关键词： YOLO   多目标   检测   识别   车道  

摘要： 为了解决人眼视力范围有限、疏忽等问题所引发的碰撞等交通事故,采用计算机视觉进行目标智能检测和识别,目前深度学习算法是目标检测识别的热门研究方向,主要有YOLO(You Only Look Once)、VGG、SSD(Single Shot MultiBox Detector)、CornerNet等算法,其中YOLO网络容易训练和调整,运行速度快,可达到实时检测效果,针对车道多目标检测的时效性等问题,文中提出基于YOLO车道多目标检测识别系统。该系统可以实时地检测出车道目标及类型的概率,同时通过多次实验,设置合适置信度,提高识别准确性,对于车辆和行人识别准确率在0.85以上,如果训练样本库数量继续增加,准确率还会提高,有效避免因人为疏忽发生碰撞等问题,对智能车道偏离辅助系统有一定的应用价值。

关键词： 医疗卫生装备   生物医学工程   生物医学信号处理   生物医学成像   脑机接口   图像处理   技术研究成果   人工智能  

摘要： 为促进我国生物医学工程领域的繁荣与发展,提升卫勤保障装备研发速度和质量,我刊“论著-研究与设计”栏目特面向全国征稿。该栏目主要报道生物医学工程领域最新的理论和技术研究成果、新型医疗卫生装备的研制、医院数字化及智能化建设,选题包括但不限于:(1)基础研究类,如人工智能在医学工程领域的基础理论研究、生物医学工程关键技术研究、生物医学信号处理技术研究、生物医学成像与图像处理研究、脑机接口与神经工程研究。

关键词： 目标检测   病害识别   轻量化   YOLO v7   注意力机制   SIoU  

摘要： 为了解决葡萄病害检测过程中存在的识别精度低、模型计算复杂度高及参数量大等问题,提出一种基于EBS-YOLO v7的轻量化葡萄病害识别方法。该方法使用EfficientNet轻量化网络结构替换YOLO v7主干网络,使模型在降低计算量及参数量的同时保持检测精度;在主干网络不同尺度特征输出层嵌入BiFormer注意力机制,强化模型对病害区域特征的提取能力,提高对细节、全局信息的理解能力;采用SIoU(SCYLLA交并比)损失函数作为边界框损失函数,加快模型收敛速度并提高边界框预测精度。结果表明,EBS-YOLO v7模型的准确率、召回率、平均精度均值分别达到97.4%、96.2%、98.3%,相较于YOLO v7模型分别提高了2.4、2.3、2.8百分点,参数量、计算量分别减少至原模型的32.5%、20.0%。与SSD、Faster-RCNN、YOLO v5模型相比,改进模型的平均精度均值分别提高6.0、11.9、7.2百分点,且参数量、计算量也均低于其他模型。研究结果显示,EBS-YOLO v7模型在保持高检测精度的同时,大幅降低了计算资源的消耗,可为葡萄病害的精准快速识别提供技术支持。

关键词： 机械零件   目标检测   YOLOv8s   感受野注意力   可变形卷积  

摘要： 针对非结构环境下机械零件检测任务高精度的需求,提出了一种改进YOLOv8s目标算法。通过引入可变形卷积优化骨干C2f结构(C2f_DCNV2),帮助模型快速地提取更细粒的空间特征;引入空间注意力改造空间金字塔池化层(SPPF_RFA),增加不同层级特征间的信息交融能力和识别复杂细节的能力,提升目标零件的检测精度;使用α-DIoU改进边界框回归损失函数,提高模型边界框定位的精确性和收敛速度。实验结果表明,改进YOLOv8s算法在98帧/秒(FPS)下实现了97.6%的平均精度均值(mAP),相较原算法表现出了更高的准确率和更快的推理速度。

关键词： 深度学习   目标检测   自适应剪枝   轻量化   移动视觉变换器   复杂度评估  

摘要： 为满足深度学习模型在资源受限环境中高效部署的需求,提出了基于场景复杂度的自适应移动视觉变换器(adaptive scene complexity-based mobile vision transformer,AC-MViT)剪枝模型。首先,在移动视觉变换器(mobile vision transformer,MobileViT)网络前引入场景复杂度评估模块,根据场景复杂度动态调整通道数量和变换器层数量,实现在简单场景降低计算开销、在复杂场景保留特征细节的效果。同时,运用动态卷积与变换器层耦合策略,并在训练中加入随机剪枝和计算量惩罚,增强模型的鲁棒性。结果表明,AC-MViT模型在上下文常见对象2017(common objects in context 2017,COCO 2017)数据集和模式分析、静态建模和计算学习视觉对象类2012(pattern analysis,statical modeling and computational learning visual object classes 2012,PASCAL VOC 2012)数据集上取得明显成效,与MobileViT模型相比,在COCO 2017和PASCAL VOC 2012数据集上的平均精确率均值(mean average precision,mAP)分别下降1.1%和0.1%,浮点运算速度分别减少43.1%和46.6%,参数量分别减少49.1%和50.0%,推理时间分别缩短48.4%和52.5%。AC-MViT模型在多种场景复杂度下表现优异,展现出在资源受限环境中应用的高效性和平衡性。

