关键词： 葡萄幼果   目标检测   Shuffle Attention   YOLO v8n  

摘要： 葡萄簇幼果果实受背景色、遮挡和光照变化的影响，检测难度大。为了实现对背景色、遮挡和光照变化具有鲁棒性的葡萄簇幼果检测，本研究提出了一种融合随机注意力机制（Shuffle attention，SA）的改进YOLO v8n模型。通过在YOLO v8n模型的Neck结构中融入SA机制，增强网络多尺度特征融合能力，提升检测目标的特征信息表示，并抑制其他无关信息，提高检测网络检测精度，在不明显增加网络深度和内存开销的情况下，实现了葡萄簇幼果的高效准确检测；采用基于动态非单调聚焦机制的损失（Wise intersection over union loss，Wise-IoU Loss）作为边界框回归损失函数，加速网络收敛并进一步提高模型的准确率。构建了葡萄簇幼果的数据集GGrape，该数据集由3780幅复杂场景下的葡萄簇幼果图像及对应标注文件组成。通过该数据集对SAW-YOLO v8n模型进行训练和测试。测试结果表明，基于SAW-YOLO v8n的葡萄簇幼果检测算法的精度（Precision，P）、召回率（Recall，R）、平均精度均值（Mean average precision，mAP）和F1值分别为92.80%、91.30%、96.10%和92.04%，检测速度为140.85 f/s，模型大小为6.20 MB。与SSD、YOLO v5s、YOLO v6n、YOLO v7-tiny、YOLO v8n等5个轻量化模型相比，其mAP值分别提高16.06%、1.05%、1.48%、0.84%、0.73%，F1值分别提高24.85%、1.43%、1.43%、1.09%、1.60%，模型大小分别降低93.16%、56.94%、37.63%、47.00%、0%，是所有模型中最小的，具有明显的轻量化、高精度优势。讨论了不同遮挡程度和光照条件的葡萄幼果检测，结果表明，基于SAW-YOLO v8n的葡萄幼果检测方法能适应不同遮挡和光照变化，具有良好的鲁棒性。结果表明，SAW-YOLO v8n不仅能满足对葡萄簇幼果检测的高精度、高速度、轻量化的要求，且具有较强的鲁棒性和实时性。

关键词： 水下目标检测   特征融合   注意力机制   YOLOv7   计算机视觉  

摘要： 为了改善由于水下图像模糊和水下环境复杂而导致现有的水下目标检测模型效果不佳，模型检测精度低等问题，提出一种改进YOLOv7的目标检测模型YOLOv7-RMC，提高水下目标检测的性能。首先，为了能够在模糊的图像中提取到更关键的信息设计了一种多信息残差融合注意力机制（Residual fusion Global Attention Mechanism， RGAM），解决随着网络层次的加深上下文特征信息丢失的问题，加强模型的特征信息提取能力。其次，为解决远景近景目标信息丢失和小目标缺陷信息丢失问题，对原颈部网络结构进行优化重构，引入多尺度浅层特征融合网络（Multi-scale Shallow feature Fusion Network， MSFN）结构，通过多次深层特征融合与浅层特征之间的信息交互，提高目标检测精度。最后，在优化后的颈部网络MSFN中引入轻量级上采样算子模块（Content Aware ReAssembly of FEature， CARAFE），通过特征重组和特征扩张改善网络的特征融合能力保留更多的目标信息。实验结果表明，该算法在URPC数据集和Brackish数据集上的平均精度（mAP@0.5）达到87.4%和97.9%。相较于原始的YOLOv7网络模型mAP@0.5提高了2.3%和0.9%，提高了模型的检测能力，具有很强的实用性。

