关键词： 大豆   玉米   种子计数   YOLOv8   Focal-IOU   数据增强  

摘要： 【目的】作物种子的重量是产量构成的重要因素之一,而传统百粒重/千粒重计算过程耗时、费力,急需一种快速测定作物种子数量、计算重量的方法。【方法】以大豆和玉米为研究对象,首先针对种子计数环境复杂、目标小以及密度大等问题,采用Albumentations库对数据集进行增强处理;然后通过对比YOLOv8的5个子模型,筛选出表现最佳的YOLOv8n模型,在此基础上用Focal-IOU替代CIOU损失函数,得到改进后的模型;最后将改进后的模型与多种经典目标检测模型作对比。【结果】改进后的模型在大豆和玉米种子计数上的平均精度mAP50-95分别达到88.78%和86.89%,比原模型提高了1.29%和0.51%,且性能显著优于YOLOv5、SSD等目标检测模型。此外,改进后的模型在2种作物测试集上的平均绝对百分比误差(MAPE)分别为0.035%和0.045%,每秒帧率分别达到70.17和100.41。【结论】改进后的模型在大豆玉米种子计数上的结果与实际数量差异不显著,实时处理速度快,研究结果可以满足考种中百粒重和千粒重计算对种子的计数需求。

关键词： 大黄鱼   表型参数   Mask-RCNN   边缘提取   关键点定位  

摘要： 为解决目前大黄鱼(Larimichthys crocea)表型参数测量研究大多只针对鱼体长度进行测量,对重要的细节如尾柄参数测量的研究较少,且人工测量方法费时费力的问题,本研究提出一种基于改进Mask-RCNN的大黄鱼表型参数测量模型。模型的改进从检测速度和检测精度两个角度出发,首先以MobileNetV2网络替换原始主干网络提升检测速度,之后引入混合注意力模块CBAM,并结合Point Rend算法提高鱼体边缘提取精度。模型得到去除鱼鳍图像后与完整轮廓图像进行融合,通过关键点检测算法在融合后的图像中自动定位关键点位置,并计算各表型参数数据。在测试集中,最优的算法模型对6个待测量参数的总平均相对误差为4.04%。对尾柄附近长度与高度测量的平均相对误差为5.93%和5.09%。对不同大小的大黄鱼各项参数的测量平均绝对百分比误差不超过7%。本研究为大黄鱼表型参数测量提供了新的方法,为提高测量效率提供了新的思路。

关键词： 深度学习   水果品质检测   YOLOX   目标检测   注意力机制  

摘要： [目的]解决现阶段深度学习技术在检测水果品质时检测精度不高的问题,提出了以SE和CBAM注意力机制模块改进的YOLOX目标检测算法。[方法]选取苹果、香蕉、橙子几种常见的水果作为检测的对象,构建水果数据集,采用LabelImg工具进行标注,进行模型训练,得到性能优异的水果品质检测与分类网络模型。[结果]经过实验可以得出改进后的YOLOX模型平均检测精度值为96.2%,与YOLOv3、YOLOv4、YOLOv5、原始YOLOX相比分别提高了2.4个百分点、2.0个百分点、3.0个百分点、0.6个百分点。[结论]该模型具有较好的检测性能,可为实际农业场景下的水果检测提供参考。

关键词： 注意力机制   缺陷检测   特征提取   特征融合   生成对抗网络   计算机视觉  

摘要： 表面微小缺陷具有尺度小、对比度低和样本数量不足等特点,导致基于深度学习的缺陷检测精度低和漏检率高,故基于视觉的表面微小缺陷检测一直是一项具有挑战性的工作。研究发现,增强网络模型特征提取能力、减少特征丢失或梯度消失以及采用注意力机制关注图像中重要的区域有利于提高表面微小缺陷的检测精度。该文系统分析了能够有效提高表面微小缺陷检测精度的ResNet、DenseNet、FPN等网络结构,总结了注意力机制在表面微小缺陷检测中的应用,分析了生成对抗网络(generative adversarial networks,GAN)针对表面微小缺陷样本不足问题的解决方案和具体应用,全面总结了微小表面缺陷检测中有效的网络结构和解决机制。

关键词： 图像处理   算法   深度学习   放射影像   脑血管   血管分割  

摘要： 在颅脑血管相关疾病的预防和诊断中,基于放射影像的血管分割是实现其准确诊断的重要前提。从前基于二维影像进行人工勾画的血管轮廓被认为费时费力且准确率较低,目前基于三维放射影像的半自动或自动血管分割算法在一定程度上提高了分割精度。本文聚焦颅脑血管成像领域较为先进的基于传统算法和与深度学习算法相结合的混合算法两大类图像处理方法,其中基于传统算法的图像处理较为基础且常见,而基于深度学习算法的图像处理则还处在逐步走向成熟阶段。笔者通过列举近几年具有代表性的基于放射影像的颅脑血管分割与提取算法,描述采用的图像信息和算法的准确性、鲁棒性和效率等,在深入了解其现状的基础上展望颅脑血管分割领域未来的发展方向及研究重点。