关键词： YOLOv5   模型小目标检测   动态稀疏注意力   消融实验  

摘要： 无人机航拍图像的目标检测面临多重挑战,如小尺度目标与背景难以区分、目标集中易遮挡和显著尺度变化,导致通用检测器精度下降。本文改进YOLOv5,提出TRYOLO,旨在解决小目标检测问题。TRYOLO通过增加检测分支,提升多尺度环境下的性能,更有效地捕捉不同尺度的目标特征,特别是在小物体检测上表现突出。此外,TRYOLO采用基于NWD(Normalized Wasserstein Distance)的新度量替代传统IoU,以增强小目标检测能力,并融合Biformer注意力机制寻找密集场景中的关注区域,同时使用基于Transformer的预测头提升检测效果。在VisDrone数据集上的实验表明,TRYOLO在mAP指标上比YOLOv5提高了5.14%,AP50指标增加了5.29%,展现出优越性能。

关键词： 矿用热风炉   火焰监控   图像处理   系统设计  

摘要： 矿用热风炉在矿山行业中扮演着至关重要的角色,用于加热矿石或其他物料,以便在后续的生产过程中进行加工或提取所需的矿物资源。然而,矿用热风炉的安全性和效率却一直是矿山企业关注的重点。在运行过程中,热风炉内的火焰状态直接影响着其热能输出和燃烧效率,同时也关系到设备的稳定性和安全性。传统的热风炉监控方法往往依赖于人工巡检和经验判断,存在着监控不到位、实时性差等问题。而随着科技的发展,火焰监控系统作为一种自动化监测手段,逐渐成为提高热风炉安全性和生产效率的重要途径。先探讨了新型矿用热风炉的结构以及特点,分析传统矿用热风炉火焰检测方法的缺陷,结合火焰图像监测原理,并对系统的硬件以及软件设计做出探讨,希望能够准确监测热风炉内火焰的状态,并及时发现异常情况,以保障生产过程的安全稳定运行。

关键词： 车辆荷载   计算机视觉   深度学习   卷积神经网络  

摘要： 近年来,交通运输行业迅速发展,超载车辆不断增加,严重影响公路桥梁的安全耐久水平,准确高效地识别车辆荷载信息对交通基础设施的运营、评估和维护具有重要意义。随着计算机视觉和深度学习技术的广泛应用,车辆荷载识别也得到进一步发展。本文从车辆荷载的直接识别及信息融合识别两个方面对目前的研究现状进行了分析,发现直接识别方法虽然能够取得一定的效果,但需要置于研究所处的具体环境下,而融合识别方法是目前的发展趋势;其次指出了当前车辆荷载识别领域的任务与难点,主要在于如何在准确可靠识别车辆荷载信息的前提下,寻求识别精度与速度之间的平衡;最后对相关研究工作进行总结,并讨论了未来的优化方向与发展趋势,本文认为将来应进一步优化视觉识别模型与算法,并与新兴技术不断交叉融合以提高现实复杂环境中的车辆荷载识别效果,使其更好地应用于工程实际。

关键词： 无人机   智能监测系统   数据处理算法   路径规划   目标检测  

摘要： 全球范围内,无人机的广泛应用为智能监测系统提供了新的可能性。此一研究旨在构建以无人机为主的监测系统,其中包括了丰富的传感元件和尖端的数据处理手法,完成对特定陆地区域的自动守视任务。该系统采取模块化设计,详细至硬件方面,主要囊括无人机平台、载荷板块以及地面控制基站,软件一道,为硬件具象化相关功能。深入探析了诸如飞行管控、任务实施、路径策划和目标侦测等核心技术点。而更为重要的发现是,试点成效显现出该监测系统具备优秀的目标侦测和跟踪能力,从而在大幅度增强监测精度和效能方面显示出强烈的价值存在。此一研究成果对于无人机在环境维护、公安巡逻等多元任务实施方面,无疑具有深远参考价值。

关键词： 鸟类检测   深度学习   半监督学习   目标检测   注意力模块  

摘要： 针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin transformer,SSBY-CST),首先基于北京14处监测站在不同湿地场景下采集到的图像,构建了涵盖17种鸟类图像数据集,为模型鲁棒性提供可靠数据支撑。其次提出基于伪标签学习法的单阶段半监督学习框架,基于Yolov5主干网络构建教师学生模型,高效利用无标签数据提升检测性能;训练阶段使用双阈值伪标签分配策略替代传统单一阈值伪标签分配,以优化无监督损失函数。然后设计了结合CNN和Swin Transformer的双通道卷积模块CST,以提高不同类别鸟类与湿地背景的区分能力。试验结果表明,仅在100张标注图像下,该文SSBY-CST算法对17种复杂环境下鸟类的检测精准率和mAP@0.5分别为77.5%和58.2%,相比同时期较先进的YOLO模型提升了17.4个百分点和15.5个百分点,在少量标注的前提下实现了较高的检测性能提升,其中黑鹳、西伯利亚银鸥的m AP@0.5分别达到了95.7%和94.5%,相比基线提升了24.9个百分点和14.3个百分点。此外,消融试验分析了双阈值伪标签分配的作用及CST模块的效果,验证了双阈值伪标签分配与CST模块设计的有效性。该框架利用无标注样本在极少量标注量下提升复杂环境下细粒度鸟类检测性能,以加强农林生态的智能数字化管理。该文将半监督扩展到细粒度鸟类检测,为处理农林生态环境下的鸟类检测提供了技术路径。