关键词： 特征提取   尺度变化   目标检测   通道自适应感受野   冗余特征   边框损失   知识蒸馏  

摘要： 针对不同尺度的目标容易造成模型的特征提取和尺度变化的适应性问题,提出一种融合自适应感受野的目标检测算法。通过对特征图采用拆分、卷积和融合的方式构造通道自适应感受野模块,以提取不同尺度的感受野,提高对尺度变化的适应能力;在网络结构中引入通道自适应感受野模块和RepVGG模块,采用FC模块(concatenate with convolutions)过滤冗余特征,强化模型的特征提取能力;采用Alpha-CIOU损失和知识蒸馏优化训练,提高算法的检测能力。在Pascal VOC和MS COCO数据集上的实验结果表明,该算法在尺度变化、精度和速度等方面取得了优秀的性能。

关键词： 夜间航标灯检测   目标跟踪   灯闪序列识别  

摘要： 为了实现夜间航标灯的智能检测,提出一种基于视频的航标灯质检测网络模型,首先利用检测模块捕捉航标灯质的颜色特征,接着利用跟踪模块对灯质颜色特征进行跟踪以锁定目标,再利用分类模块完成目标的灯质闪烁序列识别,最后采用二元相关性方法将颜色与灯质闪烁序列结合形成航标灯检测结果。检测模块基于YOLOv5模型,改进了其骨干网络并采用了新的SIoU损失函数,实现了视频单帧图像的灯色检测;跟踪模块基于DeepSort,并结合卡尔曼滤波和匈牙利算法实现间歇出现灯色的稳定跟踪;分类模块利用简单的网络结构实现了灯闪频率的快速识别。利用3 500 min的航标灯视频对模型进行训练和测试,结果表明模型的航标灯检测准确率可达90%,检测速度也满足实时性要求。

关键词： YOLOv8   水稻虫害   目标检测  

摘要： 由于水稻虫害存在一些错检漏检的问题,文章提出了改进的YOLOv8模型BO-YOLOv8来提高水稻虫害识别的准确率。针对YOLOv8模型特征融合时浅层语义信息不足的问题,在Neck部分引入BiFPN网络,通过不同的权重来学习不同输入特征的重要性,提高水稻虫害特征表达能力。针对水稻虫害检测精度不理想的问题,在主干部分将原来的卷积替换为ODConv卷积,提高模型的检测精度。实验表明,BO-YOLOv8模型相较于改进之前mAP50提高了1.4%,精确度和召回率分别提升了2.0%和2.9%。实验结果表明,BO-YOLOv8模型可以有效提升水稻虫害的检测能力。

关键词： GhostNet   YOLOv5   无人船   全局自适应模块  

摘要： 针对复杂海况下无人船小尺度水面目标检测效果不佳及无人船数据集出现的样本不均衡的情况,本文提出一种改进YOLOv5的无人船水面目标检测方法。首先,将YOLOv5中主干网络部分替换为GhostNet轻量化网络。其次,在特征提取网络中加入全局空间自适应模块,以限制检测图空间维度上的影响。最后,损失函数部分基于多分类交叉熵损失函数加入可训练的噪声参数,降低样本不平衡带来的影响。通过无人船视角数据集试验结果表明,改进的方法mAP达到86.1%,相比于原始YOLOv5提升6.9%,网络的参数值降低43.4%,检测速度达到69.44帧数/秒,符合无人船等嵌入式设备的需求。改进的YOLOv5方法在检测无人船视角水面目标等情况,具有更好的检测效果。

关键词： 视觉测量   YOLOv8   精确率   召回率   平均精度  

摘要： 针对视觉测量中低照度或复杂背景下圆形合作目标识别精度较低或定位能力较差等问题,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNNs)对YOLOv8算法进行优化设计的模型。该模型共有225层网络、约300万个参数以及8.2G FLOPs计算量。采用不同条件下的圆形合作目标数据集进行模型训练,同时在训练过程中实时监控模型的性能指标和计算效率,对模型进行细致的调整和优化。实验结果表明,本文算法具有99%的准确率、92%的召回率、92%的平均精度。相较于霍夫变换和YOLOv3等传统特征提取方法,本文算法的精确率分别提升了14%和4%,召回率分别提升了17%和2%,平均精度分别提升了10%和2%。该算法可以在低照度环境、复杂背景或目标形状微小变化等多变条件下,显著提高圆形合作目标的识别定位精度。

