关键词： 水下目标检测   YOLOv8   深度学习   可变形卷积   WIoU  

摘要： 针对水下目标检测中的尺度不一、重叠遮挡目标的漏检问题,提出了一种改进的YOLOv8水下目标检测算法.首先,在主干网络中引入可变形卷积(deformable convolution network, DCN),通过卷积核自适应形变的机制,提高模型对重叠遮挡目标的特征提取能力;其次,设计了一种空洞卷积空间金字塔模块(atrous spatial pyramid faster, ASPF),扩大输出特征图的感受野,提高模型对水下多尺度目标的感知能力;最后,对损失函数进行改进,优化模型的训练过程并提高定位精度.将改进算法在URPC数据集上进行实验,结果表明改进算法的检测精度达到了87.3%,相较于原始算法YOLOv8提高了3.4%,同时能够精准检测水下多尺度、重叠遮挡目标.

关键词： 计算机视觉技术   危险识别   预警系统   图像处理  

摘要： 随着海洋石油开发的深入,海洋石油支持船的安全性问题日益突显,利用计算机视觉技术进行海上危险识别与预警具有重要的研究意义。基于此,文章提出海洋石油支持船智能视频图像危险识别与预警系统的总体架构,并详细介绍硬件设备选型与配置以及软件系统设计,深入研究图像预处理、目标检测与识别、危险识别与预警算法,并在系统集成与测试中验证计算机视觉技术的有效性和可行性,以期在未来的海上石油开发工作中发挥更大作用。

关键词： 精密测量   计算机视觉   深度学习   缺陷检测   高分辨率图片  

摘要： 针对增材制造零件表面小缺陷检测中存在的准确率低和尺寸测量困难的问题,基于改进的YOLO v8提出了一种缺陷检测方法。在YOLOv8模型的检测头部引入高效通道注意力机制模块,同时采用加权交并比损失函数替换原有损失函数,减少低质量样本影响,提升检测精度。针对高分辨率图像数据集训练困难且易出现过拟合的问题,在训练阶段对包含目标缺陷的局部特征以中心为基准进行裁剪的方法生成训练集。在推理阶段,采用滑窗切分法将待测高分辨率图像裁剪成一组小图像进行预测,从而得到缺陷图像块。检测后的缺陷图像块被视为感兴趣区域,并通过计算机视觉中的边缘检测方法实现缺陷尺寸的精密测量。实验证明,改进模型的准确率达94.3%,召回率为93.3%,mAP50达到97.3%,缺陷尺寸的测量精度可达到40μm,显著提升了增材制造零件表面缺陷的检测准确率。

关键词： 粮仓储粮数量   储粮高度   语义分割   U-Net   定量分析   计算机视觉  

摘要： 我国储粮分布具有点多、线长、面广的特点,传统的粮食数量监管面临着效率低、成本高、严重滞后等问题,亟需研发可对粮仓储粮数量实时快速检测的新技术。针对该问题,提出一种基于U-Net的粮仓储粮高度定量检测方法,通过对仓内监控相机拍摄的图片中粮面和通风窗进行分割处理,得到粮面边缘和通风窗上下边缘像素值,并以通风窗上下边缘的离地高度为基础,计算得到粮仓储粮的实际高度,再结合粮仓长度、宽度和粮食密度等基础数据,即可得到粮仓储粮实际数量。分别使用U-Net、DeepLabV3+和PSPNet 3种算法对分割后的粮仓图片进行分析处理并计算储粮高度。结果表明,U-Net的平均交并比(MIoU)和平均像素准确度(MPA)分别为93.25%和95.88%,MIoU相较于DeepLabV3+和PSPNet分别提高1.82、2.69百分点,MPA相较于PSPNet提高2.42百分点;U-Net的定量分析误差为3.51%,比DeepLabV3+和PSPNet分别低1.34、0.43百分点,较为适合作为粮仓储粮高度定量计算分割算法。该方法无需提前设置测量标尺,仅依靠仓内监控相机即可实现粮堆高度测量,可基本满足粮仓储粮数量的快速检测需求。

关键词： 厚德强技   产教融合   三创教育   精品在线课程  

摘要： 传统职业教育在人才培养过程中往往较为侧重技能训练,相对忽视了德育在人才培养各个环节中的有效渗透。在新的时代背景下,课程建设不仅要保证学生对职业技能的掌握,还要将“大思政”理念融入课程的建设,以适应现代职业教育课程体系的发展需求。从深化产教融合、推进“三创教育”改革、完善人才培养体系等方面入手,并为更好地服务区域产业升级发展,帮助学生树立正确的世界观、人生观和价值观,提高学生的社会责任感和创新能力,探索新时代精品在线课程在厚德强技教育背景下的优化策略。

