关键词： YOLOv5   深度学习   农业机器人   目标检测   番茄  

摘要： 为实现番茄采摘机器人在温室环境下准确高效地作业,提出了一种基于改进YOLOv5深度学习网络的番茄果实检测算法——SL-YOLOv5。改进的算法中,通过SimSPPF(Simplified Spatial Pyramid Pooling-Fast)替换SPP(Spatial Pyramid Pooling)网络结构,加快网络对番茄果实的检测速度。同时,引入大型分离卷积注意力机制LSKA(Large Separable Kernel Attention),以此提高网络对番茄果实的检测精度;在自制的温室番茄果实数据集上对该算法进行了测试。结果表明:改进后的SL-YOLOv5算法对成熟番茄果实识别准确率达到0.963,对未成熟番茄果实识别准确率达到0.951,综合识别准确率达到0.957,高于原YOLOv5算法2.4%;改进后的SL-YOLOv5算法检测速度FPS(Frames Per Second)达到6.75,比原YOLOv5算法提高17.2%。改进后的SL-YOLOv5算法能够在温室环境下准确检测出番茄果实,并能够对成熟番茄和未成熟番茄进行分类,与原YOLOv5算法相比,有效提升了检测的精度和速度。

关键词： 斜框目标检测   轻量化学习   特征金字塔   深度学习  

摘要： 随着现代军事和安全挑战的演变,地面目标种类和方向不断增加,传统的目标检测算法在复杂多变的空中环境时存在诸多限制,且因神经网络的复杂性使其在移动设备上难以应用。因此,为了提升飞行过程中对地面任意方向目标检测的准确率和检测效率,提出轻量化空中斜框目标检测算法。首先,使用Ghost模块改进原有的卷积神经网络,利用少量小滤波器生成更多的特征图,减少计算成本;其次,使用改进后的卷积网络从特征金字塔的5个级别的特征中生成高质量候选目标框;最后,使用检测头接收生成的候选目标框作为输入,计算得分后最终用于分类和回归。实验结果表明,本文所提出的斜框目标检测算法能够对地面目标进行精确的检测定位并降低了模型复杂度。

关键词： 高速公路施工区   智能布控   图像识别  

摘要： 针对高速公路施工区道路环境复杂、车速快等因素导致该区域事故频发、事故严重等问题,结合现有高速公路施工养护需求增加现状,设计了高速公路智能布控系统,该系统利用先进的图像处理技术和人工智能算法,对监控视频进行分析和处理,实现对人员、车辆和设备的实时监控、异常检测、预警和报警等功能,主要用于高速公路、桥梁、隧道等交通设施的养护时进行布控和安全预警,能够实现对交通设施的全面监控和预警,提高作业安全保障度。

关键词： 图像处理   多目标跟踪   深度学习   卷积神经网络   生成对抗网络  

摘要： 针对多目标跟踪中的跟踪结果易受遮挡而产生的漏检问题,提出一种公路场景下的基于生成对抗机制的多目标跟踪方法。首先,对经过预训练的跟踪网络输出的特征进行处理,在特征空间中添加自适应的二维遮挡掩码,生成现实生活中难以获得的遮挡样本;其次,利用生成对抗网络在无监督学习方面的优势,将FairMOT模型作为判别网络,加入结合强化学习机制的生成网络来学习如何筛选困难样本,2个网络进行对抗训练以提升多目标跟踪模型的遮挡不变性,提高跟踪精度;最后,在重识别分支中引入中心损失函数以提高重识别准确度。取数据集BDD100K中部分视频序列进行实验,实验结果表明:改进后算法的跟踪准确率提升了0.8个百分点,跟踪精度降低了0.4个百分点,跟踪过程中身份的切换次数减少了208。

关键词： 精准农业   目标检测   农作物分类   机器学习   模型压缩  

摘要： 【目的】解决自动化杂草管理中的一个核心挑战——杂草的识别,提高杂草识别的效率和准确性。【方法】采用了深度学习的方法进行目标识别,并结合经过优化的YOLOv5网络,开发出了一种轻量级的杂草识别网络,然后进行模型训练和测试。【结果】剪枝后得到的YOLO-WeedV3,其mAP值为0.886,超越了YOLOv5(0.853)和YOLOX(0.877),同时在参数量和计算量方面均是三者中最低的。【结论】相较于原始的YOLOv5模型,该网络在保证精度的前提下,降低了对存储空间和计算量的要求,使其更适合移动或嵌入式设备上的应用。这一成果不仅证明了该技术在处理杂草识别问题上的有效性,也展示了其在计算能力受限的边缘计算环境中的应用潜力。

