关键词： 大豆花朵   生长状态   YOLOv5   田间复杂环境   注意力机制   目标检测  

摘要： 为判断大豆开花时期落花情况,对田间大豆花朵在花蕾、半开、全开、凋落四类生长状态下进行精准检测。基于YOLOv5检测模型,对主干Bottleneck CSP结构进行修改,减少模块数量来保留更多浅层特征,增强特征表达能力,在骨干网络中引入CA注意机制,以获得位置信息,协助模型更加准确地识别,并修改锚箱尺寸提高小目标花蕾精准识别,在自建的田间大豆花朵不同生长状态数据集上进行改进YOLOv5算法对比试验。结果表明:大豆开花时期花朵不同生长状态识别模型准确率达到93.4%,召回率达到91.4%,对比原模型准确率、召回率分别提高0.8%和2.1%。

关键词： 遥感图像   小目标检测   实时检测   卷积神经网络   特征融合  

摘要： 得益于深度学习方法的发展,近年来目标检测方法的性能有了很大的提升。然而,从无人机(UAV)遥感图像中检测目标仍然存在很大的挑战,原因包括:UAV遥感图像中目标分辨率小、背景复杂,现有算法难以满足实时性要求。面对这些挑战,提出了一种基于多尺度多深度特征提取(MMFE)网络的实时小目标检测(RTSTD)方法,能够高效的从UAV遥感图像中检测小目标。RTSTD将一幅输入图像剪裁成多个小尺寸的图像,并将一部分小尺寸图像输入到轻量化的MMFE网络中。因此,RTSTD具有处理任意分辨率的遥感图像而不丢失图像细节特征的能力。对于MMFE网络,提出了一种更有效的输出:重叠向量能够表示目标在输入图像中的位置和置信度。为了增强MMFE网络区分目标和复杂背景的能力,重新定义了正样本和负样本。为测试RTSTD的性能,从开源数据集UAV123、DTB70和AU-AIR中筛选重构了7个数据集,共8369张UAV遥感图像,涉及地面和海面场景下的小目标检测。结果证明,与现有的检测方法相比,RTSTD方法在准确性和速度方面都取得了改善,平均F1-Score>0.90,GPU运行每秒>66帧,CPU运行每秒>35帧。

关键词： 智能化趋势   图像处理与机器视觉课程   教学实践  

摘要： 随着科技发展的推动,智能化已经成为当今社会的发展趋势,人们对人工智能的认知水平越发提升,各行各业开始朝着多元化的方向发展.智能产业升级必然带动专业人才需求,图像处理与机器视觉课程开始成为富有智能特色的专业课程.基于此,文章综合图像处理与机器视觉课程目标与要求,分析了课程教学现状与存在的问题,探讨了社会智能化趋势下图像处理与机器视觉课程教学新实践,旨在提升教学效果与学习水平.

关键词： 遥感目标检测   可见光和红外图像   轻量级上采样算子   注意力机制   特征融合  

摘要： 针对现有的目标检测方法在处理背景复杂、有效信息量少的遥感图像时存在的误检、漏检等问题，提出了一种多模态遥感小目标检测方法BFMYOLO。设计了像素级的RGB和红外（IR）图像融合模块BFM，充分利用不同模态的互补性，实现两种模态信息的有效融合；设计了全尺度自适应更新模块AA，解决特征融合过程中的多目标信息冲突问题，结合CARAFE上采样算子并进一步融入浅层特征，加强非相邻层间融合效果的同时增强小目标的空间信息；设计了改进的任务解耦检测头IDHead，将分类和回归任务分开处理，降低不同任务的相互干扰，融合学习深层语义特征，进一步提升模型的检测性能。采用NWD损失函数作为定位回归损失函数，降低位置偏差的敏感性。实验结果表明，该方法在VEDAI、NWPU VHR-10和DIOR数据集上的mAP50分别达到78.6%、95.5%和73.3%，优于其他先进模型。在遥感小目标检测中表现出良好的性能，验证了其有效性。

