关键词： 作物叶片等级   作物叶片病害   目标检测   信息共享   多感受野特征融合  

摘要： 作物叶片等级和病害的快速准确识别对开发农业智能设备以促进农产品精细化管理有着重要意义。针对作物叶片等级和病害识别准确率低、成本高等问题,提出主干信息共享与多感受野特征自适应融合的作物叶片等级和病害识别算法(Crop leaf grade and disease recognition network,CLGDRNet)。首先,CLGDRNet采用CSPNet、GhostNet、ShuffleNet构建特征提取主干网络,同时将CSPNet、GhostNet、ShuffleNet所提取的特征信息进行共享以达到信息互补的目的;其次,设计多感受野特征自适应融合模块(Multi-receptive field feature adaptive fusion module,MRFA),将不同感受野特征图进行自适应加权融合,在增强模型局部感受野的同时突出有效通道信息;最后,提出一种深层梯度跨空间学习高效多尺度注意力模块(Efficient multi-scale attention mechanism with deep gradient cross-space learning,EMAD),将EMAD嵌入模型的颈部以获取深层梯度信息和目标坐标信息并跨空间融合不同尺度的上下文信息,使模型能够对深层特征图产生更精确的像素级关注。实验结果表明,CLGDRNet在初烤烟叶分级数据集(Tobacco leaf grading dataset,TLGD)上识别精度mAP@0.5和mAP@0.5:0.95分别达到85.0%、76.1%,在苹果叶病害数据集(Apple leaf disease dataset,ALDD)上识别精度mAP@0.5和mAP@0.5:0.95分别达到97.6%、74.2%。相较于多种先进目标检测算法,CLGDRNet具有更高的识别精度,可为高精度作物叶片等级和病害识别提供关键技术支撑。

关键词： 目标检测   多尺度上下文   分层特征聚合   注意力机制   样本不平衡  

摘要： 针对当前的目标检测方法难以表征多尺度上下文特征的问题,提出了MYOLOv8算法;为了提高YOLOv8模型对于小、中、大型目标的检测能力,提出了一种分层多尺度提取模块对空间特征进行分层特征聚合来捕获多尺度空间上下文信息;为了进一步提高模型对于空间语义的提取能力,提出了一种自适应的通道注意力机制,该机制通过自适应地学习相邻通道之间的相互依赖关系来促进模型关注有用特征,抑制无用特征;为了提高模型对于边界困难样本的定位能力,提出了一种Slide Loss来处理目标检测中的样本不平衡问题,该方法采用对困难样本进行强加权的方式来促使模型着重优化难分样本;在MS COCO数据集上的实验结果表明,所提出的算法相比于YOLOv8-n和YOLOv8-s,mAP分别提升了3.4%和1.4%,同时具有相似的参数量和计算开销,以及更快的推理速度。

关键词： 视觉引导   目标跟踪   孪生网络   煤矸石分拣   轨迹规划  

摘要： 现有煤矸分拣机器人在分拣煤矸石时存在误抓取、空抓、碰撞等问题,其主要原因是煤矸石随输送带运输过程中存在打滑、跑偏等现象,依靠带速的煤矸石跟踪方法难以实时获取其精准位姿信息,导致机械臂抓取时出现较大误差,影响机器人分拣效率。针对该问题,提出一种基于视觉实时引导的煤矸石跟踪方法,即通过相机获取煤矸石实时位姿信息,引导机械臂调整动作完成煤矸石跟踪抓取。首先,通过视觉识别模块获取待抓取目标初始位姿与跟踪模板,由控制系统进行策略分配,将煤矸石分配给对应机械臂进行抓取;当目标煤矸石进入机械臂抓取工作区后,由基于孪生网络构建的单目标跟踪模型获取煤矸石实时位姿信息,并实时调整机械臂动作,完成抓取。最后,对不同带速下的煤矸石进行视觉跟踪实验,并构建煤矸分拣机器人仿真系统完成不同程度打滑、跑偏工况的煤矸石跟踪轨迹规划仿真。仿真实验结果表明,构建的煤矸石跟踪模型跟踪准确率为96.9%,跟踪速度为39 FPS,满足实时引导的需求。当存在不同程度打滑、跑偏时,基于视觉实时引导的机械臂抓取误差均降低至1 mm以内。相较于基于带速的跟踪方法,可有效消除运输过程中由于输送带打滑、跑偏等带来的累积误差,提高系统实时响应能力,进一步提升煤矸石分拣效率。

