关键词： 植物伪装检测   目标检测   注意力机制   动态迭代  

摘要： 本文针对植物伪装检测任务中低信噪比、动态干扰与细粒度识别问题,提出一种多频边缘动态检测网络MFENet,以提升复杂生态场景下的隐蔽植物检测精度与鲁棒性。在MFENet中,采用多尺度频率分离模块处理低信噪比问题,通过多尺度分组卷积分离低频全局特征与高频细节特征。同时,构建了通道感知边缘注意力模块,结合Sobel边缘先验与通道–空间注意力优化细粒度特征。为进一步提升检测精度,提出了边缘强度驱动的动态迭代反馈机制,自适应调整计算复杂度。在PlantCamo数据集上,与通用的伪装检测模型相比,MFENet在各指标上提升明显。消融实验验证了各模块的有效性。MFENet显著提升了植物伪装检测的精度与效率,为生态保护与农业监测提供可靠技术支撑。

关键词： 目标检测   YOLO   可变形卷积   番茄成熟度   注意力机制  

摘要： 针对YOLO v8算法模型在番茄果实成熟度检测过程中存在的漏检和误检问题,通过改进算法模型,使其能够精准分辨番茄果实成熟状态。首先采用可变形卷积(DCN)增加卷积核几何变换的内部机制,使骨干网络中的C2f结构专注于果实成熟度信息,其次采用带有缩放比例因子的辅助边框加速计算损失收敛,提升预测框实际尺寸精度。SIoU函数引入了回归之间的向量角度,定义了新的惩罚因子。另外将注意力机制模块LSKA引入Backbone和Neck网络中间,调整不同成熟度细节信息的权重。由实验室采集的番茄果实数据集,使用数据增强技术对原始图像进行旋转、亮度增强、模糊等操作,避免训练过拟合。试验结果表明,改进后的算法模型对比原始算法,显著提高番茄果实成熟度的检测精度,算法精确率提升2.4百分点,平均精准度均值提升1.2百分点,同等试验条件下损失值降低,收敛速度更快。本研究的YOLO v8-DIS算法可以更好地分辨番茄果实的成熟状态,果实成熟度分辨性能相较于主流算法模型有较大提升,以期为目标检测在农业果实采摘的应用中提供技术支撑。

关键词： 目标检测   复杂场景   多尺度船舶检测   合成孔径雷达(SAR)   深度学习  

摘要： 针对复杂场景下的多尺度SAR舰船目标检测存在误检漏检的问题,提出了一种改进的SAR舰船目标检测方法。首先,利用多尺度目标特征提取网络提取特征信息,以提升多尺度目标的检测能力并减少冗余计算。其次,引入可形变卷积(DConv)通过自适应调整卷积核的形状来提升复杂场景下SAR舰船目标的检测性能。最后,引入了注意力机制来抑制背景杂波并增强特征信息。实验结果表明,在SSDD数据集和HRSID数据集上改进方法的检测精度分别达到了97.9%和93.1%,整体性能优于现有主流目标检测算法。

关键词： 炮孔检测与定位   目标检测   特征提取   轻量化模型   细粒度特征  

摘要： 在岩巷掘进工作面爆破作业中,目前采用人工装药或由经验丰富的人员操作机械臂进行装药,作业的有效性和安全性难以保证。装药机械臂的智能化发展是实现掘进面爆破作业中药物填充操作安全高效运行的关键,而炮孔图像检测算法是装药机械臂智能化控制系统的核心算法。为实现装药机械臂的智能化控制,保证炮孔图像检测精度的同时降低控制装置的功耗,使装药机械臂嵌入式控制装置满足本质安全型电气产品的安全要求,提出了一种轻量化炮孔检测与定位算法Mv3-SCD。该算法在炮孔检测精度方面,针对炮孔受围岩背景、岩石阴影影响产生的误检现象,以及炮孔在图像中表现出上下文信息少、可识别特征有限导致的漏检问题,首先设计了一种炮孔检测头结构,通过使用高分辨率的检测头来减少过多的下采样导致的炮孔特征损失;然后引入了Mv3_Block使算法在浅层特征便具备较强的炮孔语义抽象能力,通过配合空洞金字塔池化模块增大感受野,以捕获复杂围岩背景下炮孔和岩石遮挡形成的阴影之间的细粒度差异特征;最后,为了提高炮孔边界框回归的准确率,对损失函数进行了优化。针对炮孔图像检测与定位算法网络模型参数量大、每秒帧数小的问题,提出了一种轻量级的Sc_C2f模块来对网络结构进行优化。为了验证算法的有效性,分别从主观和客观2个方面对Mv3-SCD系列进行了分析。与最小基线模型相比,Mv3-SCDn炮孔算法具有最优的炮孔检测效果,炮孔检测模型参数量下降了7.17%,检测速度提高了45.44%。实验结果表明,提出的算法能够有效提高智能装药机械臂的精准度和网络模型的轻量化程度。

关键词： 深度学习   无人机   目标检测  

摘要： 文章设计了一种基于深度学习的无人机(Unmanned Aerial Vehicle,UAV)目标检测与跟踪系统,旨在提升无人机在动态环境中的目标识别与跟踪能力。深度学习模型模块基于YOLOv4进行目标检测;目标检测与跟踪模块集成深度SORT与Siamese网络,实现实时多目标跟踪。实验结果表明,系统在COCO和实际场景数据集上的平均检测精度(mean Average Precision,mAP)分别达到86.5%和81.3%,目标跟踪精度(Multiple Object Tracking Accuracy,MOTA)最高达到78.2%。该系统在动态环境中表现出较强的目标遮挡恢复能力,路径规划成功率提升至92.4%,路径偏差降低至2.8 m,验证了其检测精度、跟踪稳定性及环境适应能力。

