关键词： 目标检测   香梨   YOLO v7   轻量化   注意力机制  

摘要： 为在自然环境下准确地识别和检测香梨果实,以YOLO v7为基础网络模型,针对果园中香梨果实、果叶、枝干之间相互遮挡问题,提出一种改进的轻量化YOLO v7梨果目标检测方法。该方法将MobileNet v3引入YOLO v7模型中作为其骨干特征提取网络,从而减少网络的参数量,使其更容易部署在移动端和生产实际,在特征融合层引入协同注意力机制CA(coordinate attention)模块,以提高网络的特征表达能力,将原YOLO v7中的损失函数CIoU替换为SIoU,从而提高模型的检测速度和性能。最后利用Grad-CAM方法产生目标检测热力图,进行特征可视化。结果表明,改进的轻量化YOLO v7模型的平均精度均值(mAP)、精确率、召回率指标分别为96.33%、94.36%、89.28%,检测速度为87.71(帧/s),模型内存占用量与原YOLO v7相比减少21.45 MB;其检测平均精度均值(mAP)与Faster R-CNN、YOLO v3、MobileNet v3-YOLO v4、YOLO v5s、YOLO v7模型相比分别提高28.37、9.66、13.14、4.58、3.20百分点。研究表明,改进的轻量化YOLO v7模型对成熟期香梨具有很好的目标检测效果和鲁棒性,可为香梨自动化采摘提供有效的技术支持。

关键词： 图像识别   深度学习   目标检测   水稻病虫害   YOLOv8   BFP   多线程优化  

摘要： 为提高水稻病虫害检测精度,解决病虫害种类繁多、尺度不一、生长环境复杂导致的误检漏检问题,便于模型在边缘设备进行部署,提出一种基于改进YOLOv8的水稻病虫害检测方法 PBM-YOLOv8。首先使用部分卷积(partial convolution,PConv)设计PCBlock结构,替换YOLOv8特征提取模块中的瓶颈(bottleneck)结构,以减少模型参数量,提升检测速度;其次为了减少非相邻层语义信息特征融合时的稀释,在颈部网络增加平衡特征融合层,重构特征金字塔(feature pyramid networks,FPN)为平衡特征金字塔(balanced feature pyramid,BFP),对融合的特征层进行特征再提取,并引入嵌入高斯非局部注意力(embedded Gaussian non-local attention,EGNA)消除多层融合导致的混叠效应,最大程度减小特征丢失;最后将损失函数更换为MPDIOU,改善因样本差异性大而导致的检测框失真,同时降低模型训练的计算负担。试验结果表明,改进模型PBM-YOLOv8在水稻病虫害数据集上取得了更为优异的试验效果,相较于原始YOLOv8n基线模型精确度及平均准确率均值分别提高了1.3和1.1个百分点。将PBM-YOLOv8部署在RK3588上经多线程优化后检测速度可达到71.4帧/s,满足实际应用的需求,可实现对水稻病虫害的实时精准检测。

关键词： 无人机   目标检测   YOLOv8   多模态融合   渐进式融合   轻量化   模态差异  

摘要： 近年来,无人机在军民两用的工作中面临着日益增长的技术需求,这给地面目标检测的精度带来了重大挑战。针对复杂背景下无人机目标检测算法精度低的问题,提出了一种改进YOLOv8的双光图像融合网络。首先,该网络采用特征级融合策略,充分利用可见光和红外数据,显著提升了在复杂场景下的目标检测性能。其次,为了减少多模态融合可能引入的冗余信息,设计了轻量化特征提取分支。最后,提出了渐进式跨模态融合模块,增强了多模态信息的特征交互,有效解决了不同模态融合时的信息差带来的检测性能受限问题。实验结果表明,与原始算法相比,所提方法拥有更高的精确率和召回率,同时在行人检测数据集LLVIP上AP50和mAP0.5-0.95分别达到了91.2%、55.5%,FPS值达到了95。综上,与现有算法相比,所提方法在性能上表现更优,未来将继续探索其在不同环境中的应用潜力。

关键词： 目标检测   YOLO   特征提取  

摘要： 旨在提升飞鸟检测任务的准确性,针对传统算法在复杂背景和多变姿态飞鸟检测中的不足,提出基于深度学习的改进YOLOv8算法。该算法通过融合GOLD-YOLO中的GD机制和ASF-YOLO中的尺度序列特征融合(SSFF)模块,优化网络结构,改进特征提取和融合方式,增强多尺度特征融合能力,提升小尺寸目标的特征表示。此外,还收集了一个涵盖不同鸟类近照、飞翔鸟类和鸟群图片的飞鸟数据集,用于算法的训练和测试。实验结果表明,改进后的YOLOv8算法在飞鸟检测任务中性能得以提升,尤其在处理小目标和复杂背景时表现更佳。

