关键词： 小目标检测   多尺度融合特征   特征金字塔   动态通道注意力   交并比损失函数  

摘要： 针对小目标检测中卷积操作导致检测特征缺失和不同尺度语义隔阂的问题,提出一种基于动态自适应通道注意力特征融合的小目标检测方法。1)提出一种多尺度三角动态颈(Tri-Neck)网络结构,用于融合多尺度特征语义隔阂及弥补小目标特征缺失的问题。2)提出一种分组批量动态自适应通道注意力模块,增强弱语义小目标特征同时抑制无用信息,且在动态自适应通道注意力模块中设计新的激活函数和交并比损失函数,提升通道注意力表征能力。3)采用ResNet50作为骨干网络依次连接特征金字塔网络和Tri-Neck网络。实验结果表明,该方法在Pascal Voc 2007、Pascal Voc 2012上比YOLOv8算法mAP分别提升5.3%和6.2%,在MS COCO 2017数据集上AP和AP_S分别提升1.6%和2%,在SODA-D数据集上比YOLOv8算法AP提升0.9%。

关键词： YOLO目标检测   烟草合规检测   烟草合规审查   图像识别  

摘要： 【目的】基于YOLO目标检测框架,设计出一种烟草配送合规审查算法,利用图像识别技术提高烟草配送过程的合规性和准确性。【方法】该算法以ResNet-18作为主干网络,结合空间金字塔池化(SPP)模块,提取和融合多尺度图像特征。通过对配送图像中的签收人、烟草、货架和柜台等元素进行目标检测,并设立审核机制,自动判定图像是否合规,实现对配送行为的自动化审查。其中,实验数据来自专业人员筛选的规范与不规范配送图像,标注数据包括人员、烟草、货架和柜台等元素。【结果】实验结果显示,该算法在“烟草”类别上的AP值为0.8931,整体模型在测试集上的mAP为0.6839,表现出较好的识别能力和稳定性。【结论】该算法能有效支持烟草行业的智能化配送管理,未来可通过扩展数据集和优化模型,进一步提升其鲁棒性和准确度,满足更复杂场景的需求。

关键词： 人工智能   婴儿监护系统   计算机视觉   姿态识别   Home Assistant  

摘要： 随着人工智能技术的发展,婴儿监护系统在生活中的应用日益普及,本文设计了一种基于人工智能的婴幼儿行为监护系统,利用计算机视觉技术和深度学习算法,结合Raspberry Pi 4B、Camera V2等硬件设备,实现对婴幼儿行为的实时监测与智能分析。系统通过Google MediaPipe姿态识别算法提取婴幼儿关节特征并结合设置的安全范围,采用优化后的Moondream 2模型进行多模态数据推理,显著提升系统实时性和准确性。系统引入轻量化时间序列分析模块以增强行为变化的敏感度以及动态预警功能的集成,确保监护系统的高效、可靠。通过Home Assistant平台、MQTT协议及内网穿透技术,系统支持远程访问与实时通知功能。实验结果表明,系统在准确性及稳定性方面表现良好,可广泛应用于家庭监护和智能看护场景,为婴幼儿的安全管理提供了新型解决方案。

关键词： 车辆检测   YOLOv7-tiny算法   深度强力残差卷积块   轻量级高效层聚合网络模块  

摘要： 为更好地保护人民的生命财产安全,针对目前依靠人力进行交通管理工作时统计不准确、反馈不及时等问题,提出一种适合部署在边缘终端设备上的基于YOLOv7-tiny算法改进的车辆目标检测算法。通过构造深度强力残差卷积块对主干网络的轻量级高效层聚合网络(Efficient Layer Aggregation Network-Tiny,ELAN-T)模块进行轻量化改进;通过削减分支,对特征融合网络的ELAN-T模块进行轻量化改进,降低网络的参数量和计算量,并对特征融合网络的结构进行重新构造;引入高效通道注意力机制和EIOU边界框损失函数提升算法的精度。在预处理后的UA-DETRAC数据集上实验,改进后的算法参数量相比于原始的YOLOv7-tiny算法降低了15.1%,计算量降低了5.3%,mAP@0.5提升了5.3个百分点。实验结果表明,改进后的算法不仅实现了轻量化,而且检测精度有所提升,适合部署在边缘终端设备上,完成对道路中车辆的检测任务。

关键词： 目标检测   YOLOv7-tiny   SAR图像   轻量化模型   通道剪枝   损失函数  

摘要： 海上舰船目标识别是海洋监测的重要一环,也是世界各海岸地带国家国土安全的重要解决方案之一。针对SAR图像舰船目标检测存在识别精度低、训练模型大等问题,提出了一种基于通道剪枝的改进YOLOv7-tiny海上舰船识别算法。首先,采用MobileNetV3替代原有主干网络,以降低模型的计算量和体积,实现模型轻量化;其次,引入MPDIoU简化计算过程,优化模型的收敛性;最后,通过通道剪枝提高模型精度,同时平衡模型体积和计算量的降低幅度,进一步优化算法模型。实验结果表明,改进算法相对于YOLOv7-tiny,召回率提升了5.85个百分点,mAP提升了3.69个百分点,参数量减少了63.35%,计算量减少了70%。

