关键词： 图像处理   食品质量检测   分级技术  

摘要： 针对食品质量检测与分级领域传统人工检测方法存在的耗时费力、易受主观因素影响等问题,提出加快图像处理技术在食品表面瑕疵与异物检测、成熟度评估以及营养成分预测中的应用。通过图像预处理、特征提取以及机器学习或深度学习模型的结合,实现缺陷的自动检测与分类、食品成熟度的客观量化评估以及营养成分的快速预测。通过研究食品分级技术的分级标准设定、自动分级系统设计以及性能评估与优化,分析光照变化、复杂背景处理以及大规模数据处理等关键技术挑战,提出相应的解决方案与策略,以期提高基于图像处理的食品质量检测与分级技术的准确性和实用性。

关键词： 毫米波雷达   目标检测   聚类   深度学习   射频图像  

摘要： 毫米波雷达目标检测任务是车辆环境感知的重要组成部分,对恶劣天气条件下的智能驾驶具有重要意义.虽然现有雷达目标检测方法已取得不错的研究成果,但雷达数据仍存在手工设计的特征信息量不足、特征提取不充分以及时序特征未充分利用的问题.为解决这些问题,本文提出光斑密度峰值与神经网络相融合的两阶段目标检测方法.第一个阶段光斑密度峰值聚类算法,对射频图像中的目标进行粗略估计,并生成聚类簇对应的目标候选.将聚类生成的候选目标特征融合到原始射频图像.第二阶段基于通道融合的3D自编码器目标检测网络进一步提取目标多普勒速度和时序特征并分类.实验表明,所提出的两阶段方法与基准实验RODNet(CDC)相比,平均精度指标提升4.3%,平均召回率提升2.3%.

关键词： 卷积神经网络   遥感图像   目标检测   骨干网络   分支结构   特征增强   特征金字塔   特征融合  

摘要： 基于深度学习的目标检测模型在自然场景中所取得的结果难以直接应用于遥感图像,主要原因是遥感图像具有类间相似性、目标尺寸变化大等特点。因此,在面向遥感图像的目标检测中如何实现精确的检测效果仍是需要重点关注的问题。为解决上述问题,提出一种面向遥感图像的两阶段目标检测算法,即基于区域卷积神经网络的特征增强与融合方法(region-based convolutional neural networks with feature enhancement and fusion,FEF-RCNN),该算法设计的分支残差结构利用不同大小的卷积分支和非对称卷积操作得到多样化的特征信息,在提高骨干网络的特征表示能力的同时减少了计算量。随后构建出的重构信息特征金字塔将高低层的语义信息和位置信息进行融合交互,以适应图像中不同尺度的目标。最后,在公开的大规模数据集DOTA中进行充分实验证实该方法的有效性,并获得了77.25%的平均检测精度。

关键词： 目标检测   YOLO v7   EfficientViT   CARAFE   高效多尺度注意力机制  

摘要： 针对农田环境下小麦麦穗目标检测精确率低的问题,在YOLO v7-tiny模型基础上进行深入改进,旨在提高麦穗检测的准确率,以满足农业生产管理系统和农业机器人边缘检测设备的需求。采用EfficientViT的主干网络替代YOLO v7-tiny的特征提取网络层,强化图像特征的提取能力;在特征融合网络层,引入CARAFE上采样模块替代原模型中的上采样模块,进一步优化特征融合过程;在特征融合网络层和输出层引入基于跨空间学习的高效多尺度注意力机制,有效提升模型的目标检测性能。结果表明,改进后的模型在小麦麦穗检测精确率上比YOLO v7-tiny模型提高了2.9百分比;与YOLO v7模型相比,本模型虽然精确率低0.2百分点,但在参数量、计算量上分别降低了82.6%、84.5%,同时模型体积减小了81.2%。综合考虑精确率、参数量、计算量、模型体积等多个指标,本研究的改进模型在部署于智能农机类边缘检测设备方面具有优越性。

关键词： 图像处理   缺陷检测   YOLOv7   SimAM   轻量化   NWD  

摘要： 针对现有的小目标焊点缺陷检测方法存在错检、漏检等问题,提出一种改进YOLOv7的小目标焊点缺陷检测算法。考虑到焊点尺寸较小,添加小目标检测层和检测头以提取更多的浅层特征信息。引入无参注意力机制(SimAM)为特征图分配三维权重,提高模型特征提取能力。使用部分卷积(PConv)重构ELAN模块,减少冗余运算和内存访问次数,在颈部利用长径特征网络(GiraffeDet)融合不同尺度特征,提高模型轻量化程度。最后,利用NWD(Normalized Wasserstein Distance)损失函数改进原有的CIoU损失函数,加快模型收敛速度并提高小目标检测精度。实验结果证明,改进后的YOLOv7算法平均检测精度达到90.3%,相较于原算法提升了5.1%,召回率提高了3.2%,参数量降低了36.3%,且在收敛速度方面有了较大的提升。本文算法为边缘设备检测小目标焊点缺陷提供了参考。