关键词： 遥感图像   目标检测   小型船舶   特征提取   动态检测头   YOLOv8s  

摘要： 针对海陆边界、近岸岩礁等复杂海洋场景下,光学遥感小型船舶检测成像特征不明显、目标占比小的问题,提出一种改进YOLOv8s的小型船舶检测方法。首先,在颈部层引入浅层特征图的基础上修改预测层,平衡浅层位置信息和深层语义信息的权重,增强模型对小目标的关注度;其次,采用融合FasterNet Block和高效多尺度注意力机制的C2f-FE模块,利用通道分组和跨通道信息交互,加强对小型船舶的特征提取,并降低模型参数;最后,采用动态检测头模块,在不同预测层级上提高模型对不同空间尺度、任务目标的检测能力。实验结果表明,与原始YOLOV8s模型相比,改进模型的参数量减少42.3%,在MASATI数据集上,改进模型的检测精度mAP_(50)和mAP_(50:95)值分别提高4.2%和2.2%,在DOTA-Ship和DOTA-Small Vehicle数据集上,改进模型的检测精度mAP_(50:95)值分别提高1.7%和1.4%。由此可知,改进模型不仅有效地实现轻量化、高精度的小型船舶检测,而且满足在遥感场景下泛化小目标的高精度检测。

关键词： 计算机视觉技术   食品检测   应用   优化策略  

摘要： 本文概述了计算机视觉技术在食品外观质量检测、成分分析与识别、微生物污染检测以及保质期预测等方面的具体应用,分析了其在食品检测中面临的挑战,并提出数据增强与迁移学习、精细化特征提取与背景抑制、轻量级模型设计与硬件加速、多模态信息融合与法规适应性设计等优化策略与技术创新。本研究旨在为提升食品检测的效率与准确性提供有力支持。

关键词： 粒子滤波   哈里斯鹰优化算法   交互式多模型   粒子贫化  

摘要： 针对传统粒子滤波中可能出现的重采样导致粒子贫化和多样性降低的问题,提出了一种基于交互式多模型的哈里斯鹰优化粒子滤波算法。首先,在粒子滤波中引入哈里斯鹰算法,通过将粒子表示为单个哈里斯鹰来模拟其捕猎过程。其次,利用狼群算法的狩猎机制改进哈里斯鹰的捕猎过程,特别是在全局搜索阶段策略中,使粒子主要聚集在目标高似然区域,同时合理选择性地保留一部分低似然区域的粒子。最后,设计了基于3种运动模型的交互式多模型算法,并将其与哈里斯鹰优化的粒子滤波融合。对不同噪声强度下的机动目标跟踪进行了仿真验证,结果表明,改进的算法能有效解决粒子贫化问题,并在机动目标跟踪中表现出更高的精度和稳定性,相较于其他算法表现更为出色。

关键词： 快速序列视觉呈现   隐匿条件   目标检测   事件相关电位   脑机接口  

摘要： 目的探讨基于快速序列视觉呈现(RSVP)脑机接口(BCI)的目标检测任务中,6种目标隐匿条件下5个脑区(前额区、颞区、中央区、顶区和枕区)的事件相关电位(ERP)特征及目标检测精度的差异。方法选取12例受试者为研究对象,利用NeuroScan SynAmps2脑电采集系统采集6种隐匿条件下受试者的头皮脑电信号,比较5个脑区的ERP波形、P300幅值、潜伏期等ERP特征;结构化判决成分分析算法(HDCA)对脑电信号进行分类并评估不同脑区间分类精度的差异。结果(1)在6种隐匿条件下,目标图片在5个脑区均诱发出明显的ERP波形;(2)对于P300幅值,颞区最小;(3)对于P300潜伏期,顶区和中央区长于其他脑区(除外小伪装和小遮挡条件);(4)对于分类精度,顶区和中央区高于其他脑区(除外大伪装条件)。结论顶区和中央区通道的选择可以为提升基于RSVP-BCI的隐匿目标检测性能提供新的视角,并有望为小型化、简易、可穿戴BCI设备的研究设计拓宽思路。

关键词： 图像去雾   Transformer模型   特征融合   深度学习   计算机视觉  

摘要： 阐述一种改进的Transformer模型设计,结合局部和全局特征融合,提升图像去雾效果。实验表明,该方法在PSNR和SSIM指标上优于现有方法,处理合成和真实有雾图像均表现优异。未来将优化模型结构,提高效率,并验证其实用性。

关键词： 图像处理   无人机   小目标识别   分割算法  

摘要： 为了解决天空背景下小目标检测与分割的问题,首先根据光电探测设备捕捉到画面,分析了无人机小目标在天空背景下的特征与图像中的主要干扰信号;然后利用图像滤波与改进Sobel算子检测算法抑制天空云层等背景的干扰,引入形态学腐蚀、膨胀等方法增强小目标的信号;最后,提出一种自适应阈值化的目标提取方法,从灰度图像中获取图像中小目标的大小及位置信息。试验结果表明背景抑制与检测方法对背景噪声抑制能力强;目标提取方法在RGB相机成像、红外成像、高功率激光补光等变化环境的情况下,对弱小目标的位置提取有相对稳定的效果。