关键词： 开放世界目标检测   自动驾驶   边界感知   多尺度特征增强   特征筛选   冗余过滤  

摘要： 针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法。该算法首先构建了多尺度特征增强(multi-scale feature enhancement,MSFE)模块对提取的多尺度图像特征进行细致的筛选和强化,有助于识别和关注图像的重要和关键细节。然后,设计了边界感知冗余框过滤器(boundary aware redundant box filter,BARF),能够有效过滤已知对象重叠框和未知对象冗余框,减少了单个提议框包含不完整对象或密集对象的情况。在自动驾驶数据集道路场景(way scenes,Wayce)上的实验表明,与几种优秀的目标检测算法和开放世界目标检测算法相比,MEBA-OWOD算法在已知类平均精确率均值、未知类平均精确率指标上分别比次优的对比算法提高了0.3%、49.6%。该算法能在不影响对已知目标检测的同时,加强对未知目标的检测,能够较好地应用于自动驾驶领域。

关键词： 目标检测   CBAM   Gold-YOLO   WIoU  

摘要： 为了实现对水稻病害的精准检测,文章基于YOLOv8n模型(You Only Look Once version 8 nano)提出了一个全新的改进模型YOLO-Rice。该模型通过3项关键的技术创新,提升了对水稻叶片和稻穗病害的检测精度。首先模型在骨干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制;其次模型采用Gold-YOLO的GD(Gather-and-Distribute)机制,在模型的颈部进行特征融合;最后更换了传统的损失函数,采用WIoU作为新的损失函数。通过上述改进,YOLO-Rice模型在平均精度均值(mAP 50%)上实现了3.4百分点的显著提升,最终达到了96.0%的准确率,充分证明了YOLO-Rice模型在水稻病害检测任务中的有效性。

关键词： 深度学习   地面红外目标检测   智能感知   无锚框   可变形卷积   并联注意力机制  

摘要： 地面红外目标检测是目标侦察、智能感知和伪装防护等领域的重要研究内容,针对基于锚框的目标检测模型在进行特征提取时需要锚框的指导,会产生大量与锚框有关的计算参数并导致检测不精细、泛化性能差、易发生误检漏检的问题,以基于图像分割思想的无锚框目标检测模型为基础,构建了基于可变形卷积进行特征提取的主干网络,通过卷积核自适应目标形态,增强网络对目标特征的提取效果;提出了联合空间和通道的注意力机制,从空间维度和通道维度对目标进行注意力聚焦,实现了对目标特征的三维关注,提升目标检测模型对目标信息的获取能力。最终构建的地面红外目标检测模型在Infrared-VOC数据集上检测精度达到了91.3%,优化了基于无锚框的地面红外目标检测模型的整体性能。

关键词： 无人机   降落区域检测   动态场景   目标检测   同步定位与制图  

摘要： 提升无人机的自主着陆能力对于提高无人机的作业效率和野外生存能力具有重要意义。本文提出了一种基于机载视频的无人机降落区域自动检测方法,目的是在缺乏场景先验知识的情况下,提高无人机的自主避障着陆能力。本文将多视图几何约束方法的深度学习网络融入到视觉同步定位与制图(Simultaneous localization and mapping,SLAM)算法中,旨在构建场景的三维地图,同时主动判别潜在障碍物。随后,提出了一种顾及降落区域面积及平坦度等因素的降落区域检测算法,通过体素网格地图的空间分析方式,判别出无人机着陆区域。在不同类别场景中分别进行实验,结果表明了提出方法的准确性。

关键词： YOLOv5s   目标检测   AdamW优化器   SIoU损失函数  

摘要： 近年来,人工智能技术的迅猛发展推动了自动驾驶技术的创新,为智能、高效、安全的出行方式提供了基础。然而,在面对识别小型物体时,尤其是在远距离或图像模糊的情况下,目标检测算法的性能和准确性受到了挑战。针对这一问题,本文提出了对YOLOv5s模型的优化方案。首先,引入了Soft-NMS机制取代传统的NMS,以减少冗余边界框的置信度分数。其次,采用SIoU损失函数替代CIoU损失函数,增强了模型的预测精度。最后,通过AdamW优化器对模型进行超参数优化,提高了训练效率。在MSCOCO128数据集上进行仿真验证,结果显示,改进后的算法mAP@0.5达94.9%,loss达0.0183,验证了模型的有效性和适用性。与其他模型相比,改进的YOLOv5s算法提高了4.4%的目标检测精度,尤其适用于解决自动驾驶中远处车辆过小和车辆重叠导致的识别困难。

