雷达图像细节模糊、目标占比小的问题,提出了一种基于YOLOv5s改进的目标检测分类网络。首先通过帧同步与最小外接矩形方法处理原始数据集,获得由相机、激光雷达联合标定的毫米波雷达距离-方位图像与标注信息;然后将YOLOv5s网络的上采样模块改进为CARAFE,使网络充分融合不同尺度特征,并改进网络损失函数为综合交并比损失函数(CIoU Loss),使预测结果更加精确;最后,通过网络解耦头(Decoupled head)采用不同的分支并行处理检测与分类问题。实测数据实验处理结果表明,该方法较原始YOLOv5s网络的mAP@0.5与mAP@0.5∶0.95分别提升了3.3%和2.0%,尤其适用于小目标检测,并能同时满足检测和分类精度与实时性要求,适合部署至车载嵌入式系统中。

关键词： 目标检测   无锚框   特征融合   任务特征   多尺度特征   任务对齐   标签分配  

摘要： 为解决现有无锚框网络缺乏精确的特征融合引导、解耦头获取任务特征不足,以及无锚框本身存在的边界框漂移的问题,提出一种结合循环特征融合与任务解耦的无锚框检测模型。设计动态循环特征金字塔,动态对齐并融合多尺度特征,以循环机制增强特征表达;提出新的任务解耦头,设计双维任务感知器获取任务特征,采用提出的任务一致性参数和Dynamic Varifocal损失函数完成任务对齐;在标签分配过程中,结合box重组算法,重新选取高质量的正负样本。在COCO数据集上,所提模型使mAP在ResNet50主干网络相对于baseline提升3.1%,在ResNet101上达到45.2%,检测性能优于其它先进的无锚框网络模型。

关键词： 避雷器套管   红外图像   分割检测   计算机视觉   深度学习   注意力机制  

摘要： 针对现有避雷器套管实例分割方法精度低、容易误检的问题,提出一种基于深度学习的避雷器套管分割检测方法,通过经典神经网络模型UNet实现端到端的分割推理,同时,设计局部感知注意力模块高效聚合避雷器套管红外图像的通道信息与空间信息,避免红外背景噪声影响,实现边缘清晰的分割效果。通过定性和定量的实验比较验证模型UNet在避雷器套管红外图像分割检测的性能。结果表明,该模型对避雷器套管具有较好的检测分割效果,对后续故障检测、降低劳动力成本、保证变电站设备安全运行具有重要意义。

关键词： YOLOv8   遥感图像   小目标检测   特征融合   注意力机制  

摘要： 针对YOLOv8在遥感小目标检测中由目标尺度差异和复杂背景引起的漏检和误检问题,提出了基于跨阶段双分支特征聚合的遥感图像小目标检测方法。融合卷积算子中的全局共享权重与注意力中特定token的上下文感知权重,获得高频局部信息和低频全局信息;使用轻量级MLP捕获全局远程依赖关系,并设计并行跨阶段可学习视觉中心机制捕获输入图像的局部角区域信息;设计多维度残差注意力机制,聚合两个并行分支的输出特征,捕获像素级的成对关系以及跨通道和跨空间信息。实验结果表明:该模型在DIOR和RSOD数据集上的mAP分别达到了73.8%和98.1%,比对比方法分别提高了1.3%和2.1%。

关键词： 机器视觉   DETR算法   目标检测   轻量化   注意力机制  

摘要： 交通标志检测是智能车辆行驶过程中的关键,对于车辆分析路况有着重大的意义。针对现存交通标志检测算法参数较多、精确率不高的问题,提出一种基于改进RT-DETR(real-time detection transformer)的轻量化交通标志检测算法。首先,将模型主干网络中的ResNet网络替换为VanillaNet网络,减少网络的层数与参数量;其次,使用加权双向特征金字塔模型(bi-directional feature pyramid network,BiFPN)代替RT-DETR特征融合模块中的PAN(path aggregation network)结构,增加模型的融合能力,提取更加丰富的特征信息;最后,在特征融合模块中添加GAM(global attention mechanism)注意力机制,加强模型对全局信息的感知,提升多目标与被遮挡目标的检测性能。该算法在交通标志数据集上进行测试,结果说明改进后的RT-DETR算法的mAP(mean average precision)值达到了87.7%,相比原始算法提高了3.6%,且参数减少21%,满足智能车辆设备的部署需要,证明了改进算法的有效性。