关键词： YOLOv8s   ODE   BiEO-Neck   小目标检测头   WIoU  

摘要： 针对无人机航拍图像中存在因背景复杂、尺度变化大、目标密集而导致的小目标检测率较低问题，提出一种新型双向加权多尺度动态无人机视角下小目标检测算法BiEO-YOLOv8s。首先，设计全新ODE模块来替代部分C2f模块，使其能更准确、更快速、多角度地定位目标特征。其次，设计双向加权多尺度动态颈部网络结构BiEO-Neck，实现浅层特征与深层特征的深度融合。第三，添加小目标检测头,进一步提升特征提取能力。最后，采用广义交并比边界损失函数WIoU来替代原有边界损失函数CIoU，以增强边界框的回归性能。在VisDrone数据集上进行实验，与基础模型YOLOv8s相比，mAP提升了6.1%，检测速度仅为4.9ms，整体性能优于其他主流模型。通过在IRTarget数据集上的通用性测试，进一步验证了该算法在不同数据集上的有效性和适应性，证明能够高效地完成无人机航拍图像的目标检测任务。

关键词： 遥感图像   多目标检测   Faster R-CNN   Swin Transformer   平衡金字塔   动态权重机制  

摘要： 针对遥感图像背景复杂、目标种类多和尺度差异大所造成的目标漏和误检问题，提出一种改进Faster R-CNN多目标检测模型。首先，采用Swin Transformer来替代Resnet-50骨干网络，增强模型特征提取能力。其次，添加平衡金字塔模块融合浅层和高层语义信息，进一步加强特征融合效果；最后，在分类和回归分支中，添加动态权重机制，促进网络在训练过程中更关注高质量候选框，提高目标定位和分类的精准度。将所提模型在RSOD数据集上进行实验，相较于原模型浮点运算数大幅度减少，并且模型的mAP@0.5:0.95提高了10.7%，平均召回率提高10.6%。相较于其他主流检测模型，所提模型在降低漏检率的同时，取得了更高的精度。实验结果表明，所提模型能明显提高复杂背景下遥感图像的检测精度。

关键词： 小目标检测   YOLOv8n   无人机检测   SPPELAN   轻量化  

摘要： 在无人机航拍中，目标通常是密集分布、特征不明显的小目标，且物体尺度变化较大。因此，目标检测容易出现漏检和误检的问题。为了解决这些问题，文章提出了一种基于改进YOLOv8n航拍轻量化小目标检测算法：PECS-YOLO。该算法通过在Neck部分增加P2小目标检测层，将浅层和深层的特征图进行拼接，更好捕捉小目标的细节信息；利用轻量化卷积PartialConv引入全新的结构CSPPC来替换Neck网络中的C2f，进行模型轻量化；通过结合SPP（Spatial Pyramid Pooling）和ELAN（Efficient Layer Aggregation Network）对空间金字塔池化结构进行改造，使模型能更有效捕捉小目标特征；通过在Neck部分每个检测头前加入SE注意力机制，使网络更好地关注有用的通道，减少复杂环境中背景噪声对小目标检测任务的干扰；最后使用EfficiCIoU Loss作为边界框损失函数，把边界框的形状差异也考虑在内，增强了模型对小目标的检测能力。实验结果表明，PECS-YOLO目标检测算法在VisDrone2019-DET数据集上的mAP@0.5提高了3.5%，mAP@0.5：0.95提高了3.7%，并且模型的参数量相比YOLOv8n降低了约25.7%，FPS增加了约65.2%。综上所述，PECS-YOLO模型适合于无人机航拍下的小目标检测任务。

