关键词： 大语言模型   室内三维目标检测   开放词汇   上下文信息   思维链  

摘要： 现有室内三维目标检测算法能检测的目标类别通常有限,这限制其在智能机器人领域的应用。开放词汇目标检测能在不定义目标类别的前提下检测给定场景的所有感兴趣目标,从而解决室内三维目标检测的不足。与此同时,大语言模型的先验知识能显著提升视觉任务的性能。然而现有的开放词汇室内三维目标检测研究存在仅关注目标信息,而忽视了上下文信息的问题。室内三维目标检测的输入数据主要是点云,存在稀疏和噪声问题。仅依赖目标点云信息会对三维目标检测结果产生负面影响。上下文信息包含场景描述,能对目标信息进行补充,从而提升目标检测中类别判定的准确率。为此,本文提出了基于上下文信息和大语言模型的开放词汇室内三维目标检测算法,该算法通过结合上下文信息和大语言模型的思维链推理获取检测结果。此外,该算法在SUN RGB-D和ScanNetV2数据集上进行了验证,实验结果表明了其有效性。

关键词： 输电线路   鸟类识别   YOLOv8   目标检测   珍稀鸟类  

摘要： 为有效防治珍稀鸟类误撞输电线路导致的鸟类伤亡与线路跳闸事故,提出一种基于改进YOLOv8模型的鸟类智能识别方法。根据发生撞线事故的鸟类信息及输电线路周边调研结果,构建了包含11种珍稀鸟类的图像数据集,采用加雾加噪操作进行图像增广,用于模拟真实输电线路场景。通过在YOLOv8网络的特征提取部分加入大型分离卷积注意力模块,减少模型参数量,增强模型对于鸟类特征的提取速度;在特征提取和特征融合网络中增加辅助检测头,增强模型对于鸟类特征的学习能力,进而提高检测性能。算例分析表明,改进模型的平均精度均值、F1分数、FPS分别为95.11%、91.55%、138.89,实现了对于误撞输电线路珍稀鸟类的高效准确识别。后续将模型部署在线路杆塔图像采集系统中,可为珍稀鸟类保护与输电线路运维提供技术支持。

关键词： 深度学习   目标检测   剪枝   模型压缩   轻量化  

摘要： 道路损伤检测在道路维护过程中至关重要,针对目前的道路损伤检测依赖于大型车载检测设备导致其成本过高且普适性差的问题,提出了一种应用于边缘设备的超轻量化路面裂纹检测模型。首先构建轻量化的道路损伤检测网络,在此基础上基于特征映射贡献度剪枝策略,删除网络中的冗余参数,保证在边缘设备中进行实时监测的同时不降低检测精度。通过实验对提出的模型进行了验证,结果表明本文所提出的模型大小仅有2.06 M,在帧率40的情况下准确率达到了68.6%,相较于原始的YOLOv5s模型,在准确率仅降低3.4%的情况下,参数量降低了70.8%,在边缘平台推理延时降低175 ms。综上所述,所提出的模型在能够更有效地检测道路特征的同时,可以保持高水平的准确性,对于道路损伤检测具有良好的鲁棒性。

关键词： 深度学习   YOLOv5算法   目标检测   模型训练   图像处理   系统测试  

摘要： 非机动车驾乘人员正确佩戴头盔可以减轻交通意外中的人身伤害,为了检测非机动车驾乘人员头盔状态,基于YOLOv5设计了一款非机动车驾乘人员头盔检测系统。首先通过网络爬虫下载交通监控图像建立数据集,标注图像中的非机动车驾乘人员头盔佩戴状态,分为正确佩戴和未佩戴两种;接着将数据集划分为训练集、验证集和测试集;设置算法的超参数,训练头盔检测模型,开发非机动车驾乘人员头盔检测系统。系统分为用户管理、图像采集、头盔检测、结果分析与显示4个模块,分别实现用户身份验证,交通视频图像获取,利用训练好的模型检测头盔状态,显示头盔检测结果等功能。实验表明,该系统能有效检测非机动车驾乘人员的头盔状态,为道路交通安全提供支持。

关键词： YOLOv5s   红外图像   多尺度融合   小目标检测  

摘要： 为提高输电线路红外图像检测的可靠性和准确性,从实用化以及多目标检测角度出发,提出了一种基于改进YOLOv5s的输电线路检测及故障识别方法YOLOv5s-ECW.首先在Backbone部分增加跨空间学习的高效多尺度注意力机制,增强模型提取特征和多尺度融合的能力,减少了计算开销;其次在Neck部分引入上下文增强模块,减少信息冲突,提高了小目标与远距离目标的检测精度;最后将损失函数替换为Wise-IoU,使模型聚焦于普通质量的锚框,提升了检测效果.实验与测试结果表明,本文提出的方法YOLOv5s-ECW与原YOLOv5s相比,平均精度、精确率、召回率分别提升了3.9%、4.0%、4.5%,并且针对5种电力设备以及可能故障点的检测能力得到不同程度的增强,方法更加实用化.