关键词： 目标检测   目标跟踪   YOLOv5算法   DeepSort算法   注意力机制   K邻域限制  

摘要： 针对因受水面波纹、反光及目标外观特征相似而导致的游泳池中目标检测跟踪困难的问题,提出一种基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪方法;通过引入注意力机制改进YOLOv5算法,增强算法对目标特征的提取能力;将检测结果输入到DeepSort算法中,在级联匹配中引入K邻域限制筛选目标检测框,减少因目标外观特征不明显引起的身份切换问题;利用匈牙利算法对检测框和预测框进行匹配,对未匹配成功的检测框采用距离交并比代替交并比进行二次匹配,提高DeepSort算法的跟踪性能;通过对比实验和消融实验验证所提出的多目标检测跟踪算法的性能。结果表明:改进的YOLOv5算法平均精准度提高2%,结合DeepSort算法跟踪检测,身份切换平均减少58次,多目标跟踪精确率为80.26%,比原始YOLOv5算法和Deepsort算法跟踪准确率提升了3.85%。

关键词： 水下目标检测   声呐图像   小目标检测   高效多级筛选   任务动态对齐   轻量化  

摘要： 针对声呐图像中小目标检测难度大、精度低、容易出现错检漏检的问题,本文提出一种基于YOLOv8s的声呐图像小目标检测改进算法。首先,考虑到声呐图像中的小目标通常具有低对比度且易被噪声淹没,提出了高效多级筛选特征金字塔网络(EMS-FPN)。其次,由于解耦头的分类分支和定位分支是独立的,会增加模型的参数量,同时难以有效地适应不同尺度目标的检测需求,导致对于小目标的检测效果不佳,设计了任务动态对齐检测头模块(TDADH)。最后为了验证本文模型的有效性,在URPC2021和SCTD扩充声呐数据集上进行了相应的验证,mAP0.5较YOLOv8s分别提高了0.3%和1.8%,参数量降低了22.5%。结果表明,本文提出的方法在声呐图像目标检测任务中不仅提高了精度,还显著降低了模型参数量。

关键词： 深度学习   目标检测   个人防护装备(PPE)   井下矿工   轻量化   YOLOv5s  

摘要： 为解决井下矿工由于安全意识淡薄而不正确使用个人防护装备(PPE)的问题,提出一种实时检测矿工是否佩戴PPE的目标检测网络模型。首先,采用现场监控视频采集和数据爬取的方式收集数据,使用半监督学习方法标注图像并利用图像增强技术扩充数据,构建井下矿工PPE数据集;其次,基于深度学习的方法建立PPE检测模型,将YOLOv5s的主干网络替换为MobileOne来降低网络参数,提升检测速度;最后,在特征融合层中嵌入三维注意力机制SimAM,实现对复杂环境下的PPE检测。实验结果表明:改进的模型平均检测精度达到94.4%,在CPU端的检测速度达到67帧/s,可以满足井下实时检测的要求。

关键词： 智能车   赛道识别   目标检测   PID控制算法   模块设计  

摘要： 文章提供了一个智能车系统的设计方案,硬件作为基础,软件来实现细节.系统以百度Edgeboard开发板为上位机,英飞凌AURIX TC264为下位机,通过摄像头采集图像,利用FPGA模块实现AI模型部署识别与加速,传输信息之后使用PID算法控制电机速度和PD环节控制舵机打角,实现对车运动速度和方向的闭环控制.整体设计稳定可行,能够模拟真实世界中的交通情况。

关键词： 输电线路   异常目标   目标检测   特征感知增强   双向特征融合   均衡采样   自适应类抑制损失  

摘要： 背景复杂、目标尺度变化大、数据集不均衡等是导致输电线路异常目标误检、漏检以及检测精度低的主要原因。因此,提出一种增强特征提取网络,有效减少特征提取过程中的信息丢失,更好保留小目标特征信息。使用通道优化与空间优化模块进行双向特征融合,以适应目标的多尺度变化,减少复杂背景信息的干扰。使用均衡采样与自适应类抑制损失,提高少数类别的检测精度,解决输电线路数据不平衡的问题。在输电线路异常目标检测任务中,检测精度达到90.5%,对困难场景有较好的检测效果。