关键词： 图像处理   遥感图像   道路提取   注意力机制   上下文特征融合   超参数权重分配  

摘要： 针对遥感图像地物复杂，道路存在细长、连续分布且易受遮挡的问题，提出一种结合注意力与上下文融合的遥感图像道路提取模型（Road Extraction Model for Remote Sensing Images Combining Attention and Context Fusion， ACFD-LinkNet）。该模型以D-LinkNet网络为基础，首先，在D-LinkNet网络编码器最后卷积层后采用条带注意力模块增强不同尺度道路的特征提取能力，更好地捕捉道路的全局特征，捕获道路的长距离信息；其次，提出了一种上下文融合模块（Context Fusion Module， CFM），并添加至网络编解码的特征传递部分预测相邻像素之间的道路连接，融合上下文不同层级之间的道路信息，解决障碍物遮挡干扰道路连接的问题；最后，对改进模型的交叉熵损失函数和Dice损失函数设置多损失函数超参数权重分配解决数据集正负样本不均，通过调整权重比值获取最佳分割精度。在DeepGlobe和CHN6-CUG数据集上进行实验，综合指标F1值分别达到了86.76%、92.12%，相比D-LinkNet模型分别提高了3.96%、1.13%，此外相比于Unet、Deeplabv3+、A2-FPN等网络，有最优的性能表现。

关键词： 目标检测   安全帽佩戴检测   YOLOv8   坐标注意力机制   轻量化  

摘要： 在安全帽佩戴检测中，存在着目标密集、遮挡等问题，现有的检测方法在精度和实时性方面表现不佳。针对此问题，提出一种轻量级的检测模型CA-YOLO，旨在提升检测的准确性与实时性。首先，使用MobileNetv3网络对YOLOv8的主干网络进行改进，减少参数量和计算量，提升网络的检测速度。在Neck部分引入DCNv3模块来提升模型在空间特征上的提取效率。其次，在网络中加入多尺度特征提取模块和坐标注意力机制模块，通过添加全局信息，丰富特征信息，提升网络特征提取效果。最后，将CIOU损失替换为Alpha-IOU函数，通过设定权重系数，加速对目标的学习过程，进一步提高检测的精度。实验结果表明，与YOLOv8模型和现有的经典及新颖算法相比，CA-YOLO模型的平均检测精度达91.33%，比YOLOv8模型提高0.54%，模型大小和参数量分别减少41%和39%，检测速度提高16.9%。相较于其他模型，CA-YOLO模型在准确率和实时性方面取得了良好的平衡，满足了对作业人员安全帽佩戴检测的需求。

关键词： 目标检测   特征提取   YOLOv5   轻量化设计  

摘要： 为进一步提升图像小目标检测效果,提出一种基于改进YOLOv5的小目标检测方法。其中,以YOLOv5网络作为基本的目标检测方法,通过进行特征层裁剪、引入特征金字塔网络以及快速空间金字塔池化的方式,进一步提升其检测性能。实验结果表明,与未改进的YOLOv5网络相比,改进后的YOLOv5网络具有更好的检测精度,同时轻量化效果良好,检测效率明显提升;与其他目标检测算法相比,基于改进YOLOv5的小目标检测方法能够在保持较高检测精度的同时取得良好的网络轻量化效果,检测效率较高,mAP@0.5为74.98。综上,设计的基于改进YOLOv5的小目标检测方法性能良好,能够进行效果较好的小目标检测,可应用于实际的小目标检测场景中,可行性较高。

关键词： 图像处理   牙齿病症识别   深度学习   口腔全景片  

摘要： 目前大多数研究侧重于单一牙科疾病,而患者通常同时携带多种口腔病变。判读口腔全景片是评估患者口腔健康的重要手段,但大量的读片会过多占用医生诊断时间。因此,提出一种基于改进YOLOv5s的高效口腔全景片病症识别网络YOLO-Teeth,用以识别多种牙科病症。为了增强骨干网络的特征提取能力,使网络识别病症更准确,引入Triplet注意机制。在Neck部分采用双向特征金字塔网络(BiFPN)实现深层和浅层特征的充分融合,以确保网络更有效地处理全景片中的复杂信息。使用MPDIoU损失函数替换CIoU损失函数,以提高网络的定位精度。实验结果显示,YOLO-Teeth网络的mAP(mean average precision)值达到86.6%,相较于YOLOv5s网络提高了4.1%,并且优于其他主流检测网络。这表明YOLO-Teeth网络可协助医生快速、准确地诊断口腔病症。

