关键词： 医疗废物智能分类   图像处理   MobileNetV2   特征提取   多尺度特征融合   深度学习  

摘要： 随着医疗服务需求的增长，医疗废物的产生量逐渐超出负荷，当前医疗废物的分类与包装多以人工为主，存在医护人员感染病毒风险高、工作效率低下等问题。针对上述问题，本研究在MobileNetV2模型的基础上，提出一种改进MobileNetV2的医疗废物智能分类模型(MobileNetV2-MW)。通过改进瓶颈残差模块，捕捉不同特征通道之间的关系，提升模型对图像信息的特征提取能力；同时，引入一种多尺度特征融合模块，增强模型对图像多尺度信息的适应能力，避免模型过度关注某一特定尺度带来的不良影响。实验结果表明，MobileNetV2-MW模型在医疗废物图像数据集上的分类准确率、精准率、召回率和F1-Score分别达到95.38%、95.36%、95.33%和95.30%,相比于MobileNetV2模型分别提升了3.18%、3.05%、3.23%和3.21%,在对比模型中分类效果优秀，最后通过t-SNE可视化分析和泛化实验进一步验证了该模型的有效性，为医疗废物智能分类研究提供了新的思路和方法。

关键词： 目标检测   yolov5算法   swin transformer   损失函数  

摘要： 【目的】 在交通道路目标检测任务中，面对雨、雪、雾等恶劣天气条件，由于拍摄环境背景复杂且待检测目标在交通监控图像中的占比相对较小，目标检测算法往往难以准确识别场景中的小目标及被遮挡目标，导致误检和漏检率较高。为解决这一问题，提出一种在复杂环境下仍能保持较高检测精度的深度学习目标检测网络Swin-YOLOv5。【方法】 网络以YOLOv5为基础，在主干网络中融入Swin Transformer模块，提高了网络的抗复杂背景能力。同时，还在头部网络也加入Swin Transformer模块，并以此提高了网络的细节信息提取能力，改善对道路小目标的误检、漏检等问题；除此之外，将预测边界框的损失函数从CIoU替换到EIoU，从而使算法的收敛速度更快，定位效果更好，并获得拥有更高检测精度的输出结果。【结果】在BDD100K数据集上，Swin-YOLOv5与YOLOv5s相比平均精度均值（mAP）提升了8.4%，与Swin-T-YOLOv5、Swin＿YOLOv5＿to这两个算法相比，平均精度均值（mAP）分别提升了4.3%和2.6%，实验结果表明了所提算法的有效性。【结论】 改进算法可以精确的识别道路目标中的小目标，同时减少漏检和误检的情况，为交通道路目标检测提供了强有力的支持。

关键词： 小目标检测   多尺度特征融合   自适应融合  

摘要： 小目标检测在驾驶辅助、智慧医疗、无人机巡检等任务中具有重要的理论和实践意义。多尺度特征学习是设计小目标检测网络经常采用的策略之一。其中，经典的特征金字塔结构通过融合不同层级的特征图，实现多尺度信息的传递，从而在不同分辨率的特征图上都能捕捉到小目标的关键信息。然而，在进行不同尺度特征图融合时，语义信息冲突往往不可避免，进而造成梯度计算不一致，导致小目标信息被淹没。为此，提出了一种步进式自适应特征融合网络模块(Step-by-step Adaptively Feature Fusion Module， SAFF)，将特征融合过程划分为三个阶段依次进行，通过步进式地融合相邻尺度特征图，解决特征图融合过程中的语义信息冲突问题。同时，在每个阶段中，通过自适应计算融合权重，缓解梯度计算不一致问题。在此基础上，将SAFF模块与通用目标检测网络结合，形成用于小目标检测的SAFF-RCNN和Cascade-SAFF-RCNN网络。实验结果表明，所提出的网络模型的小目标检测性能均有显著提升，达到或超越了其它主流的小目标检测模型，证明了SAFF模块用于小目标检测时的有效性。

关键词： 关注目标检测   时空推理   注意力机制   卷积长短时记忆网络   多特征融合  

摘要： 现有的个体关注目标检测主要是利用面部信息进行，难以应对因人脸部分遮挡、人脸模糊或隐私保护等情况导致面部精细信息缺失的场景，并且忽视时间信息也会一定程度上影响方法在视频任务中的效果。提出基于多特征融合的时空推理网络，利用卷积神经网络分别提取个体的头部外观与面部信息、个体姿态信息以及相关场景信息的关键特征，通过空间推理编码器的注意力机制和自定义的模型训练策略，学习不同特征的重要程度并降低对单个特征的过分依赖，实现空间特征加权融合。采用卷积长短时记忆网络整合视频帧序列中的时空信息，用于视频任务中的个体关注目标检测工作。实验结果表明，在GazeFollow数据集和VideoAttentionTarget数据集上反映方法整体性能的AUC值分别达到了0.936和0.902。与现有最好的研究方法相比，该方法在相同两个数据集上的AUC值分别提高了1.7和3.2个百分点，在个体关注目标检测任务中具有更好的准确性和鲁棒性，能用于更复杂的现实场景。

关键词： 图像语义分割   深度学习   刀具磨损   图像处理   形态学滤波   定量评价  

摘要： 刀具磨损状态的鲁棒评价对于保证加工效率提高产品供给质量具有重要的作用。针对于现有刀具磨损状态直接评价方法难以自适应进行磨损区域划分的问题，提出了一种结合图像语义分割与形态滤波的铣削刀具磨损状态智能评价方法。首先，通过引入压缩-激励结构，融合U-Net网络编码与解码过程中对应特征信息，提高模型的语义分割性能，实现小样本条件下刀具图像的像素级分割。为进一步改善网络输出效果，提出一种分段处理的优化策略，针对于不同磨损阶段的刀具图像采用不同的结构元进行形态学滤波处理。最终，通过统计形态学滤波后分割区域面积实现刀具磨损状态的定量评价。实验结果表明，较之经典U-Net结构，提出方法可提高识别准确率10%左右，论证了所提出方法的有效性。提出方法针对刀具图像逐像素进行磨损状态的自适应判断，可广泛适用于不同刀具类型的磨损状态评价过程。

