关键词： 肉牛   目标检测   场景区分   行为识别   YOLOv8  

摘要： 针对现有目标检测模型在自然天气环境下肉牛行为识别易受复杂背景干扰及模型参数量、计算量、权重文件占用内存较大等问题,该研究提出基于自动化场景区分的轻量化肉牛多行为识别方法。首先,通过FasterNet模型自动区分天气场景。其次,对YOLOv8s网络进行轻量化设计改进,在Backbone端更换FasterNet轻量级模型主干,结合尺度内特征交互AIFI,捕获重要特征信息;利用加权双向特征金字塔BiFPN作为Neck端网络,选择特征提取网络C2f-Faster作为节点,缩减卷积过程中参数量和计算量的同时提高模型精度,使其更适用肉牛行为识别及后期的部署。然后,使用MPDIoU函数,解决肉牛交叉遮挡等局限性问题。最后,设计系统可视化界面,以图像和视频形式输入模型,借助可视化系统完成对肉牛行为识别效果展示。试验结果表明,FABF-YOLOv8s(FasterNet、AIFI、BiFPN、C2f-Faster,FABF)模型在肉牛行为数据集上,相较于YOLOv5s、YOLOv7和原YOLOv8s模型的mAP@0.5分别提升了1.1、4.7、0.4个百分点,参数量和浮点数计算量分别减少59.48%和43.66%,降低到4.51 M和16.0 GFLOPs。引入自然场景因素构建的FasterNet-FABF-YOLOv8s模型mAP@0.5达到了94.6%。研究表明,自动化场景区分下构建轻量化肉牛行为识别系统,可为农户监测肉牛健康状况以及自动化智慧养殖提供技术支持。

关键词： 深度学习   目标检测   仪表识别   注意力机制   图像处理   YOLOv5  

摘要： 通过图像识别算法对电力仪表进行识别与读数可有效避免人工巡检过程中的诸多不确定问题。针对传统仪表检测识别方法工作量大以及指针分割不清晰导致读数不准确的问题,提出了一种基于轻量化神经网络模型和SimAM注意力机制的电力仪表检测与识别方法。首先,通过引入SimAM注意力机制以及YOLOv5s轻量化神经网络模型实现对电力仪表的识别与分类以及表盘区域的分割;然后分别采用CRNN文本识别算法和Hough圆检测方法对数字式仪表以及指针式仪表进行读数。模型结合多种场景进行训练,并对识别与读数2个阶段分别给出评价标准。实验结果表明,该方法能够高效完成电力仪表的检测与识别工作,在提高检测准确率的同时将总体检测时间控制在1.00 s以内,具有一定的实用性。

关键词： 声呐图像   滑动窗口   特征聚合   帧间差分法   致灾生物监测  

摘要： 近年来,滨海核电冷源取水口致灾生物,特别是毛虾、水母等已成为核电站安全运行的重大隐患,对其监测需求日益迫切。然而,上述致灾生物通常具有透明度高、体型小等特点,加上近海岸水体浊度高,难以通过光学设备进行有效探测。声呐探测因具有良好的方向性和穿透性、对浊度不敏感等优势,成为探测上述致灾生物的理想方案。目前,声呐探测技术主要通过实时检测单张声呐图像中的致灾生物目标来实现。由于海洋环境复杂多变,存在潮汐等干扰,声呐图像中的目标形状往往不清晰、边缘信息容易丢失,造成致灾生物目标的虚检率和漏检率较高。为解决上述难题,本文提出一种基于滑动窗口特征聚合的声呐图像处理技术。首先,对声呐图像进行增强和潮汐干扰去除的预处理操作,减少噪声和潮汐干扰对监测结果的不利影响;然后,以连续的视频帧作为研究对象,利用滑动窗口的方式对其进行特征聚类,确定固定物的位置并排除其干扰;最后,结合帧间差分分析法及交并比(Intersection over Union,IoU)算法、非极大值抑制(Non-Maximum Suppression,NMS)算法,精确识别并检测出近海致灾生物目标。本系统可以实现对近海致灾生物的实时、精确监测,且检出率高达96%。该技术可提升我国在核电站海洋生物监测预警方面的精确度、维护核电站的正常运行。