关键词： FCN   图像处理   语义分割   膨胀卷积   多尺度提取   残差网络  

摘要： 针对胸部X射线影像中肺炎病灶识别工作量大,结果不够精准等问题,提出一种基于改进FCN的肺炎病灶图像分割方法。首先,构建Pascal数据集格式的健康肺部影像和感染肺炎影像的数据集。其次,对比不同ResNet网络和传统VGG网络训练损失的收敛速度。然后使用效果最好的ResNet50网络代替经典FCN算法中VGG网络作为主干网络,并提出一种多尺度特征提取模块,最后将改进的FCN网络与传统FCN网络、LR-ASPP、DEEPLAB-V3进行对比,改进的FCN网络较其他方法得到了更好的效果。实验结果表明,改进的FCN网络可以精准分割胸部X射线中各种形状和大小的肺炎病灶,分割效果良好,可以为临床的肺炎诊断提供可靠依据。

关键词： 齿轮参数   机器视觉   图像处理   虚拟仪器  

摘要： 针对传统的齿轮参数检测中测量不便、效率低和人机交互不强等问题,以LabVIEW为开发平台,利用虚拟仪器技术、图像处理技术和机器视觉技术,设计一种基于机器视觉的齿轮参数检测评定系统。系统具有齿轮图像采集、图像处理、系统标定、轴孔中心检测以及齿轮参数检测评定等功能,可测量评定齿轮齿顶圆、齿根圆、单个齿距偏差f_(pt)及齿距总偏差F_(p)、公法线长度偏差等。采用0级标准量块对系统进行标定,并对设计的系统进行了测试和对比,通过将检测结果与齿轮的设计理论值进行对比评定系统的准确性。结果表明:该检测评定系统界面友好、易扩展、效率高、操作方便,并可对采集数据进行自动保存、回放和齿轮参数可视化评定。

关键词： 改进YOLOv8算法   目标检测   机器视觉   异物检测  

摘要： 为解决人工检测发动机缸内异物时的漏检和误检等问题,设计基于改进目标检测算法YOLOv8的发动机缸内异物检测算法并进行试验验证。基于CoTNet中的注意力机制,设计Contextual Attention模块,重构C2f中的Bottleneck结构为CoA_C2f,替换YOLOv8骨干网络中的C2f模块;将模型Neck部分连续上采样后的特征图Concat模块替换为上下文聚合模块CAM;在Neck和Head之间嵌入Triplet Attention模块。试验结果表明:设计的发动机缸内异物检测模型可有效识别缸内异物,在原始YOLOv8基础上引入CoA_C2f、CAM和Triplet Attention 3个模块后的平均检测精度提高21.65%。

关键词： 红外图像   目标检测   注意力机制   特征融合   深度神经网络  

摘要： 目的基于可见光和红外双模态图像融合的目标检测算法是解决复杂场景下目标检测任务的有效手段。然而现有双光检测算法中的特征融合过程存在两大问题:一是特征融合方式较为简单,逐特征元素相加或者并联操作导致特征融合效果不佳;二是算法结构中仅有特征融合过程,而缺少特征选择过程,导致有用特征无法得到高效利用。为解决上述问题,提出了一种基于动态特征选择的可见光红外图像融合目标检测算法。方法本文算法包含特征的动态融合层和动态选择层两个创新模块:动态融合层嵌入在骨干网络中,利用Transformer结构,多次对多源的图像特征图进行特征融合,以丰富特征表达;动态选择层嵌入在颈部网络中,利用3种注意力机制对多尺度特征图进行特征增强,以筛选有用特征。结果本文算法在FLIR、LLVIP(visible-infrared paired dataset for low-light vision)和VEDAI(vehicle detection in aerial imagery)3个公开数据集上开展实验验证,与多种特征融合方式进行平均精度均值(mean average precision,mAP)性能比较,mAP50指标相比于基线模型分别提升了1.3%、0.6%和3.9%;mAP75指标相比于基线模型分别提升了4.6%、2.6%和7.5%;mAP指标相比于基线模型分别提升了3.2%、2.1%和3.1%。同时设计了相关结构的消融实验,验证了所提算法的有效性。结论提出的基于动态特征选择的可见光红外图像融合目标检测算法,可以有效地融合可见光和红外两种图像模态的特征信息,提升了目标检测的性能。

关键词： 伪装目标检测   多波谱数据集   注意力机制   可见光图像   红外图像  

摘要： 为了深入挖掘伪装目标特征信息含量、充分发挥目标检测算法潜能,解决伪装目标检测精度低、漏检率高等问题,该文提出一种多模态图像特征级融合的伪装目标检测算法(CAFM-YOLOv5)。首先,构建伪装目标多波谱数据集用于多模态图像融合方法性能验证;其次,构建双流卷积通道用于可见光和红外图像特征提取;最后,基于通道注意力机制和空间注意力机制提出一种交叉注意力融合模块,以实现两种不同特征有效融合。实验结果表明,模型的检测精度达到96.4%、识别概率88.1%,优于YOLOv5参考网络;同时,在与YOLOv8等单模态检测算法、SLBAF-Net等多模态检测算法比较过程中,该算法在检测精度等指标上也体现出巨大优势。可见该方法对于战场军事目标检测具有实际应用价值,能够有效提升战场态势信息感知能力。