关键词： 视频编码   目标检测   率失真优化   人眼视觉质量   量化  

摘要： 为了降低视频编码失真对目标检测性能的影响,提出了一种面向目标检测和人眼视觉的视频编码优化方法。首先,调整I帧的量化参数,提升率-编码失真性能;其次,将目标检测算法引入到视频编码器中提取编码帧中的目标区域信息;接着,采用深度网络模型提取当前编码单元的特征,并采用余弦距离计算特征失真;然后,通过改进的VGG网络模型预测编码单元的量化参数;最后,将特征失真引入到率失真优化问题中,通过计算码率-编码失真-特征失真代价函数选择编码单元的最优编码参数。实验结果表明,与最新视频编码标准参考软件VTM-23.0相比,对于目标检测性能,所提算法平均可取得10.5%的BD-rate节省;对于人眼视觉,所提算法平均可取得2.2%的BD-rate节省。

关键词： 目标检测   YOLOv8   注意力模块   遥感图像  

摘要： 尽管目标检测技术已日趋成熟,但针对遥感图像的目标检测仍面临诸多挑战,主要源于遥感图像中目标特征不明显、背景复杂、小目标占比高以及目标类别不均衡等问题导致检测精度不足.本文提出了一种遥感图像目标检测算法(remote sensing-YOLOv8,RS-YOLOv8),重点优化了瓶颈层模块,通过提出多尺度特征自注意融合结构,提升了对小尺度目标和多层级特征的敏感度与筛选能力,降低了漏检率.设计EMASlideLoss优化损失函数,增强了对复杂样本的处理能力,并引入DySample动态上采样策略提升上采样质量,并在一定程度上改善了因新增模块导致的模型参数量增加.在SIMD数据集上的实验表明,RS-YOLOv8显著改善了小目标的漏检情况,mAP达到83.7%,较YOLOv8提升3.7%,展现出优异的检测性能和广泛的应用前景.

关键词： 水下目标检测   YOLOv8s   Shallow-UWnet   跨层特征融合  

摘要： 针对水下环境存在的色偏、细节模糊以及水下目标存在多尺度和遮挡等问题,提出了一种改进YOLOv8s的水下目标检测算法SLG-YOLOv8s。首先,通过Shallow-UWnet网络对水下图像进行增强,提高图像的对比度和清晰度;其次,提出了轻量化多尺度全局注意力(lightweight multi-scale global attention,LMGA)模块,将此模块与YOLOv8s主干部分的C2f融合,通过动态调整权重进行特征重标定,加强特征表达能力,减少计算量;最后,通过聚集和分发(gather-and-distribute,GD)机制采用跨层特征融合的方式增强中间层的信息融合能力,从而提升模型对多尺度目标的检测效率。实验结果表明,SLG-YOLOv8s算法的平均精度均值达到了95.1%,与YOLOv8s算法相比平均精度均值提升了5.1%,精确率和召回率分别提升了4.5%和5.2%,IoU为0.5时海参、海胆、海星、扇贝检测的平均精确率分别提升了4.3%、5.3%、5.6%、5.5%,研究结果可为水下机器人精准捕捞提供重要依据。

关键词： 深度学习   目标检测   YOLOv8   铁路异物  

摘要： 由于监控场景覆盖面积大、侵限异物相对尺寸小、背景干扰较多等,现有铁路侵限监控系统检测精度较低,且达不到实时检测要求,为此提出一种基于改进YOLOv8的铁路异物检测算法。首先,引用FasterNet中部分卷积的设计思想,在颈部网络采用FasterC2f模块替代原C2f模块,以降低模型参数量和运算量,同时提升模型的特征融合能力;其次,对快速空间金字塔池化(SPPF)模块进行改进,引入大型可分离核注意力(LSKA)机制,提出一种SPPF_LSKA模块结构,以在特征提取时减少复杂背景的干扰,加强对小目标的检测能力;最后,采用WIoU损失函数替代原CIoU损失函数,以降低低质量、小目标样本带来的不良梯度影响。实验结果表明:与原YOLOv8模型相比,改进YOLOv8模型检测的平均精度均值(mAP@0.5)达到92.9%,提升了2.09%,模型权重降低了3.28%,浮点运算量降低了6.17%,在检测精度和效率之间达到了较好的平衡,能够满足实际检测需求。

关键词： 目标检测   害虫识别   YOLOv5算法  

摘要： 结合目标检测的优势和农业领域亟待解决的害虫预警问题,致力于将目标检测技术应用于病虫害治理,以减少各地农业因病虫害问题造成的经济损失,增加农作物产量.提出以图像识别算法为基础,通过摄像头实时获取图像信息,对其进行预处理和图像增强,以扩充训练集;利用YOLOv5目标检测算法对病虫害信息进行训练,实现了对28种常见农田害虫的识别,并对其中24种准确率达90%以上;完成了对农田病虫害问题的实时监控及信息反馈,在面对病虫害问题时,能够及时治理,从而降低病虫害问题对农作物的影响及损失,提高农作物产量和经济效益.