关键词： 感受野扩增   特征增强   遥感小目标   YOLOv8s  

摘要： 针对遥感图像小目标因背景复杂、尺寸较小以及排列密集等因素导致检测精度不高的问题,提出一种融合感受野扩增与特征增强的遥感小目标检测方法。该方法以YOLOv8s作为基线网络,首先对主干网络特征提取部分构造感受野扩增模块,通过双层路由注意力(BRA)高效捕获全局特征信息;其次在特征金字塔部分构建浅层特征融合结构,并在浅层特征图横向连接部分添加改进的坐标空间注意力(CSA),以增强小目标的特征信息;最后通过改进非极大值抑制(NMS)算法对检测结果进行后处理,以适应不同密度物体的检测。在DIOR遥感图像数据集上进行实验,预测框与真实框之间的交并比阈值(IoU)为0.5时的平均精度均值(mAP)达到90.3%,比原模型高出3%;IoU为0.5∶0.95时的mAP达到71.3%,比原模型高出6.1%,实验结果表明,改进模型对遥感图像小目标检测任务具有较好的应用价值。

关键词： 深度学习   奶牛个体识别   YOLO模型   目标检测  

摘要： 为了实现适合大规模奶牛养殖环境下的无接触、高精度奶牛个体识别和自动化管理,提出了一种基于YOLOv5m网络模型的奶牛个体识别方法,将摄像头采集到的视频数据经过分帧处理后,采用结构相似性算法(SSIM)及均方误差算法(MSE)去除冗余图像,通过标注、Mosaic数据增强处理后得到10545幅标签数据,对YOLOv5m模型进行训练和优化实现奶牛个体的准确识别。同时,还设计了基于YOLOv5m的奶牛个体识别检测系统,验证了该算法和系统的正确性。结果表明:在训练次数为300次时,YOLOv5m模型对奶牛个体识别的平均精度达到98.75%,相比较YOLOv4提高5.88个百分点,为现代畜牧业的发展提供了重要的技术支持和应用基础。

关键词： 智能计算   深度学习   超参数优化  

摘要： 针对目标检测模型中超参数优化问题,以RetinaNet为例,提出了使用遗传算法来优化Focal Loss的焦点参数和平衡参数,通过实验,焦点参数和平衡参数的最优值分别被确定为1.7和0.6。优化后的模型在实验中表现出显著的性能提升,平均精度从34.0%提高至37.3%。实验结果不仅凸显了遗传算法在超参数优化方面的高效性,也证明了智能计算方法在提高深度学习模型性能上的重要潜力。

关键词： STM32   非接触   形态测量   图像处理   激光测距  

摘要： 随着工业自动化进程的不断推进,产品的尺寸形态检测成为提升制造业竞争力的核心环节。针对传统的接触式物体测量方法测量效率低、表面损伤大、适应性弱等问题,本文提出一种基于STM32F103C8T6单片机的非接触物体尺寸形态测量系统。该系统以MG996R舵机云台为运行载体,采用OpenMV4和VL53L1X激光测距传感器作为非接触检测单元,以实现测量目标物体颜色、形状、尺寸及距离等信息的功能,并将这些测量结果实时显示在OLED模块上。测试结果表明,该装置准确识别目标物体的颜色、形状的成功率为90%,得到的物体尺寸平均误差为0.16 cm、显示距离的平均误差为0.76 cm、激光笔指示中心与目标图形实际中心平均偏差为0.086 cm。该系统能够满足工业自动化检测的实际需求,为提升制造业的智能化水平提供了有效的技术支持。With the continuous advancement of industrial automation, dimensional and morphological measurement of products has become a critical factor in enhancing manufacturing competitiveness. To address the issues of low efficiency, surface damage, and poor adaptability associated with traditional contact-based measurement methods, this paper proposes a non-contact object dimension and morphology measurement system based on the STM32F103C8T6 microcontroller. The system takes the MG996R servo pan-tilt as its operating carrier and employs an OpenMV4 module along with a VL53L1X laser ranging sensor as the non-contact detection unit. It is capable of measuring information such as the color, shape, dimensions, and distance of target objects, with real-time results displayed on an OLED screen. Test results indicate that the device accurately identifies the color and shape of target objects with a success rate of 90%. The average error in object size measurement is 0.16 cm, the average error in the displayed distance is 0.76 cm, and the average deviation between the laser pointer center and the actual center of the target shape is 0.86 cm. This system effectively meets the practical requirements of industrial automation inspection, providing robust technical support for enhancing the intelligence level of the manufacturing industry.

关键词： 探地雷达   城市地下目标检测   深度学习   YOLOX   迁移学习  

摘要： 探地雷达(GPR)因其无损、高效以及浅层高分辨率的优势被广泛应用于城市道路检测中。但是,GPR的数据解释主要依靠专家经验,费时费力,且误判、漏判率大。提出一种基于YOLOX深度学习网络的城市地下目标自动检测方法,以实现GPR数据的自动解译。该方法利用YOLOX网络能够同时实现自动提取特征和自动定位目标位置的能力,对GPR图像中的典型城市地下目标(空洞、电缆和管道等)进行检测。由于GPR数据量较小,首先利用COCO公开数据集对YOLOX进行预训练,然后利用迁移学习,在室内实验室采集的GPR数据集上进行参数微调,最后将训练好的YOLOX网络用于地下目标的定位和识别。实验结果表明,该方法能够实现小数量级GPR数据的精确目标检测,平均精度均值mAP_((0.75))可达82.1%,检测速度可满足实时检测要求,且该方法在检测精度方面优于现有方法。