关键词： 扩展目标跟踪   随机矩阵   高斯-学生t混合分布   变分贝叶斯方法  

摘要： 针对非平稳异常噪声环境下扩展目标跟踪问题,该文提出一种基于高斯-学生t混合(GSTM)扩展目标跟踪方法。首先,将过程噪声和量测噪声建模为GSTM分布,以表征非平稳厚尾噪声,并通过引入伯努利随机变量,将目标的运动状态和量测似然函数建模为分层高斯形式。其次,在随机矩阵(RMM)滤波框架下,使用变分贝叶斯方法详细推导了非平稳厚尾噪声下的GSTM扩展目标跟踪算法。该算法通过建模高斯噪声与厚尾噪声之间的非平稳过程,精确表征噪声特性,从而在非平稳异常噪声环境下稳健捕捉扩展目标的质心位置和轮廓形态。最后,构建非平稳异常噪声环境下的扩展目标跟踪仿真实验,并通过高斯-瓦瑟斯坦距离对实验结果进行效果评估,验证了所提出算法的合理性。此外,真实场景实验结果进一步证明了该算法在实际应用中的有效性和鲁棒性。

关键词： 无监督学习   显著性目标检测   西藏古建筑   冲量扩张   室内检测  

摘要： 针对西藏室内复杂纹理背景下显著性目标检测算法难以全面标记显著区域的问题,在A2SNet模型基础上提出改进的MA2SNet模型。引入高效通道注意力模块,增强预训练模型对复杂场景的检测能力;添加基于区域扩张的冲量策略,结合高置信度标签和噪声线索,提高伪标签的全面性和准确性;改进实时标签纠正策略,实时优化伪标签质量。采用深度学习的无监督显著性目标检测方法,降低了为众多物品手动注释标签的人力成本。实验结果表明,F2和召回率相较于基线模型,在西藏数据集和公共数据集都有所提高,可稳定、全面地检测图像占比大于40%的单物体显著目标。

关键词： 玉米   病虫害识别   目标检测   YOLO v8模型  

摘要： 针对目标检测模型YOLO v8s在光照变化大和背景杂乱情况下,对玉米病虫害进行识别过程中存在检测漏检率高以及鲁棒性较差的问题,提出了一种基于改进YOLO v8s的玉米病虫害识别模型——DSCGAM-YOLO v8s。DSCGAM-YOLO v8s模型基于YOLO v8s模型,首先将GAM全局注意力机制加入C2f模块中的Bottleneck之前,构建全新设计的C2f-ATTENTION模块,在充分获取上下文信息的基础上降低复杂背景对病虫害图像识别的干扰;接着在Neck部分网络结构设计并添加DySnakeConv模块,DySnakeConv模块具有自适应调整卷积核的形状特性,更好地捕捉和感知图像中玉米病虫害的目标特征,避免光照和背景杂乱的影响;最后改进了Neck颈部网络结构,建立了160×160尺度的特征融合层以提升检验框对小目标检测的准确性,增强了浅层信息和深层信息的融合同时提高了识别精度,在Head网络中增加微小目标检测模块与160×160尺度的特征融合层进行连接。在使用自建的包含常见7种玉米病虫害数据集进行测试的情况下,DSCGAM-YOLO v8s模型的检测精确度、召回率分别达到了81.2%和71.3%,与YOLO v8s模型相比分别提高了9.9、8.9百分点。对比YOLO v3模型、YOLO v5s模型、YOLO v8s模型mAP分别提升了15.7、11.4、11.1百分点,对比其他研究中提出的玉米病虫害识别模型YOLO v3-Corn、Improved-YOLO v5s、YOLO v8-Extend模型mAP提升了12.8、8.4、6.8百分点。在保证提取相同特征参数,识别计算量提升不大的前提下,DSCGAM-YOLO v8s模型有效提高了识别精度。

关键词： 计算机视觉   工业自动化检测   数据处理   优化策略   智能化升级  

摘要： 介绍计算机视觉的基本原理与技术框架,分析了其在工业自动化检测中的独特优势。通过具体案例分析,揭示了计算机视觉在产品质量检测、生产线监控与调度等多个关键场景中的实际应用现状,提出了一系列创新性的优化策略与改进方法,旨在提升检测精度、优化数据处理流程,并推动工业自动化检测系统的集成化与智能化升级。

关键词： 沥青路面   图像处理   深度学习   裂缝病害  

摘要： 为了提高沥青路面的检测效率和准确性,分析了图像处理技术和深度学习算法。图像处理技术的关键是获取数据集。数据集大多是使用驾车录像和细节拍摄两种方式采集到的路面图像,由于直接采集的路面图像背景复杂,可通过灰度化处理、增强处理(平滑滤波、直方图均衡化、Gamma矫正等)、分割处理等方面处理图像。图像处理完成后,可基于VGG卷积神经网络建立沥青路面的深度学习模型,并合理选择卷积层、池化层、全连接层等结构层的参数。以S238线公路的一段沥青路面为例,对深度学习模型的卷积层层数和训练次数进行优化,并将检测结构与实际进行对比,研究成果表明:将处理后的图像导入VGG卷积神经网络后,对沥青路面的裂缝识别度达到了90%以上。