关键词： 成像测井   裂缝识别   深度学习   集成学习   图像处理  

摘要： 传统成像测井裂缝识别依赖专家经验,主观性强;深度学习方法可提取多维度特征构建裂缝识别模型,集成学习方法融合多个模型提升精度,但简单融合策略精度提升不明显,复杂融合策略易过拟合,需探索更有效融合方法提升裂缝识别准确性;针对上述问题,提出了一种基于Stacking方法改进的集成深度学习模型,将Deeplabv3+,YOLOv8,SegFormer三个模型进行融合,并设计了跳跃连接模块将原始图像骨干特征传递至元模型层,避免在模型融合时由于特征不足产生的错误拟合;经实验,该模型在构建的测井图像裂缝识别数据集上Dice系数可达89.6%,优于单一模型与少数模块构建的集成模型;将该方法用于柴达木盆地实际成像测井资料的裂缝识别,能够准确地提取出测井图像的裂缝信息,证明了该模型的有效性,为成像测井裂缝识别提供了新的思路。

关键词： 多传感器方法   计算机视觉   四旋翼无人机   林火监测   定位  

摘要： 为了提高林火防控策略的有效性,解决林火监测、火点快速识别和有效定位的难题,提出了基于四旋翼无人机搭载计算机视觉系统双目定位火点技术。首先,搭载红外热像仪、摄像头、激光雷达等设备检测出林区烟雾和隐藏火点,利用图像智能识别技术进行数据处理,实现火点精准识别;其次,采用双目平面影像算法,结合无人机自身姿态位置信息提出了火点定位数学模型,得到了火点位置坐标;最后,通过设计8组试验验证了该无人机识别定位系统的精确度和可靠性,结果表明经度最大误差为(6.20×10^(-6))°,纬度最大误差为(3.21×10^(-6))°,高程最大误差为2.73×10^(-3)m,能够实现精准定位。研究成果为森林火灾防控提供了新的方法和思路。

关键词： 目标检测   轻量化   SteamPlus block   深度可分离卷积   五头LADH预测头  

摘要： 红外物体检测是计算机视觉中目标检测领域的重要研究方向,针对YOLOv8检测红外物体时模型大小、参数量、GFLOPs过大的问题,提出了一种FLH-YOLOv8网络结构,以实现模型的轻量化。首先,采用创新后的StemPlus Block与多个串联的Shuffle Block构建YOLOv8 Backbone主干网,提升特征的表达能力;其次,在SPPF层后引入MSCA多尺度卷积注意力机制,提高对特征的关注;接着,选取深度可分离卷积DWConv与全新连接操作ADD轻量化实现颈部多尺度特征融合;最后,提出五头LADH预测头(FLH)并将SlideLoss损失函数与IoU损失相结合,在实现网络结构轻量化的同时提高检测精度。实验结果表明,FLH-YOLOv8在三种红外数据集上,模型大小平均从22.5 M下降92.4%至1.7 M,模型参数量下降93.9%,平均精度基本保持在95%以上。在保持检测精度的同时,大大降低了网络的复杂程度。

关键词： YOLOv8   算法   智慧农业   目标检测   轻量化网络   农作物病害  

摘要： 针对农作物病害识别存在算法参数量大、计算速度慢和现有公开数据集少等问题,文章提出了一种基于改进YOLOv8的目标检测算法。首先,创建了Mydataset农作物病害数据集,填补了算法模型在数据集方面的不足。其次,引入了快速神经网络(faster neural networks,FasterNet)轻量化网络模块,大幅减少了模型的参数量和计算量,使得算法更适应低计算能力的环境。同时,采用双向特征金字塔网络(bi-directional feature pyramid network,BiFPN)的特征融合结构,不仅提高了模型的特征融合效率,还进一步降低了参数量,进而显著提升了模型的检测精度和性能。此外,通过引入可变形大内核注意力机制(deformable large kernel attention,D-LKA Attention),扩大了模型的感受野,加强了全局特征的捕捉和局部特征的细化提取,实现了在降低参数量和FLOPs(floating point operations)的同时提高检测效果的目标。实验结果表明,在Mydataset、VOC-2007和Vehicles三组数据集上,与原始YOLOv8模型相比,YOLOv8-self在Mydataset数据集上,参数量下降了约20.3%,精准度提升0.04%,平均精度均值(mean average precision IOU=0.5~0.95,mAP@0.5:0.95)提升了3.7%,模型的处理帧速(frames per second,FPS)提升了4%。在VOC-2007和Vehicles数据集上的检测精度也有类似的提升。同时,实验结果也证明在对于文章提出常见的12种农业病害(豆角叶斑、大豆锈病、草莓角斑病、草莓果肉腐烂、草莓粉状叶霉病、草莓花枯萎病、草莓灰霉病、草莓叶斑、草莓白粉果、番茄病、番茄蜘蛛螨、番茄叶霉病)识别任务中,优化后的算法具有更简约、更精准以及更强的泛化性能,能够适应硬件设备条件较差的环境,更适用于农作物病害的检测任务。

关键词： 图像识别   深度学习   目标检测   YOLOv8   点胶  

摘要： 本文提出一种改进YOLOv8n的定制化结构件点胶区域检测算法。首先使用SPD-Conv取代原有卷积进行下采样,保留了特征图的多尺度信息;其次,使用DySample改进YOLOv8-neck中的上采样,避免了传统上采样方法中可能出现的模糊和失真问题;最后,使用Inner-SIoU作为边界框损失函数,有效提升了模型的边界框回归精度。模型改进完毕后,在自建的定制化结构件数据集上进行模型实验对比。实验结果表明,改进的YOLOv8n模型相较于原YOLOv8n模型在增加了1.4M的参数量后,精确度提升了4.4%,召回率提升了2.1%,mAP@0.5和mAP@0.5-0.95的值分别提升了3.7%和7.5%,为定制化结构件的点胶操作提供技术参考。