关键词： 弱光条件   无人机   多尺度差分注意力   多模   目标检测  

摘要： 弱光条件下,图像亮度低、对比度弱、成像质量差,且由于机载算力的制约,算法部署应用难以落地,极大地影响了无人机对目标的识别定位精度。因此,无人机弱光照条件下目标检测方法具有重要的理论意义和应用价值。针对此问题,提出了耦合光照条件和对比度的多尺度差分注意力融合检测方法。首先,设计了信息感知引导的多尺度差分注意力融合检测网络,通过信息感知模块计算图像的光照信息和目标的局部对比度,来引导多尺度差分注意力模块对可见光和红外图像的模态内和模态间特征进行深度交叉融合,以提升弱光条件下无人机对地目标的检测识别精度;其次,基于多模吊舱、边缘计算模块和自组网电台构建了一套旋翼无人机多模目标检测系统,针对可见光和红外数据,在通信交互上具有规范的传输协议和统一的任务管理机制,可实现同步解码;随后,设计了对比和消融实验,实验结果显示该方法在典型暗光照数据集LLVIP上mAP达到69.2%,较改进前提升3.9%,并优于典型的双流网络LRAF-Net。最后,在机载端对本文算法进行了轻量化部署和验证,结果表明在真实弱光场景下该算法能显著提升无人机对目标的检测能力,且平均运行效率可达21.2 FPS,满足机载端应用需求。

关键词： 目标检测   安全帽   FasterC2f   轻量化   Efficient Multi-Scale Attention   VoVGSCSP  

摘要： 针对基线YOLOv8n检测算法结构较复杂以及现有的安全帽佩戴检测算法参数量和计算量较大,难以在终端部署等问题,提出一种基于FEV-YOLOv8n的轻量化检测模型;设计一种轻量级的FasterC2f模块改进YOLOv8n的骨干网络,实现网络的参数量和计算量的降低;在FasterC2f模块中引入EMA注意力机制,融合空间依赖和位置信息,建立长短期的依赖关系,增强对目标表征的关注,以提高模型检测的精度;使用VoVGSCSP模块改进颈部网络,提高遮挡目标以及小目标的辨识度;实验结果表明,改进YOLOv8n模型map值为92.5%,相较于YOLOv8n算法,模型大小减少20%,计算量降低18.5%,参数量降低15.7%,为安全帽佩戴检测的轻量化研究提供理论参考。

关键词： 图像处理   卷积神经网络   彩涂钢板   缺陷检测   表面质量  

摘要： 针对高速生产过程中彩涂钢板表面结构性及非结构性缺陷存在尺寸极小、特征边界模糊、人工检测准确率低等问题,提出了一种彩涂钢板表面质量缺陷检测算法。首先收集彩涂钢板缺陷图像并建立多类型缺陷图像数据集;其次利用传统图像处理算法提取缺陷感兴趣区域(Region of Interest,ROI);最后将提取的缺陷感兴趣区域送入卷积神经网络输出缺陷分类结果。实验结果表明:缺陷检测算法对于彩涂钢板表面杂质及搁伤等缺陷的检出率和准确率分别达到了95%和91%,由此证明该算法具有较高的缺陷识别能力,满足了彩涂钢板表面质量检测需求;算法处理速度10帧/s,达到了彩涂钢板生产速度要求。该算法实现了彩涂钢板表面缺陷自动检测功能,达到了提高彩涂钢板缺陷检测准确率、降低人工负荷、节约彩涂钢板生产成本的目标,对彩涂钢板生产行业具有重要的意义。

