关键词： 目标检测   卡尔曼滤波   动态抓取   自动化装配   机器人操作系统  

摘要： 针对传统军工业生产制造中,机器人在动态抓取过程中出现的检测精度不高、位姿适应能力差的问题,提出了一种基于深度学习的动态抓取技术,以在传送带运动过程中实现对弹药零件的高效抓取。采用YOLOv5目标检测网络,以实时准确地识别和定位弹药零件,结合卡尔曼滤波算法进行精确的目标跟踪和位置预测。此外,通过实施逼近抓取策略,确保在动态环境中实现稳定可靠的抓取。以机器人操作系统(ROS)为平台进行方案可行性验证。结果表明,该动态抓取方案可满足实际需求,为类似抓取任务提供了参考。

关键词： 计算机视觉   高光谱图像   卷积神经网络   视频转换   自注意力机制  

摘要： 针对高光谱图像(Hyperspectral Images,HSI)地面覆盖类的像素级分类问题,提出一种3D-ConvFormer的混合结构模型,该模型通过在浅层使用三维卷积(3D-CNN)操作提取高光谱图像的局部空间光谱特征,在深层利用自注意力(Slef-attention)机制在卷积窗口内提取空间光谱特征,实现了卷积网络的平移不变性与self-attention对特征的灵活提取能力的有效融合。在Indian Pines,PaviaU和WHU Hi Longkou 3组公开的高光谱图像数据集上进行实验,采用总体分类精度(OA)、平均分类精度(AA)和Kappa系数3个指标,对地物类别的像素级分类结果进行量化评估。实验结果表明,模型在Indian Pines数据集上OA为98.41%,AA为97.56%,Kappa为98.16%;在PaviaU数据集上OA为99.39%,AA为99.30%,Kappa为99.18%;在WHU-Hi-Longkou数据集上OA为98.53%,AA为98.97%,Kappa为98.06%。模型在3组高光谱图像分类任务中展示出的性能均优于对比的模型方法,取得了良好的分类性能,有效提升高光谱图像的分类精度。

关键词： 目标检测   改进YOLOv5s   空间增强注意力模块   SE注意力机制   Soft-NMS算法  

摘要： 为解决缫丝时绪下茧粒与工作背景辨识度较低、茧粒分布密集以及茧粒之间相互遮挡而漏检的问题,课题组提出了一种基于改进YOLOv5s的缫丝机绪下茧粒数检测算法。该算法在Backbone中引入RFB-SE(receptive field block-squeeze and excitation)模块,实现了对与工作背景辨识度较低茧粒的检测;使用空间增强注意力模块(spatially enhanced attention module,SEAM)来改进网络的颈部(Neck),解决了由于茧粒遮挡而造成漏检的问题;引入Soft-NMS代替非极大值抑制(non-max suppression,NMS),改变了原始模型对于预测框的处理方式,更好地改善了漏检问题。实验结果表明:该算法在数据集上召回率达到了98.3%;平均精度均值达到了98.8%,相比原始模型提高了3.3%。该算法解决了茧粒与工作背景辨识度低、茧粒间相互遮挡而造成的漏检问题。

关键词： YOLOv8   人数统计   深度学习   目标检测  

摘要： 为了实现教室使用率和学生出勤情况的高效管理,推动教务管理的自动化进程,设计并实现了一种基于YOLOv8的端到端实时教室人数统计系统。此系统仅需利用教室内的普通摄像头,即可实现对教室人数的实时查询与可视化展示。为提升模型对特定教室环境的适应性,加入教室摄像头自制数据集ClassCount对YOLOv8模型进行微调。实验结果表明,加入ClassCount数据集进行训练后,模型在混合数据集上的表现显著提升,其中mAP@50提高了约7.7%,mAP@50~95提高了约6.8%,验证了模型在复杂教室环境中进行实时人数统计时的适应性和鲁棒性。

关键词： 目标检测   YOLOv5s   烟梗检测   RepViT   重参数化   注意力机制  

摘要： 在烟草生产线中烟梗输送下落过程中,存在背景信息干扰、目标数量多且形状不一、目标堆叠、下落速度过快等问题,传统图像处理算法难以解决.提出基于改进YOLOv5s的烟梗物料目标检测算法.对YOLOv5s网络的骨干和头部进行优化改进,显著提高检测精度,大幅缩小模型大小;将骨干网络优化为RepViT-m1结构,以提高信息提取的效率;采用重参数化技术,以更好地捕捉目标的特征,提高检测的精确性;引入基于注意力机制的目标检测头Dynamic Head,使模型更专注于潜在的目标区域,进一步提高检测精度.实验结果表明:在自建的烟梗数据集上,相较于原YOLOv5s模型,改进YOLOv5s模型的m AP@0.50为96.1%,提高了5.8个百分点;mAP@0.50∶0.95为94.7%,提高了5.7个百分点;模型大小为12.1 MB,减少了12.3%.模型可以为实时监控系统提供可靠且精确的支持.