关键词： 海洋垃圾检测   YOLOv9   目标检测   注意力机制  

摘要： 为了提高解决海洋垃圾问题的效率,保护海洋环境。文章提出了一种基于改进YOLOv9c的的海洋垃圾检测算法的研究。由于海洋垃圾浮游于海中,受较暗光线以及海水颜色的影响较难检测识别,在预处理时对数据进行色彩增强与图像增亮的处理,提高了图像的辨识度。并采用最新的YOLOv9c作为目标检测的骨干网络,引入Squeeze and Excitation注意力机制,提高了特征的敏感度,增强了网络的泛化能力和效率。并且将下采样替换为基于Haar小波下采样,在降低特征图的同时尽可能保留更多的信息,提高处理的效率。经训练后,在J-EDI海洋垃圾数据集上进行验证,其mAP达到了70.5%,模型的参数也只有12.5M,FPS为75。表明改进后的算法有较好的效果。

关键词： 人机协同装配   YOLOv7   注意力机制   E-IOU   装配零件检测   多目标检测  

摘要： 针对人机协同装配环境复杂多变且装配零件尺度差异大、部分零件相似度高的特征,为保证人机协作装配过程中机器人准确抓取装配零件,提出了一种改进的YOLOv7模型来提高装配场景中多零件目标检测效果。首先,采用ODConv(Omni-dimensional dynamic convolution)替换YOLOv7主干网络中的卷积层,使其能够自适应调整卷积核的权值,提取不同形状、大小的装配零件的特征。其次,在YOLOv7主干网络中引入SimAM(Selective image attention mechanism)模块来减轻复杂多变的装配环境背景对零件检测准确率的影响。最后,使用Efficient-IOU替换原始的CompleteIOU来加速收敛,同时降低部分装配零件相似度高对检测准确率的影响。实验结果表明,该模型的平均准确率为93.4%,改进后的网络优于原始网络和其他目标检测算法。所提出的改进YOLOv7算法在保持高精度的同时具有较高的FPS,模型参数和计算量也相对较低,适合动态人机协同装配场景下实时目标检测要求。

关键词： 目标检测   通道   混洗   深度学习   注意力机制   损失函数  

摘要： 为解决桑蚕养殖过程中对蚕虫计数的难题,特别是针对蚕虫目标小、分布密集且易被遮挡的问题。改研究提出了一种基于YOLOv8模型改进的蚕虫检测与计数新方法(SDM-YOLO)。该方法的核心创新包括:1)引入RCS-OSA模块作为残差模块,替代原YOLOv8中的C2f模块,以增强网络的多尺度特征提取能力并融合不同感受野的信息,提升对密集分布蚕虫的识别能力;2)改造检测头为动态预测头(dynamic prediction head),结合尺寸、空间和通道三个维度的特征信息,提高蚕虫识别的精确度,减少误检;3)优化损失函数,采用EIOU LOSS作为边界框回归的损失函数,以改善密集场景下蚕虫目标的漏检问题。经过试验验证,SDM-YOLO方法在多个评估指标上均表现出色。具体而言,该方法在精确度上达到了88.2%,召回率为87.2%,平均准确度mAP@0.5为93.2%,而mAP@0.5:0.95也达到了74.7%。这些结果充分证明了与一阶段检测模型YOLO系列相比,SDM-YOLO在蚕虫检测与计数方面具有比较明显的优势。

