关键词： 无人机   YOLOv7   目标检测   牲畜种群数量调查  

摘要： 牲畜种群数量调查是卫生防疫、禁牧、休牧、草畜平衡核定等草原管理工作的重要内容,关系到畜牧业现代转型升级和草原的可持续发展。使用无人机进行牲畜种群数量调查,不可避免地出现牲畜小而密集的问题而导致识别错误。针对该问题,提出了一种高效的LSNet算法,该算法增加了一个检测头(P2)来识别浅层特征图中的小物体,并去除了一个检测头(P5)来减少过度下采样的影响。为了捕获高级语义特征,提出了一个大型内核全局注意力空间金字塔池化(LKGSPP)模块,而且集成了双向特征金字塔网络(BiFPN)结构来增强无人机图像中多尺度特征图的融合效果。此外,还利用了中国内蒙古呼伦贝尔陈巴尔虎旗的无人机图像,建立了用于深度学习的放牧牲畜数据集。实验表明,与YOLOv7相比,LSNet的mAP提高了1.87%。LSNet可以成为无人机影像下草原牲畜检测的有利工具。

关键词： 遥感图像   YOLOv5   高价值目标   注意力机制  

摘要： 长期以来受遥感图像质量、高价值目标自身特性等多方面因素影响,传统的检测方式与通用的基于深度学习的目标检测技术效果不佳。在YOLOv5模型的基础上,利用通道注意力与空间注意力的高效组合,优化了YOLOv5算法的网络结构。在特征提取网络部分,本文结合ECA(Efficient Channel Attention)注意力机制以及SA(Shuffle Attention)注意力机制构建了ECSA(Efficient Channel Spatial Attention)组合注意力机制,以低算力成本重新组合了通道注意力和空间注意力,提升了模型的组合注意力效果。在基于自建高价值目标图像数据集的对比实验中,YOLOv5-ECSA模型的精度超越了其他所有同等参数规模的YOLO系列模型,达到了最优的参数-精度均衡性。

关键词： 铁矿   巡检机器人   皮带   图像处理  

摘要： 皮带上料系统是铁矿生产中的关键运输环节,负责将井下提升的矿石输送至磨矿仓进行后续处理。然而,由于井下物料性质不稳定,常含有水分,加之爆破和支护过程中遗留的铁器,容易导致皮带压料、跑偏甚至撕裂等故障,存在严重的安全隐患。传统的人工巡检方式效率低,难以及时发现隐患。通过对智能巡检机器人系统的研究,实现了图像数据的采集与处理,结合Canny算法和红外线检测技术,实现了皮带运行状态的全面监测。结果表明,该系统能够有效提高上料系统皮带运输的可靠性,减少故障发生,提升生产效率。

关键词： 峰值旁瓣比   多搜索区   核相关滤波   目标跟踪   粒子滤波  

摘要： 在目标因快速运动或遮挡造成观测不连续的情况下,由于核相关滤波(Kernel Correlation Filter,KCF)算法采用固定大小搜索区,容易导致跟踪精度下降甚至目标漂移。针对这一问题,本研究提出了一种基于峰值旁瓣比扰动的多搜索区核相关滤波跟踪方法。该方法首先在核相关滤波跟踪框架中融入跟踪质量感知机制;然后在特殊场景下,以上一帧目标所在位置为先验信息,通过峰值旁瓣比对运动状态方程的协方差矩阵进行扰动,从而调节各采样粒子所在搜索区分布;最后以各搜索区域的相关滤波响应峰值构造似然函数,利用粒子滤波算法在多搜索区中实现对目标位置的有效估计,在模板更新上采用差异化模板更新策略以降低目标漂移概率。定性和定量实验结果表明,本研究所提方法在目标快速运动和被遮挡情形下,相比原始KCF算法跟踪精度有较大的提升,且具有一定的鲁棒性。

关键词： 缺陷检测   深度学习   空间特征采样   协作混合分配训练   计算机视觉  

摘要： 目前,虽然已经有一些基于图像处理技术的竹片缺陷检测方案,但这些方案检测存在种类较少、实用性较差且难以部署在机器上等缺陷,为此,提出一种改进的竹片缺陷检测模型。该模型为改进的可变形-端到端目标检测(Deformable-DETR)模型,首先将骨干网络替换成由DCNv3卷积为核心而堆叠设计的InternImage,该网络在保留卷积神经网络(CNN)先验特性的情况下还能捕捉到长距离依赖,使提取到的特征空间语义更丰富;然后在特征提取后新增一个采样模块,该采样模块将图像特征抽象为精细的前景特征和少量粗糙的背景特征,不仅能去除冗余的背景特征信息,还能提取高语义前景信息;最后引入一种新颖的协作混合分配训练策略,该策略通过训练由一对多标签分配监督的多个并行辅助头,提高编码器在端到端检测器中的学习能力。此外,使用数据增强来扩展数据集,并使用迁移学习,以增强竹片缺陷的检测。试验结果表明,该改进方法可以提高模型的缺陷特征提取与解析的能力,并在测试数据集上取得了85.7%mAP50(全类平均精确度),单张图片推理时间为0.28 s,检测精度优于其他主流目标检测模型,为竹片缺陷检测提供新的方法。