关键词： 人脸识别   人脸跟踪   复杂场景   YOLOv8   DeepSort   GIoU  

摘要： 为解决在复杂场景下传统算法对人脸的识别和跟踪精度低的问题,文中提出一种面向复杂场景的人脸识别与目标跟踪算法FaceNet。该算法由人脸识别与人脸跟踪两部分组成。在人脸识别方面,基于YOLOv8提出一种改进的人脸识别算法FaceD-YOLOv8,提高了识别准确率。再以DeepSort为基础,提出一种改进人脸跟踪算法FaceT-DeepSort,实现对人脸目标连续准确的跟踪。在公开数据集上进行的对比实验结果表明,与主流的传统方法相比,所提FaceD-YOLOv8算法人脸识别的mAP值提高3.5%,FaceT-DeepSort算法的人脸目标跟踪精度(TP)值提高9.1%。证明所提方法具有良好的综合性能,能够满足工程应用的需要。

关键词： 生物水质检测   目标检测   轨迹追踪   图像分类  

摘要： 水污染对人类的生命和财产安全构成了严重威胁,因此建立有效的水质检测模型成为水质管理中至关重要的环节。目前,常用的水质检测方法主要包括理化检测法和生物检测法,其中生物检测法可以弥补理化检测法的不足,能够更加准确和高效地反映水质状况。本文基于计算机视觉原理,选择斑马鱼幼鱼作为水质指示生物,通过获取斑马鱼幼鱼在正常水质、轻度污染水质和重度污染水质下的游动视频,运用目标检测与轨迹跟踪技术生成鱼体运动的轨迹图像作为数据集,然后采用机器学习和图像分类技术,对不同水质下的鱼类运动轨迹特征进行学习和分类,建立了一种基于斑马鱼幼鱼行为跟踪轨迹的生物水质检测模型。该模型的分类准确率达到了97.4%,对随机轨迹图像的分类预测准确率达到了98.6%以上。本研究不仅为生物水质检测提供了模型设计的理论依据,也为不同应用场景提供了技术上的可行性支持。

关键词： 机器学习   深度学习   无人船   目标检测  

摘要： 随着数字技术的积累,智能无人设备不断实现跨越,作为无人系统一大分支的无人船将会是未来船舶发展的趋势。基于无人船视觉的障碍物检测技术是无人船实现自主航行的核心技术之一,通过无人船视觉检测技术的应用,无人船可以实时监测和识别周围的目标,当发生紧急情况时可以采取适当的行动,确保航行安全。为了促进无人船视觉检测技术的发展,论文对近年来无人船视觉领域相关研究进行阐述,总结了针对无人船视觉领域检测算法的改进策略和技术细节。针对无人船视觉领域检测过程中所面临难点和问题分析其主要原因,并且提出了解决方案。最后对未来无人船视觉领域的下一步研究进行展望。

关键词： 分心驾驶   YOLOv8n   目标检测   深度学习  

摘要： 分心驾驶行为是导致出现道路交通安全问题的主要原因之一。针对现有基于深度学习的检测算法计算复杂度高、泛化能力有限、检测精度不理想等问题,本文构建了一种基于改进YOLOv8n的轻量化分心驾驶行为检测算法。首先,将CAA注意力机制融合进StarNet,形成StarNet-CAA,并且将StarNet-CAA集成到YOLOv8n的主干网络中,提高了模型的全局特征提取能力,显著降低了计算复杂度。随后,将FasterBlock与CGLU相结合加入到颈部网络中,形成C2f-Faster-CGLU模块,降低计算成本。此外,在检测头中引入共享卷积,进一步减少了计算量和参数量。实验结果表明,改进的YOLOv8n算法显著提高了分心驾驶行为检测的效率,在StateFarm数据集上达到了99.4%的准确率。模型的参数量减少46.7%,计算量减少41.5%。此外,在100-Driver数据集上进行了泛化实验,结果表明,与YOLOv8n相比,该方案的泛化效果有所提高。因此,该算法在保持高可靠性和泛化能力的同时,显著降低了计算量。

关键词： 煤矿井下多目标检测   YOLOv8n   动态蛇形卷积   CA注意力机制   特征提取   特征融合  

摘要： 目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时,对复杂小目标的检测效果不佳,易出现漏检和误检现象。针对上述问题,基于单阶段目标检测算法YOLOv8n,提出了一种基于动态蛇形卷积的特征提取(FEDSC)−双向特征金字塔网络与语义和细节融合的特征融合(FFBD)的煤矿井下多目标检测算法,即采用FEDSC替换YOLOv8n的主干网络,扩大感受野;将FFBD作为颈部网络,减少目标误检和漏检;引入SIoU的解耦检测头作为检测层,提高模型对小目标的适应能力与模型收敛速度。实验结果表明:①FEDSC−FFBD算法的mAP@0.5为97.00%,模型参数量为4.22×106个,每秒浮点运算数为21.7×109。②FEDSC−FFBD算法的mAP@0.5较YOLOv8n算法提升了3.40%,对安全帽小目标的识别准确率为90.90%,较YOLOv8n算法提升了11%。③与其他YOLO系列算法相比,FEDSC−FFBD算法的mAP@0.5最高,较YOLOv5s,YOLOv9c,YOLOv10n和YOLOv11n算法分别提升了3.60%,1%,10.50%和6.40%。④FEDSC−FFBD算法在面对煤矿井下光照强度分布不均、目标环境复杂及尺度分布不均衡的条件下,提高了多类别目标的检测精度,改善了小目标漏检和误检的问题。基于FEDSC−FFBD的煤矿井下多目标检测算法在无图像质量增强算法的前提下,克服了光照强度分布不均对小尺度目标检测带来的挑战。