关键词： 水下目标检测   SimAM注意力机制   可变形卷积   WIoU  

摘要： 目的针对水下环境复杂,水下目标因光线折射导致的目标边界模糊或外观、形状可能会发生非刚性形变,使水下目标检测困难的问题,提出了一种基于SimAM注意力机制的DCN-YOLOv5水下目标检测方法。方法首先,采用YOLOv5所使用的双向金字塔网络(BiFPN,Bi-directional Feature Pyramid Network)在多个尺度上提取和融合特征信息,从而提高目标辨别的准确度;其次,针对水下目标的外观、形状变化问题,将C3模块中的CBS模块结合可变形卷积(DCN,Deformable Convolution Network),提出DBS模块并组成D3模块替换部分C3模块,以适应水下目标的外观、形状变化;同时,融入加权注意力机制(SimAM),自适应地调节模型的关注度,进一步在复杂场景下增强特征表达能力;最后,考虑目标边界模糊,为改善目标定位精度,采用WIoU(Wise-IoU)损失函数来替换交叉熵损失,能够更好地适应不同目标类型和尺寸的特点,提高算法鲁棒性。结果实验结果表明:DCN-YOLOv5可以达到87.57%的平均精度(mAP),检测效果优于YOLOv5网络和其他经典网络,平均每张图像的识别时间仅为24.5 ms。结论通过实验结果可以证明模型在检测精度明显提升的同时兼顾检测的实时性,对水下目标检测用于实际用途有着一定的参考价值。

关键词： 印刷品缺陷检测   深度学习   异常检测   目标检测  

摘要： 印刷品缺陷检测通过分析纹理特征、颜色特征及形状特征确定缺陷的类别和位置,是印刷品质量管控的重要手段。本文针对现有印刷品缺陷检测方法进行综述。首先,回顾了传统印刷检测方法的原理和国内外应用现状,分析当前检测的特点和局限性;然后,重点探讨基于深度学习的印刷品缺陷检测方法,并对比了各方法的优缺点及适用场景;最后,总结了现阶段深度学习检测技术在印刷领域的局限性,并对该检测方法未来发展趋势进行展望。

关键词： YOLO算法   目标检测   残差网络   特征分析   身份识别与跟踪  

摘要： 针对群组互动中单点追踪的难题,尤其是人物间遮挡及追踪目标失踪的问题,本研究开发了一种将个体目标检测与身份辨识相结合的图像追踪策略,旨在提高追踪系统的稳定性和目标遮挡后的快速恢复能力。本研究采用YOLO算法快速筛选潜在追踪目标,因其高效且精准,在图像目标侦测中广受推崇。随后,研究利用预训练的深度残差网络(ResNet)对候选目标进行特征分析,ResNet能捕获丰富且深层次的特征,对身份辨识至关重要。此追踪策略结合YOLO的高效筛选和ResNet的深度特征分析,显著提升了追踪系统在处理目标遮挡和丢失时的恢复效率。该研究为智能监控、公共安全等领域提供了新技术方案,有望推动相关技术的进一步发展和应用。

关键词： 遥感图像   目标检测   Vovnet   上下文信息融合   自注意力  

摘要： 针对遥感图像目标检测面临目标分布密集、背景复杂、小目标众多等问题,在Vovnet算法的基础上进行改进,在特征提取主干网络中加入CoT全局特征提取模块,协同跨视角的特征提取,在多个尺度上保留了感受野的视角信息,以结合不同尺度目标的上下文信息并增强视觉表示;同时在FPN的基础上设计了上下文信息融合模块MSSFPN,建立在深层特征图上,在尺度维度对图像特征进行融合以增强目标的特征表示;引入深度超参数化卷积层进行预测,对每个通道的特征图使用独立的权重,使网络适应不同尺度所提取的图像特征,以提高检测精度。改进的算法在公开的Visdrone数据集中的目标检测平均精度均值(mAP)相较于原始Vovnet算法提升6.80个百分点,同样优于其他目标检测算法。实验结果进一步验证了所改进算法在遥感图像目标检测方面的高精度和有效性。

关键词： 路面裂缝   ROS   裂缝修复   图像处理  

摘要： 针对公路路面养护作业自动化程度低、人工养护作业耗时长、人力成本高等问题,本文基于机器人操作系统Robot Operating System(ROS),以Jetson Nano为核心搭建路面裂缝修复机器人模型,基于图像处理算法实现了路面裂缝识别,采用机械臂加末端装置的结构搭建了路面修复装置,并进行了机器人性能测试,可初步实现设计的功能,为下一步深入研究路面裂缝识别与修复提供了基础。

关键词： 输送带   表面破损   目标检测   YOLOv8  

摘要： 针对煤矿输送带表面产生的破损,采用改进的YOLOv8网络进行检测。首先在YOLOv8网络Backbone中的C2f之后添加高效通道注意力(ECA)模块;其次将Backbone中的标准卷积层替换为深度可分离卷积(DSC)层;最后将损失函数替换为高效交并比(EIoU)。实验结果表明,改进后的网络可高效提取破损特征,减少了网络的计算量,加快了网络训练的收敛速度,最终准确率提升至94.8%。