关键词： 目标检测   智能芯片   检测加速  

摘要： 针对目标检测模型部署的实际要求,评估国产智能芯片作为加速处理单元的可行性。选择昇腾310智能芯片和YOLOv4模型,在不改变神经网络模型结构以保证检测精度的前提下,将目标检测处理流程转移到昇腾神经处理单元上进行,以提高检测速度。结果表明,借助昇腾310的高性能算力与图像处理模块,可有效降低单张图片平均检测耗时,满足实时检测要求。

关键词： 小目标检测   航拍图像   特征金字塔   自适应特征融合   边缘信息  

摘要： 无人机航拍图像中,目标尺寸变化剧烈、背景复杂且小目标比例较高等特点为目标检测任务带来巨大挑战。尽管现有的基于卷积的目标检测算法能有效获取空间信息,但在实现不同尺度特征的全局交互及边缘细节信息的有效利用上仍存在不足。因此,提出了一种结合多尺度特征聚合扩散和边缘信息增强的小目标检测算法ADEYOLO。构建了多尺度特征聚合扩散金字塔网络(MFADPN),通过在中间层聚合不同层级特征,并将其直接扩散至相邻层以缩短传播路径,有效减少了信息在传递过程中的损失,增强了模型的多尺度表达能力,显著提升了对不同尺度目标的检测能力。设计了自适应上下文融合模块(ACFM),利用通道注意力机制自适应地调整不同特征图的贡献,进一步强化多尺度特征的融合效果,使得重要特征在信息融合过程中更加突出。提出的C2f-Sobel模块通过额外分支结合Sobel算子来提取图像的边缘信息,从而为模型提供了更丰富的细节信息,提升了其在复杂场景下目标定位能力。实验结果表明,ADE-YOLO相较于基线YOLOv10s,在VisDrone2019和TinyPerson数据集上分别提高了8.6个百分点和4.0个百分点(mAP0.5),并且在与其他先进模型的对比中也展示了显著的优势。

关键词： YOLOv8   拍照   目标检测   旅游   智能视觉   图像识别  

摘要： 在快节奏的现代生活中,旅游让我们更加亲近自然并得以放松。旅途中,我们经常通过拍照记录美好时刻,但照片仅能定格风景,难以充分传达出刹那间的心情。本课程将借助先进的科技手段,运用目标检测捕捉景物之形,通过图像识别洞察人物心情,再借助大模型的力量,将风景、情感融入诗句,使文字成为鲜活、会说话的风景画,获得饱含诗意的旅行照片。

关键词： 深度学习   目标检测   桥梁裂缝   YOLOv8   裂缝检测  

摘要： 针对复杂背景下不同裂缝检测场景中各裂缝类型易出现错检及漏检等情况,提出一种改进的裂缝检测算法YOLOv8-CES。先在基础网络YOLOv8结构中引入C2f-SWC模块代替原有C2f模块,后使用轻量级上采样算子CARAFE代替传统上采样算子,同时引入EffectiveSE Module通道特征自适应模块,再通过公开数据集及网络收集方式构建了3000张裂缝检测数据集图像,并采取准确率P及召回率R、平均精度均值AP_(50)及AP_(50-95)定量评价指标来对算法检测效果进行定量评价,最后通过对比试验、消融试验及检测结果可视化,进一步论证YOLOv8-CES在裂缝检测任务中的有效性及优越性。结果表明:YOLOv8-CES可提升检测精度,并在裂缝检测任务中可准确检测裂缝,具备较强的实际应用潜力。

关键词： 船舶设备   拆除和安装   目标检测   注意力机制(SA)   泛化特征金字塔网络(GFPN)   动态非单调聚焦机制(WIoU)损失函数  

摘要： [目的]船舶机舱作业规范性是船舶安全管控的关键部分,因此船员实操考试将船舶设备拆装作为一个重要考核项。为提升船员实操考试的电子化和智能化水平,提出一种基于计算机视觉的船舶设备拆装流程规范性的自动化识别方法。[方法]首先,以YOLOv8n构建船舶设备检测模型的骨干网络,并引入高效通道注意力机制(SA),以提高模型特征提取能力与训练效率;然后,在颈部网络中引入重参数化泛化特征的金字塔网络(GFPN)融合结构,以提高模型的多尺度特征融合能力;最后,引入动态非单调聚焦机制损失函数(WIoU)来替换原CIoU损失函数,以提高模型精度。[结果]自建数据集的试验结果表明:与YOLOv8n相比,改进目标识别算法的平均精度均值提高了0.15,实时检测的每秒帧数提升了0.6,可以准确识别齿轮泵的拆装流程。[结论]该改进算法具有更强的识别能力,可以更好地应用于船舶设备拆装流程规范性的识别任务。