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： YOLOv5s   缺陷苹果   注意力机制   损失函数   目标检测   采摘机器人  

摘要： 【目的】为了充分利用上下文信息和融合多尺度特征,提出基于BiFPN和Triplet注意力机制的YOLOv5s(BTF-YOLOv5s)缺陷苹果识别算法。【方法】首先,加权双向特征金字塔网络(BiFPN)引入额外的权重学习不同输入特征的重要性,模型通过自顶向下和自底向上的双向路径,实现多尺度特征的反复融合,提高多尺度的检测能力;其次,将Triplet注意力机制应用到Neck层以增强模型对目标之间的关联和上下文信息的表示能力,使模型更专注于苹果特征的学习;最后,采用Focal-CIoU损失函数调整损失权重,使模型更关注缺陷苹果的识别,提升模型的感知能力。通过消融试验对比不同损失函数,改变注意力机制在YOLOv5s结构中的位置,并与主流算法进行比较。【结果】BTF-YOLOv5s在初始YOLOv5s模型基础上,准确率、召回率和mAP方面分别提高了5.7、2.2和3.5个百分点,模型内存使用量为14.7 MB;平均精度比SSD、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8n、YOLOv8s和YOLOv9的分别提升了5.7、3.5、13.3、3.5、2.9、2.6、2.8和0.3个百分点。【结论】模型在缺陷苹果识别中表现出显著的优越性,为采摘机器人在采摘过程中实现优质苹果与缺陷苹果的自动分拣提供了一定的技术支持。

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.

关键词： 蓄电池故障   缺陷检测   深度学习   YOLO v4   VovNet  

摘要： 【目的】蓄电池故障常常伴随显著的外观缺陷。针对变电站蓄电池室蓄电池故障检测领域高度依赖人工检测的问题,提出一种基于图像识别的深度学习方法VoLoNet,用于实时检测监控录像,识别蓄电池外观缺陷。【方法】该算法基于YOLO v4框架,设计了新的特征提取网络VoVNet-A,能够有效识别图像细粒度特征;改进了注意力模块CSAM作用于聚合特征,区分聚合特征不同通道、不同区域的重要性,能够有效过滤特征聚合带来的冗余特征;此外,还优化了预选框的选择;采用了多种数据增强手段扩充了缺陷数据,最终提升了蓄电池缺陷的检测效果。【结果】消融实验表明,以上改进能够不同程度地提升检测精度。对比实验表明,相比于常用的目标检测算法Fast RCNN、SSD-VGG16、YOLO v4,该方法对蓄电池缺陷的平均精度均值mAP分别提升11.5%、21.5%和3.3%,每秒处理帧数FPS分别增加16、12和4帧。

关键词： 目标检测   深度学习   YOLOV5   Jetson TX2   检测速度  

摘要： 基于卷积神经网络的目标检测技术得到快速发展与应用,但受限于检测速度,其在嵌入式平台大规模部署应用始终棘手,在保证模型精度基础上降低时间复杂度成为目标检测技术主要难题之一。为探索某领域基于微型处理器的目标自动检测方法,文章基于YOLOv5、DOTA数据集、Jetson TX2对航拍场景目标检测系统展开研究。首先,基于DOTA高分辨率航拍场景目标检测数据集在PC端完成YOLOv5模型训练,模型的准确率为54.76%,召回率为81.47%,mAP@0.5达到74.12%;其次,对船舶港口、机场、海港3种潜在目标场景进行目标检测分析,在高分辨率航拍场景下仍可以达到较好的检测效果,检测速度达到了181.8 FPS;最后,基于Jetson TX2与无人机设计目标检测系统,实现PC端向微处理器端算法移植,在Jetson TX2上完成模型检测,检测速度达到了16.13 FPS。

关键词： 深度学习   道路目标检测   自动驾驶   YOLOv7算法  

摘要： 自动驾驶视觉感知算法需要在合理延迟的基础上,准确地检测道路目标。针对该问题,基于YOLOv7,提出一种改进的道路目标检测算法。算法使用SODA10M道路目标检测数据集,确定了损失函数各部分损失的最佳权重,验证了最佳锚框数量和在不同检测尺度上的锚框分布,在不降低检测精度的前提下提高了检测速度;改进了一种加权特征融合ELAN结构,促进了网络模型中提取特征的动态融合;在检测头前采用ASFF网络实现提取特征的跨尺度融合,增强了网络的特征提取能力。实验证明:改进后算法的平均检测精度mAP、精确率P和召回率R,优于改进前的算法以及与之对比的其他目标检测算法。

关键词： 线阵相机   计算机视觉   目标检测  

摘要： 针对传统敞车车厢人工巡检效率低、漏检率高等问题,文章设计了一种基于计算机视觉的自动化破损检测系统,用以提升检测精度与效率,保障铁路运输安全。系统采用YOLOv5深度学习模型作为核心检测算法,结合图像预处理与数据增强技术,构建包含5000张车厢图像的数据集(含3000张破损标注)。通过边缘检测与多尺度特征融合优化小目标识别能力,硬件配置2 K分辨率工业相机与GPU加速推理模块。试验表明,系统对车厢典型破损现象的检测准确率达95%,平均单帧处理时间200 ms。在3路摄像头并行处理场景下,系统可实现每秒6帧的综合处理能力,较传统人工巡检效率提升12倍以上。系统通过深度学习与硬件协同优化,实现了敞车车厢破损的高效精准检测,具备工程应用价值。未来可进一步扩展多模态传感器融合与轻量化模型部署,适应复杂环境下的检测需求。

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： 小目标检测   YOLOv8   AKConv   SBN   Focal Modulation  

摘要： 针对无人机携带计算资源受限的问题,提出一种轻量化的YOLOv8小目标检测模型。在主干网络中引入AKConv,通过灵活的卷积核减少不必要的参数;构建新的颈部网络SBN,通过GSConv降低计算开销,并利用双向信息传递机制,提高对不同尺度目标的检测精度;使用Focal Modulation替代原有的SPPF模块,增强模型在图像关键区域的注意力机制。结果表明,改进后的模型较YOLOv8,参数量降低30%,mAP50提高2.3%,同时相较于目标检测领域常用的一些模型,在轻量化和检测精度上均有更好的表现,证明了改进的有效性。