关键词： 目标检测   轻量化   跌倒事件   注意力机制   全维动态卷积  

摘要： 在室内场景中，由于角度、光线变化等因素导致现有的目标检测算法检测跌倒事件时存在检测精度低和实时性差的问题。针对这一挑战，本研究提出了一种基于YOLOv8改进的跌倒检测算法：OEF-YOLO。采用全维动态卷积（ODConv）模块改进YOLOv8中的C2f模块，优化了核空间的四个维度以增强特征提取能力，而且有效减少了计算负担；同时，为了捕获更细粒度的特征，在颈部网络中引入Efficient Multi-Scale Attention Module(EMA)注意力模块，进一步聚合像素级特征，提高网络在跌倒场景中的处理能力；在CIoU损失函数中融入Focal Loss思想，使模型对难分类样本给予更多关注，优化模型整体性能。实验结果表明，相比于YOLOv8n，OEF-YOLO跌倒检测算法精度在mAP@0.5指标上提升了1.5%，mAP@0.5:0.95指标上提升了1.4%，仅有3.1M的参数量和6.5的GFLOPs，在GPU上FPS提高了44帧每秒，做到了高精度检测跌倒事件的同时，兼顾低算力场景下的部署要求。

关键词： 目标检测   口罩检测   特征融合   YOLOv5n   FPN  

摘要： 口罩作为基础的个人防护物品，在公共卫生领域发挥着越来越重要的作用。针对复杂场景下口罩检测精确度低的问题，为了进一步提高口罩检测精确度和模型训练的稳定性，本文提出了一种基于YOLOv5n改进的轻量级口罩检测算法Mask-YOLO，具体为:在特征提取阶段中的卷积模块组采用Softplus激活函数提升模型非线性映射效率加快模型的收敛速度；在主干特征提取深层网络中添加Coordinate Attention，通过嵌入位置信息到通道注意力，使网络获取更大的物体区域信息和通道目标特征，同时避免较大的内存开销；与此同时在深层网络将SPPF模块替换为RFB模块，借助不同的膨胀率来扩大卷积特征采样的感受野，获取到高层网络中丰富的物体语义信息；在多尺度特征融合网络PANet结构的基础上，添加BiFPN跨阶段多尺度特征融合设计，使得具有不同尺度空间信息和语义信息的目标特征充分融合交互，进一步提升小目标检测精度；采用DIoU作为边界框损失函数，用以解决边界框回归不稳定和目标漏检的问题;最后，采用Soft-NMS的方法通过降低重叠检测框置信度得分的方式，进一步提升检测效率。实验结果表明，改进后的口罩检测算法Mask-YOLO与基准模型YOLOv5n相比在mAP@0.5-0.95综合评价指标性能提升8.58%，解决了原始YOLOv5n算法在口罩检测中小目标检测精度低、边界框回归不稳定和模型训练收敛慢等问题，实现了高效的口罩检测。

关键词： 缺陷检测   目标检测   YOLOv8算法   注意力机制   损失函数  

摘要： 针对金属生产制造中，表面缺陷检测环节存在检测准确率低，处理速度慢等问题，提出来一种基于改进YOLOv8网络的金属缺陷检测方法（TCM-YOLO）。该改进方法改进坐标注意力机制为三通道坐标注意力机制(TCCA)，并与第二版可变形卷积网络相结合为三通道可变形卷积(TDCN），增强网络的特征提取能力。特征融合网络中采用双向特征金字塔与动态蛇形卷积(DSC)相结合的方法，改善网络对于带钢缺陷检测的漏检率，更好保留缺陷微小纹理和复杂结构的信息。采用MPDioU损失函数替换原来的损失函数加快收敛速度和获得更准确的回归结果，最后嵌入全局注意力机制，不断捕获缺陷全局形态的重要信息。实验结果表明，TCM-YOLO算法在东北大学带钢缺陷的数据集上平均精度达到了81.8%，相比于原始的YOLOv8n算法提高了7.4%，精确率达到了78.3%，相比于原模型提升了8.9%，算法检测速度达到61.73FPS，在天池铝型材缺陷的数据集上平均精度相比于原始的YOLOv8n算法提高了4.1%，精确率相比于原模型提升了8.7%。结果表明了本文的TCM-YOLO算法检测精度高、检测速度快的特点，能更好满足金属表面实际检测需求。