关键词： 家用机器人   多功能捡拾   计算机视觉   项目式教学  

摘要： 随着人工智能和物联网技术的发展,家庭智能清洁机器人逐渐成为家庭助手的重要组成部分。首先阐述了捡拾机器人的应用背景和研究意义,详细介绍了机器人的系统架构和关键技术。在系统架构方面,采用树莓派作为主控制器,利用计算机视觉技术进行物体识别,并结合SLAM技术实现自主导航。在关键技术方面,采用计算机视觉识别和分类家庭物品,SLAM技术则支持机器人在未知环境中的实时定位和路径规划。对捡拾机器人的机械结构进行了优化设计,使其能够适应不同形状和大小的物体,并通过“扫入”方式提升捡拾效率。此外,还采用了视觉传感器和导航技术,实现了实时地图构建和更新。本研究为基于机器人实践竞赛的项目式教学,展示了一种创新的机器人设计思路,为家庭机器人领域提供了新的设计方向,并拓展了机器人的应用范围。通过实验验证,捡拾机器人能够在多种家庭环境中稳定工作,展现出较高的准确性和可靠性,相较于传统清洁工具,具有显著的创新性和实用性。

关键词： 鱼类异常行为检测   计算机视觉   无监督学习   U-Net   时空变换器  

摘要： 由于人工提取抽象特征方法捕获视频异常存在特征学习不足、特征选择困难和泛化性差的问题,笔者将计算机视觉技术引入鱼群异常运动行为检测研究中,采用无监督的学习方式,提出一种结合多层记忆增强和残差时空变换器的鱼类异常运动行为检测方法。该方法以U-Net网络为基础,利用其编码器和解码器对视频帧编码和解码,并根据预测帧和真实帧之间的差异实现异常行为检测。为了加强连续视频帧之间的时空信息特征联系,提出残差时间变换器模块和残差空间变换器模块以提升网络对时间信息和空间信息的建模能力。由于卷积神经网络具有一定的泛化能力,使用记忆增强模块代替U-Net网络中的跳跃连接,降低编码器对异常帧的表示能力。此外,采用生成对抗网络(GAN)技术生成更加真实的预测帧,从而提升网络的检测精度。结果表明:该方法能有效提取鱼群的运动特性和外观特性,在自制的两类鱼群数据集上的AUC(曲线下面积)分别达0.916和0.921,实现了鱼群异常运动行为检测。

关键词： 货物识别   深度学习   YOLOv5   目标检测  

摘要： 针对仓储物流中人工检测货物范围受限且效率较低的问题,研发了一种基于YOLOv5目标检测的货物识别系统,旨在快速、准确地识别货物种类及破损情况并及时反馈。建立数据集并加以训练,得到用于YOLOv5检测货物的模型,在此基础上,设计可交互式界面,结合摄像头实时检测,并根据检测结果实时反馈。试验结果表明,在光照充足的情况下,程序可以较好地完成货物检测并报警的任务。

关键词： 无人水面艇   水下目标检测   伪装目标检测   深度学习  

摘要： 无人水面艇环境感知能力受限于待测目标背景复杂、形状多样和伪装等因素,常规方法难以在上述情况下准确对水下伪装目标准确检测与评价。针对探测场景的多样化和复杂化,基于多任务学习策略提出一种面向无人水面艇的轻量型伪装目标检测方法 MFLNet(Multi-Feature Learning Network),通过借助图像梯度感知任务来提升无人水面艇对水下伪装目标的检测能力。首先,将图像特征提取任务解耦为语义特征提取和梯度特征提取;然后,向高层语义特征引入图像梯度特征并通过多尺度通道注意力模块生成初始预测图;最后,经过逐层的特征修正生成对伪装目标的最终预测。实验结果表明:MFLNet在CAMO-Test和NC4K-Test数据集上,结构相似性度量Sα指标可达0.824和0.851,检测性能达到先进模型水平,相比同策略轻量化模型参数量减少65%,检测速度可达73.7帧/s,满足水下检测数据实时传送需求,具有一定的实际应用价值。

关键词： 车路协同感知   路侧视角   注意力机制   小目标检测  

摘要： 针对车路协同感知交通场景下,路侧视角存在远距离目标及小目标识别精度较低、特征较少等问题,提出一种基于YOLOv5的小目标检测改进算法。首先,在主干网络中,加入GAM注意力模块增强网络特征提取能力;其次,引入RepBiPAN代替原颈部网络的PANet结构增加网络对小目标的定位能力;最后,使用SIoU损失函数代替原来的CIoU损失函数,能够有效地避免预测框在回归过程中的任意匹配,从而增强模型的鲁棒性,加快网络模型的训练速度。实验结果表明相比于原YOLOv5 6.0版本,当交并比IoU为0.5时各类平均精度mAP提升了6.9个百分点,当交并比IoU为0.95时各类平均精度mAP提升了6.4个百分点,有效地提高了路侧视角小目标检测的检测能力。