关键词： 目标检测   三维坐标   手眼标定   机械臂   深度相机  

摘要： 对YOLO模型进行算法改进，提出一种可以有效替换特征提取主体的模块C2fmk，并引入注意力机制等模块，得到具有泛化性的目标检测模型ECASC＿YOLO。该模型有效降低了网络计算量和参数量，完成了模型检测精度的超越，并且保证了在边缘设备上对目标的实时检测。后续通过ZED2i深度相机获取目标视频流和点云信息，利用“眼在手上”的标定方式，结合机械臂末端姿态信息实现了无人机的自动有效抓取，为单轴无人机的回收抓取提供了一个可行的实现方法。实验表明，该检测算法可以为机械臂抓取提供实时精确的视觉引导，整个机械臂系统可以完成对无人机的有效自动抓取回收。

关键词： Mask-RCNN   轴承   滚动体   图像处理   参数检测   缺失检测  

摘要： 为了通过深度学习来更方便且高效的检测轴承滚动体若干参数，从而自动判断出轴承滚动体是否存在异常。提出了使用Mask-RCNN来检测轴承滚动体并提取掩膜，然后通过使用图像处理的方法，计算出滚动体个数和其他若干参数，最后根据检测到的参数判断滚动体是否存在异常。本次实验设计了简单的背光源加同轴光源组合的形式并结合工业像机采集了50张轴承图像，然后通过对采集到的图像进行图像增强操作，获得了50张旋转、增强对比度和曝光等图像，组成100张图片作为数据集。通过对Mask-RCNN的训练来获得较好的模型参数，并随机对某张验证集的轴承图进行检测就可以得到各轴承滚动体的若干参数信息，从而根据求得的参数来自动判断滚动体是否异常，达到了检测的目的。

关键词： 目标检测   焊缝缺陷检测   特征融合   YOLOv8  

摘要： 金属表面焊缝缺陷的准确检测是确保工件安全使用的前提,由于缺陷与母材颜色相近、图像不清晰等情况,使用常规的 2DRGB视觉难以完全检测出所有的缺陷类别,需要添加深度信息来辅助检测.试验提出一种基于RGB-D数据特征融合的焊缝表面缺陷检测方法,在YOLOv8网络模型的基础上,利用改进的对称主干网络结构提取RGB和深度特征的有效特征层,引入RGB-D数据特征融合模块,实现了RGB特征和深度特性在空间与通道位置的融合,在YOLOv8模型中加入CIoU-NMS(complete intersection over union-non max suppression)非极大值抑制模块,提高了检验框的准确度.针对随机包含有烧穿、飞溅、焊瘤和气孔 4个类别焊缝缺陷的图像进行了试验,结果表明,改进的YOLOv8比YOLOv8漏检率下降了 17.84%,误检率下降了19.46%,证明了所述方法的有效性与准确性.

关键词： 小目标检测   YOLOv4算法   轻量级网络MobileNetV3   IF-EIoU Loss   MS COCO数据集  

摘要： 针对目前主流算法对小目标检测存在计算量大与准确率较低的问题,本文以轻量级网络MobileNetV3代替YOLOv4中的主干网络,并将颈部网络中的一部分普通卷积用深度可分离卷积替代,同时针对小目标检测定义一个新的损失函数IF-EIoU Loss,由此构建了MDS-YOLO目标检测模型.该模型具有较高的检测速度,且针对小目标具有较好的检测性能.为了验证模型的有效性,分别在MS COCO数据集和Visdrone2019数据集上进行了实验.与 YOLOv4算法相比,在MS COCO数据集上,MDS-YOLO算法的平均检测精度提升了1.5个百分点,对于小目标的检测精度提升了3.3个百分点,检测速度也从31帧/s提升至36帧/s;在Visdrone2019数据集上,MDS-YOLO算法将平均检测精度从YOLOv4的14.9%提升至16.3%.实验结果表明,本文提出的MDS-YOLO算法能有效提升小目标检测精度.

关键词： 目标检测   无人机   MobileViT   CCFM   ECA  

摘要： 针对无人机航拍中目标物体小、分布密集、互相遮挡等问题引发的误检和漏检现象，本文提出了MCEW-YOLO无人机目标检测算法。该算法首先使用MobileViT作为主干网络，通过融合CNN和ViT的优势，增强了网络对局部与全局信息结合能力；其次在Neck部分加入ECA通道注意力机制，捕捉长距离依赖关系，有效地融合了多尺度信息，同层借鉴了CCFM结构思想，加入四个卷积调整通道数并跨通道信息整合，促进多尺度特征融合；最后本文采用基于动态非单调聚焦机制的边界框损失函数（Wise-IoUv3），使用离群度对锚框质量进行评估，优化了边界框回归性能。实验结果表明：在VisDrone2019数据集上，MCEW-YOLO算法的mAP@50达到了39.1%，mAP@50:95达到了23.3%，同时模型的参数量为2.4M，相较于基线模型YOLOv8n精度分别提升了7.0%、4.0%，参数量降低了19.4%。综上所述，MCEW-YOLO算法能够有效应对无人机航拍下的目标检测挑战，满足性能要求。