关键词： 煤矸检测   目标识别   Eswish激活函数   注意力机制   BiFPN结构  

摘要： 煤与矸石具有目标密集、特征差异小等特征,基于图像处理的识别方法普遍存在检测速度慢、精度低等问题。为了进一步提高煤矸检测的速度和精度,提出一种GE-YOLOv5s煤矸检测模型。首先在YOLOv5s的基础上引入Ghost Conv代替卷积操作,并设计新模块GhostCSP,在提升模型检测速度的同时实现网络的轻量化;其次在预测层中加入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升模型的表现力;然后在Neck部分采用双向特征金字塔网络(BiFPN)结构,利用BiFPN融合3个不同维度的特征,通过加权特征融合机制提高模型计算效率,进一步提升煤矸检测速度;最后设计一种新型激活函数Eswish替代SiLU激活函数,提高参数利用率的同时加快模型收敛速度并提升鲁棒性。实验数据表明:相较于YOLOv5s模型减少了34.1%的参数量和38.6%的浮点运算量,并且在mAP 0.5:0.95指标上提升了1.9%。对比实验显示,相较于YOLOv3、SSD、FasterR-CNN和YOLOv5-scSE的mAP 0.5:0.95指标分别提高了16.6%、4.8%、13.6%和3.8%。将GE-YOLOv5s模型应用于煤矸石目标检测过程中,具有更优的识别性能、鲁棒性、网络泛化能力,可有效避免漏检、误检和重叠现象。

关键词： YOLOv5s   图像处理   目标检测   行人车辆检测  

摘要： 针对城市交通环境复杂,行人和车辆检测结果存在漏检、误检、精度不高的问题,提出一种基于YOLOv5s的改进模型。改进模型采用EIoU损失函数,并引入了FocalEIoU损失函数,最后通过选用PASCAL VOC数据集来检验改进算法的效果。最终实验结果表明,改进后的YOLOv5s算法mAP提升4%左右,在检测精度上也有所提高,验证了本次研究的有效性。

关键词： 图纸信息   目标检测   文字识别   信息提取  

摘要： 针对电气端子排二次图纸信息提取困难的问题,首先提出基于改进的YOLOv5算法模型,利用该模型提取端子排图纸中的有效信息区域;接着利用CRNN算法模型对提取的有效信息区域中的文字信息进行识别,同时提出利用注意力机制算法和CRNN算法进行融合,改进CRNN文字识别算法准确度不高的问题。最后利用5000张图纸进行仿真实验,实验结果验证了所提算法的有效性和鲁棒性。

关键词： 无人机探测   目标检测   红外图像   特征金字塔网络  

摘要： 低空小型无人机(unmanned aerial vehicle,UAV)侵扰敏感区域事件频发,使国家和社会面临严重安全威胁。针对基于热成像的无人机目标检测存在漏检率高、检测精度不足的问题,提出了IDOU-YOLO(infrared detection of UAV-YOLO)算法模型,通过构建多尺度融合特征金字塔机制,充分挖掘特征空间信息,聚焦尺度的信息融合及丰富模型的信息表征能力,增强目标检测能力;同时引入了边界框损失函数SIoU(Scylla IoU),在训练过程中提高模型的检测精度,加快模型的收敛速度。实验结果显示IDOU-YOLO模型的精确率、召回率、F_(1)分数、mAP@0.5和mAP@0.5:0.95分别达到99.2%、96.3%、97.7%、98.4%和70.2%,表明IDOU-YOLO算法模型在红外无人机目标检测任务中具有显著优势和应用潜力。