关键词： 舰船目标检测   SAR图像   残差增强   动态蛇形卷积   动态稀疏注意力  

摘要： 针对现有算法在合成孔径雷达(SAR)图像舰船目标检测任务中存在检测精度不高、易漏检、模型体量大不易部署、实时性不高等问题,提出了一种基于YOLOv8s改进的轻量SAR图像舰船目标检测模型。首先,提出了一种轻量残差特征增强模块ACC,该模块采用自适应池化的方式来提取不同的上下文信息,用残差增强的方式减少丢失特征金字塔中处于最高层次的特征信息,改善高层次特征的表达,提升网络对小目标的检测能力;然后,引入轻量动态蛇形卷积(DSConv),替换标准卷积操作的功能,优化模型对细小条形舰船目标的检测效果,减少目标漏检;最后,融合轻量BiFormer动态稀疏注意力模块,进一步优化小目标检测效果。在公开的SAR影像舰船目标检测数据集(SSDD)上,所提出的算法比原算法在精确度(Precision)、召回率(Recall)、平均精度均值(mAP@0.5)上分别提升了5.0、3.6、3.3百分点,显著提高了模型对SAR图像舰船目标的检测能力。在高分辨率SAR图像数据集(HRSID)上进行模型的泛化实验结果表明,所提模型的图像检测效果优于其他经典模型。

关键词： 钢管目标检测   PPYOLOE   HGNetV2   SPPELAN   Dysample  

摘要： 在特钢企业向“灯塔工厂”转型升级中,实现钢管物料实时跟踪是其中的核心内容,由于物料多样性以及产线的复杂性使得接近式传感器无法满足物料检测可靠性要求。为此,依据车间内现有环境和需求,搭建物料跟踪摄像系统,采集了物料及产线上部分特征组成图像数据集;基于视频分析,引入了一种面向特钢车间内物料实时跟踪的钢管目标检测算法。该算法以PPYOLOE网络为基础。首先,将PPYOLOE中的CSPRepResNet主干网络替换成HGNetV2轻量级主干网络,在提升特征提取能力同时减小参数量;其次,在Neck中融合HG-Block和SPPELAN进一步减小参数提升速度;最后,在上采样阶段,运用Dysample动态上采样算子提升不同尺度特征的融合效果,提升算法的检测精度。实验结果表明,相比于原始的PPYOLOE算法,改进后的算法在检测精度上提升了1.6%达到80.5%,检测速度提升了16%达到56.4帧,GFLOPs和参数分别下降35%和33%。改进后算法有效提升了检测精度和检测速度,通过现场部署实施,满足了钢管物料实时跟踪要求。

关键词： 小目标检测   多尺度局部卷积特征关联   局部卷积注意力关联   互注意力特征重构  

摘要： 随着信息化时代的发展,数字技术广泛应用在军事领域。目标检测是武器系统的核心功能,是影响战争局势的重要因素,在侦察、预警及监视等方面具有重要的作用。然而当今目标检测领域主要存在四个问题:小目标检测、小样本检测、检测实时性和遮挡目标检测,小目标检测更是其中的重点和难点。小目标一般只占有几十甚至几个像素,传统检测算法难以依据先验知识,构建适当的特征提取模型并取得精确的检测结果。深度学习检测算法在特征提取时容易丢失特征信息,在复杂多变的应用场景下,容易混淆目标特征与背景噪声。此外,当前的小目标检测算法存在小目标语义特征利用不充分、小目标空间特征不突出等问题。算法检测准确率较低,存在大量漏检和误检现象。针对上述问题,本文提出了一种基于多尺度局部卷积特征关联(Multi-scale Local Convolutional Feature Association,MLCFA)机制的小目标检测算法。MLCFA的核心部分包含局部卷积注意力关联(Local Convolutional Attention Association,LCAA)模块和互注意力特征重构(Cross Attention Feature Reconstruction,CAFR)模块。LCAA模块对特征融合网络得到的多尺度特征图提取特征相关性,并加强小目标内部像素之间的联系,抑制背景噪声的同时突出小目标空间特征的统一性,提高复杂背景下的检测鲁棒性。CAFR模块通过自注意力机制得到100个查询向量,并结合LCAA得到的关联特征序列进行全局特征重构,通过全连接网络得到目标检测信息,一定程度上解决了小目标边界框扰动以及特征缺失的问题。在TinyPerson数据集上的对比实验表明,搭载MLCFA的网络模型与RetinaNet等算法相比,对两类目标检测的F1-Score分别提升了19.81%和11.88%,大幅度提高了小目标检测性能,证明了MLCFA模块的有效性。此外通过收敛速度实验表明,MLAFC只需要50个epoch即可具备良好的检测性能,模型推理较快,具有一定的模型迁移能力。

关键词： 专业课程   计算机视觉   思政育人   协同育人   立德树人  

摘要： 计算机专业课程的教学主要以传授知识与课内实践为主,聚焦专业素养的培养,忽略了其思政育人的作用。高校要贯彻落实立德树人根本任务,必须守正创新,积极探索专业教育与思想政治教育协同推进的新模式。以“计算机视觉”课程为发力点,推动课程教学改革、教学理念转变,完善教学设计,结合实际教学案例挖掘和应用计算机视觉中蕴含的思政元素,引导学生成长为又红又专、全面发展的社会主义建设者和接班人,实现思想政治教育和知识体系教育的有机统一。

关键词： 注意力机制   小目标检测   YOLOv11   Vis Drone数据集  

摘要： YOLO(You Only Look Once)算法在目标检测领域因其速度与精度优势,历来都是研究重点,然而YOLOv11直接应用于无人机图像检测的效果欠佳。因此,算法在YOLOv11算法的基础上加入了下采样倍数为4的高分辨特征图P2用于检测微小目标,加入通道-空间注意力机制模块来优化特征图提取,加入多尺度卷积注意力模块来提升不同尺寸目标的检测性能。实验结果表明,算法在无人机航拍图像的小目标检测方面表现优异,其m AP@0.5从0.408提高到0.445。