关键词： 图像处理   高动态范围   多曝光融合   图像块分解   二维熵   图像金字塔  

摘要： 多曝光图像融合针对图像传感器不足以捕获大动态范围场景的问题,将同一场景下多幅曝光程度不同的图像融合,得到一幅包含丰富场景细节的高动态范围图像。针对融合中常出现的图像细节保存不足、边缘光晕等现象,提出一种自适应权重细节保持多曝光图像融合算法。利用图像块分解中的对比度与结构分量提取融合结构度权重,同时利用二维熵选取亮度基准计算曝光度权重,结合饱和度权重使融合后的图像更好地还原场景的亮度与色彩信息。最后利用双金字塔融合在多个尺度上融合源图像序列,能够避免边界处不自然的光晕,得到保留更多细节的高动态范围融合图像。选取3个数据集中的70组多曝光图像进行实验,结果表明,所提算法的平均融合结构相似度达到0.983,平均交叉熵达到2.341,与经典或最新的多曝光融合方法相比能维持场景本身的亮度分布,同时保持更多的图像信息,验证了所提算法的有效性。所提算法融合结果优秀,视觉效果良好。

关键词： 花式纱线   条干检测   相机畸变   标定   机器视觉   图像处理   宽度序列  

摘要： 针对机器视觉的检测系统存在相机畸变、受环境光照影响等问题,提出一种花式纱线条干检测的视觉传感器标定方法。构建了花式纱线条干检测系统样机,对相机内参和畸变系数进行标定。提出图像预处理和图像降维的方法捕获用于表征纱线条干的宽度序列,解决了系统受环境光照影响的问题。实验结果表明,标定后的检测系统能够有效抑制相机畸变的影响,标定后的纱线平均直径测量值比未标定的提高了4.48%,标定后的纱线条干变异系数比未标定的降低了8.92%。该方法可为纱线条干检测的实际应用提供参考。

关键词： 桥梁缺陷   目标检测   Faster RCNN  

摘要： 尽管近年来目标检测技术已取得显著进展,但在复杂环境中的多目标检测仍面临诸多挑战。针对Faster RCNN模型在桥梁检测中遇到的问题,提出三点改进:通过采用ResNet101作为特征提取网络,取代传统的VGG16,以此缓解因网络深度增加而导致的信息传递衰减问题,提高特征学习的效率;通过引入递归特征金字塔结构,更有效地处理不同尺度的目标,从而增强检测性能;通过在模型中嵌入注意力机制,进一步强化模型对关键区域的识别能力并减少背景噪声的影响,使其能够更加聚焦于目标特征。经过改进,模型的准确率提升至92.5%,平均精度达到91.5%。

关键词： 深度学习   建筑施工安全   计算机视觉   数据融合   实时监控  

摘要： 深度学习在建筑施工安全监控中的应用,正逐渐成为提高施工现场安全管理效率和效果的关键技术.传统监控方法因人为和技术限制面临着多重挑战,尤其在复杂和动态的施工环境中.在监控系统中利用深度学习技术,通过结合计算机视觉和传感器数据,能够实时、自动识别潜在的安全隐患.本文介绍了基于深度学习的多维数据融合技术和实时监控的应用案例,展示了在线模型更新和自适应学习的实际效果.本文还进一步探讨了深度学习技术在未来施工安全监控领域的发展潜力及关键技术的突破,尤其强调了边缘计算、物联网和云计算平台的集成应用.本文旨在探讨深度学习在建筑施工安全监控中的应用,分析其技术框架、实际应用及未来发展潜力,以期为施工安全监控系统的优化提供科学依据和技术支持.

关键词： 图像处理与机器视觉   项目案例   教学  

摘要： 为了提升学生的应用能力、分析和解决问题的能力,文章学生能力提升为目的,阐述了图像处理与机器视觉课程“讲-做-评”的教学模式。首先学生讲解项目案例的知识点和算法细节,然后学生在课余时间自主完成方案的设计和算法的编程,最后通过答辩的形式进行评价考核。通过此模式的教学,学生对知识的掌握进一步加深,同时应用能力、分析和解决问题的能力得到了更好地提升。