关键词： 深度学习   复杂场景   目标检测与识别   算法优化  

摘要： 目标检测与识别是计算机视觉中的关键技术,但在实际应用中常面临光照变化、遮挡和多目标等复杂场景的挑战。对此,文章深入研究了算法优化策略,分析了复杂场景对检测与识别的影响以及传统算法的局限性。通过数据增强、特征提取优化和模型结构改进等策略,特别是利用图像变换模拟复杂场景特征的数据增强方法,显著提升了算法在复杂场景下的性能。实验结果表明,优化后的算法在多个代表性数据集上实现了更高的准确率、召回率、F1分数和平均精度,同时保持了较高的处理速度,这说明优化策略有效应对了复杂场景的挑战,显著提升了目标检测与识别算法的性能。

关键词： 角膜生物力学性能   区域性   数字图像处理   粒子群优化算法  

摘要： 目的构建一种基于数字图像处理的角膜区域性生物力学性能评估方法。方法通过离体兔眼角膜膨胀实验,结合粒子图像测速(PIV)技术和粒子群优化算法,开发一种随机抽样迭代运算算法,用于求解角膜不同区域的生物力学参数。结果PIV技术与激光位移器测量结果高度一致(R2=0.966),且优化后的随机抽样迭代算法在循环后误差趋于稳定,求解精度和重复性高。最终选择对全角膜进行均质求解,并以此结果作为随机抽样迭代运算的初始值,并通过定制的程序随机生成循环顺序,每次随机抽取3个区域并确保在25次循环中,25个区域每个区域能够被优化运算3次,同时运算该3个区域的μ和α最为有效。结论该方法成功实现了角膜区域性的生物力学性能评估,可为角膜疾病的早期诊断和治疗提供新的思路和评估手段。

关键词： 目标检测   果实成熟度检测   YOLOv5s   Ghostnet   NAMAttention  

摘要： 针对智能采摘领域中樱桃成熟度检测的挑战,文章选取了YOLOv5s模型作为基础,并进行了针对性的改进和优化,旨在提升模型在樱桃成熟度检测任务中的性能和准确性。首先采用GhostNet替代主干网络,其次增加了NAMAttention模块,显著减少了模型的参数数量和计算需求,并且提升了检测准确性。实验结果显示,改进后的模型与YOLOv5s相比,每秒帧数提升了34%,参数数量减少了25%,FLOPs降低了29%,并且在mAP@0.5指标上实现了约6.2%的提升。此外,与多阶段模型相比,该模型在平均精度、效率和计算负载方面均表现优越。由此可见,改进后的模型能够更加高效、精准地进行樱桃成熟度识别。

关键词： 红外目标检测   YOLOv5   深度学习   多尺度  

摘要： 红外目标检测一直在军用和民用领域具有广泛的应用,目前针对在复杂背景下的红外多尺度目标检测中存在的漏检及误检问题,本文提出了一种改进的YOLOv5s算法RCR-YOLO。首先将原YOLOv5s的骨干网络CSPDarkNet53更换为ResNet50,避免了深层网络产生的梯度消失,增强了网络的特征提取能力,然后在骨干网络末端添加CA注意力机制模块,获取不同位置的特征信息,最终在颈部网络中加入Res2Net模块,通过引入多分支结构和逐级增加的分辨率来提高网络的表达能力并可以更好地处理多尺度特征信息,进而增强检测性能。实验结果表明,该方法优于FasterR-CNN、SSD、YOLOv3这些主流的目标检测算法,相较于YOLOv5s,在保持mAP_(50)为99.5%的基础上,将mAP_(50-95)提高了1.1%,拥有更好的检测效果,可以有效地完成复杂背景下的多尺度红外目标检测任务。

关键词： 无人机影像   多目标检测   YOLOv5   非对方卷积核   卷积注意力  

摘要： 针对无人机影像中小样本多、背景复杂、样本长尾分布等问题,基于YOLOv5提出一种非对称卷积与注意力机制融合的检测方法。在骨干网络中使用非对称卷积核组与其等效卷积核分别参与模型的训练与测试,同时引入增加卷积注意力机制提高对小样本特征的学习能力。在特征融合网络中,让浅层特征图参与特征融合,并增加额外的检测输出尺度。为解决图像质量不佳与样本长尾分布问题,通过多组处理算法进行图像质量增强处理。实验结果表明,所提出改进模型在精度方面显著优于原始模型与对照组模型,在实验环境下能实现流畅检测,可以在应急救援、警务巡逻等任务中起到较为重要的作用。