关键词： 小样本目标检测   元学习   Meta Faster R-CNN   背景抑制   特征增强  

摘要： 小样本目标检测的元学习方法能快速适应少量训练样本,较好解决现有常规检测模型泛化能力不强、适应新任务速度缓慢、鲁棒性差的问题,具有较高的实际应用价值,但该方法对支持集特征利用能力不足、检测精度不高。为此,基于支持集特征增强,针对元学习SOTA算法Meta Faster R-CNN进行改进,从支持集背景抑制与目标特征增强两个角度出发,削弱与待查询目标无关的背景信息并加强支持集内部特征之间的联系,构建一种检测性能更高的小样本目标检测算法。实验结果表明:在PASCAL VOC Novel Set数据集上的元测试阶段,本文改进算法在1-shot、2-shot、3-shot、5-shot、10-shot下的平均精度均值(mAP@0.5)较原算法分别提升了0.066%、12.038%、12.289%、10.073%、9.539%;在元微调后的测试阶段,本文改进算法的mAP@0.5较原算法有所提升或基本持平;增强支持集特征能够有效提升小样本目标检测精度。

关键词： 知识蒸馏   目标检测   模型压缩   注意力机制   计算机视觉  

摘要： 知识蒸馏是一种将知识从复杂的教师模型转移到轻量级学生模型的模型压缩技术.现有的为分类任务而设计的知识蒸馏方法在目标检测任务上的性能并不理想,仅观察到微小的改进.与分类任务相比,目标检测任务会在自然图像中同时定位和分类多个目标对象,这些目标对象往往具有不同的尺度和外观以及复杂的类间关系,并且分布在不同的位置,导致目标中心或周围区域以及前景和背景区域等都有可能对蒸馏有不同的贡献,知识在检测任务中变得相当模糊和不平衡,这使得目标检测中的知识蒸馏变得非常具有挑战性.为解决这个问题,本文提出一种新的基于注意力的目标检测知识蒸馏框架——类别语义和全局关系蒸馏,前者关注每个类别目标的关键前景位置,后者捕捉各类别目标像素之间的全局长远距离依赖关系.为验证本文所提出方法的有效性和泛化性,分别在SODA10M、PASCAL VOC和MiniCOCO三个具有挑战性的数据集基准上进行了实验.在多种目标检测器上,经过蒸馏之后的学生模型都取得了较大的性能改进.对于RetinaNet ResNet-50,其mAP在SODA10M数据集上提升了4.67,其AP50在PSACAL VOC数据集上提升了2.64.

关键词： 水下生物目标检测   YOLOv7-tiny   注意力机制   通道剪枝   复杂水下环境  

摘要： 在利用水下机器人进行生物捕捞与识别时,色偏、雾效应与光干扰等复杂水下环境的干扰会导致模型存在漏检和误检现象,同时,由于带宽受限,水下设备计算资源也受限制。为解决上述问题,提出了一种高检测精度的轻量级改进的YOLOv7-tiny模型。使用SiLU激活函数和EIOU损失函数提高模型收敛速度;使用双重注意力叠加的GAM注意力机制和三重注意力叠加的DyHead检测头更好地抵御环境噪声的干扰;最后,利用通道剪枝策略降低模型参数量。实验结果表明:在RUOD数据集上,改进后的模型有效的缓解了色偏、雾效应与光干扰等复杂水下环境下的漏检和误检现象,浮点数计算量降低8.4%,提高了水下设备在计算资源受到限制时的可用性。所提方法可适用于水下检测系统和水下机器人。

关键词： 小目标检测   重参数化   特征融合   损失函数  

摘要： 针对无人机航拍图像目标尺寸小、分布密集且被遮挡造成误检漏检等问题,提出一种结合重参数化思想与多层次特征融合的航拍图像小目标检测算法.首先,利用重参数化思想设计了重参数化卷积模块(reparameterized convolution module,RCM),与C2f模块结合设计了C2f-RCM模块,通过扩大感受野有效绘制上下文信息,更好地提取图像中的细微特征.其次,为解决颈部网络在特征融合部分造成的信息丢失问题,提出一种多层次特征融合模块(multi-level feature fusion module,MFFM),该模块利用跨层次间的信息融合,有效减少了在遮挡情况下的漏检现象,使得网络在检测大、中、小目标时能够显著提升准确度.最后,提出一种Inner-Shape IoU边界框回归损失函数,通过构建辅助边框和关注边界框的自身形状,以增强模型的收敛速度.实验结果表明,与基线模型相比,本文方法在VisDrone2019中,mAP@0.5、Precision、Recall分别提高了5.7%、5.7%、2.4%,在AI-TOD中,mAP@0.5、Precision、Recall提升了3.7%、3.9%、5.3%,验证了本文方法在航拍图像小目标检测方面的有效性.