关键词： YOLOv7   目标检测   Wise-IoU   LAMP剪枝   通道知识蒸馏   TensorRT  

摘要： 针对矿井下输送机特殊运行环境下输送带撕裂的检测难题,提出一种线激光辅助下的改进YOLOv7轻量化检测算法。首先,针对输送带撕裂以小目标为主,不需要最大的检测层,从而简化网络模型,达到减小模型体积和减少参数量的目的。此外,采用动态非单调FM的Wise-IoU损失函数,使模型更加关注普通质量的样本,提高模型检测性能。然后,使用LAMP剪枝方法,提高模型的计算速度并降低计算复杂度,实现检测网络的轻量化,采用通道知识蒸馏无损提高模型精度,最后使用TensorRT加速模型,达到更快的检测速度。实验结果表明,与基准模型相比,改进后模型的参数量和计算量分别减少了86.8%、49.2%,mAP@0.5:0.95达到了62.4%,并且检测速度提升151.0 fps,模型大小从71.3 MB减少到12.8 MB。经过改进后的模型,提高了对输送带撕裂故障检测的准确性和实时性。

关键词： 深度学习   目标检测   数据集   YOLOv8  

摘要： 针对复杂交通监控场景下现有方法在车辆检测任务上检测精度差的问题,文章提出一种基于改进YOLOv8s模型的高精度车辆检测方法RMT-YOLOv8s,使用RMT替换YOLOv8s的骨干特征提取网络,增强模型对复杂场景图像的特征提取与表示能力;在特征融合和增强阶段引入混合域注意力方法CPCA,利用视觉注意力机制CPCA分层细粒度地提取与增强车辆特征,增强模型的特征融合和增强能力。在UA-DETRAC数据集的实验结果表明,RMT-YOLOv8s在准确率、召回率、mAP@0.5以及mAP@0.5:0.95指标分别能达到98.1%、98.0%、98.9%和93.8%,相较于基准的YOLOv8s模型,其四个指标分别涨点1.9%、2.7%、1.5%和3.0%,有效增强了模型在不同场景下的车辆目标检测能力。

关键词： 机器视觉   深度学习   目标检测  

摘要： 【目的】利用视觉检测技术对挖掘机作业区域进行分析,以保证施工作业效率和安全。【方法】研究采用了SGBM匹配算法,并将其与YOLOv5目标检测算法相结合,构建了一种综合的图像检测框架。通过构建专门的数据集并进行训练,研究确定了符合检测要求的图像检测模型,并输出了二维图像检测框和图像特征。【结果】所提出的方法具有很高的性能表现,精确度达到98.3%,召回率达到96.4%,平均精度为98.7%。【结论】该方法能够满足目标检测的高准确度要求,可有效检测挖掘机作业过程中的工作环境并识别装载车辆,可为挖掘机作业过程的自动化提供可靠的技术支持。

关键词： 水下自主航行器   坐落式回收   深度学习   特征点提取   位姿估计   目标检测  

摘要： 自主水下航行器(AUV)在任务进行过程中或完成后需通过自主回收实现能源补充与数据下载等操作,是否能进行高效、精准地回收引导决定了AUV的回收效率,成为其能否广泛应用的关键.针对AUV坐落式回收过程中的近距离光学引导定位问题,提出一种基于深度学习的单双目位姿测量算法.首先,面向恶劣的水下光学成像条件,结合暗通道先验去雾和YOLO v9目标检测网络,实现一种可适应不同水质、光照强度且鲁棒性强、可靠性高的引导光源提取算法.同时,针对回收过程中的特征匹配问题,设计一种不依赖于AUV速度的全向特征匹配算法,实现3D-2D特征匹配.此外,针对坐落式回收典型的多阶段引导特点,分别基于PnP原理和SVD分解设计面向不同阶段的单、双目引导定位算法.最后,基于多次仿真和实物实验,验证算法在精确位姿估计方面的可行性和有效性.