关键词： 波前传感器   图像处理   质心定位   波前重建  

摘要： 针对扫描式眼波前像差系统难以消除所有视角方向系统噪声的问题,提出了一种在大噪声条件下准确定位光斑阵列的质心并进行波前重建的方法。首先使用中值滤波与数学形态学方法对图像进行全局处理;接着使用改进的最大间类方差方法选取每个子孔径的阈值;然后通过Suzuki轮廓跟踪算法确定需要计算的光斑窗口;最后结合所提出的中值面积法精确定位光斑质心。通过对比发现,传统方法对此类大噪声条件下的真实光斑已无法进行判别,而新提出的方法可以进行正确识别,重建波前的PV值误差小于0.015λ,RMS小于0.001λ,说明该方法的准确度与稳定性明显优于传统方法。

关键词： 带式输送机   输送带   纵向撕裂   目标检测   YOLOv5   特征融合  

摘要： 带式输送机输送带纵向撕裂可能引发重大安全事故。针对现有输送带撕裂检测方法精度低、抗干扰能力差的问题,提出了一种基于多尺度特征融合的纵向撕裂检测系统。该系统通过线性激光和高速相机实时捕获输送机胶带表面图像,使用LoG算法对图像进行预处理,提取图像关键区域、减少数据冗余,并通过多尺度特征融合神经网络进行撕裂检测。在检测算法方面,在神经网络主干网络中引入ConvNeXt特征增强模块,提高模型对细小撕裂纹理的特征提取能力,在Neck部分使用双向特征金字塔网络(BiFPN)融合浅层细节纹理特征,减少下采样过程中深层网络细节信息的丢失。实验结果表明,改进后的算法对输送带纵向撕裂故障的检测精度P和平均精度均值(mAP)分别达到了96.34%、94.36%,优于其他主流的检测方法。

关键词： 智能评估技术   竞赛和数据集   视觉跟踪能力   单目标跟踪(SOT)   目标跟踪算法  

摘要： 单目标跟踪任务旨在对人类动态视觉系统进行建模,让机器在复杂环境中具备类人的运动目标跟踪能力,并已广泛应用于无人驾驶、视频监控、机器人视觉等领域。研究者从算法设计的角度开展了大量工作,并在代表性数据集中表现出良好性能。然而,在面临如目标形变、快速运动、光照变化等挑战因素时,现有算法的跟踪效果和人类预期相比还存在着较大差距,揭示了当前的评测技术发展仍存在滞后性和局限性。综上,区别于以算法设计为核心的传统综述思路,本文依托单目标跟踪任务、从视觉智能评估技术出发,对评测流程中涉及的各个关键性环节(评测任务、评测环境、待测对象和评估机制)进行系统梳理。首先,对单目标跟踪任务的发展历程和挑战因素进行介绍,并详细对比了评估所需的评测环境(数据集、竞赛等)。其次,对单目标跟踪待测对象进行介绍,不仅包含以相关滤波和孪生神经网络为代表的跟踪算法,同时也涉及跨学科领域开展的人类视觉跟踪实验。最后,从“机机对抗”和“人机对抗”两个角度对单目标跟踪评估机制进行回顾,并对当前待测对象的目标跟踪能力进行分析和总结。在此基础上,对单目标跟踪智能评估的发展趋势进行总结和展望,进一步分析未来研究中存在的挑战因素,并探讨了下一步可能的研究方向。

关键词： 水稻   图像处理   农业   特征识别   机器学习  

摘要： 水稻的特征识别是农业生产中的重要内容,主要指通过农业专家人工目视或使用图像处理和机器学习技术,对水稻的生长状态进行分析和处理,主要包括提取水稻的形状、颜色和纹理等特征和属性,进而对水稻生长状态、病虫害情况等进行识别诊断。本文在梳理现阶段国内外相关研究成果的基础上,分析了基于数字图像处理水稻生长特征识别研究的田间图像采集设备、图像处理方式以及基于数字图像处理的水稻生长特征识别应用。总结了稻田中不同应用平台的功能特点。展望了基于数字图像处理的水稻特征识别的未来发展方向。