关键词： 可见光-红外目标跟踪   显著内容感知   相关滤波   深度特征   特征融合  

摘要： 为解决当前可见光和红外(RGB-thermal-infrared,RGB-T)视频的目标跟踪方法中目标矩形框不能很好地指明目标形状,使得跟踪器参数训练未能充分关注目标部分,以及单层深度特征难以兼顾类别语义信息和空间结构信息的问题,提出一种显著内容感知的深度特征融合RGB-T目标跟踪算法.首先针对可见光和红外2种模态,提取并融合目标的显著图;然后根据融合显著图优化空间正则项权重系数图,加强显著区域中训练样本对滤波器训练的影响;最后采用预训练的卷积神经网络分别提取2种模态的多层深度特征,这些特征包含了丰富的类别语义信息和空间结构信息并在响应图阶段融合.在RGB-T跟踪数据集GTOT和RGBT210上的实验结果表明,该算法在跟踪精度上达到88.4%和72.7%,在跟踪成功率上达到71.9%和51.0%,与现有算法结果对比,验证了该算法的有效性.

关键词： 授粉机器人   末端执行器   设施番茄   目标检测  

摘要： 随着农业现代化理念的不断推广,中国设施农业栽植面积在不断扩大,已居世界前列。番茄作为设施农业中重要的经济作物之一,及时、高效、细致地对番茄花授粉是促使优质番茄生长的关键。目前设施番茄主要通过人工进行授粉作业,劳动力占比大、投入成本高。随着机器学习、机器视觉、互联网等技术的快速发展,授粉机器人将成为代替人力劳作、提高生产效率的关键技术。为全面、深入地了解设施番茄精准授粉机器人的发展现状及未来趋势,对国内外授粉机器人的发展应用情况进行概述,对设施番茄花朵的目标识别、检测等关键技术进行分析,概况了番茄授粉末端执行器的种类及结构,总结了目前采摘末端执行器研究中出现的问题并提出解决方案,并对液态喷雾式授粉末端执行器的发展及实用性做了分析讨论。最后对现今设施番茄授粉机器人末端执行器发展所遇到的共性问题做了分析和展望。

关键词： 桥梁结构   深度学习   目标检测   损伤识别   YOLOv7  

摘要： 为了解决桥梁结构表观损伤检测精度低的问题,提出适合用于检测桥梁各类表观损伤的BDI-YOLO(Bridge Defect Inspection-YOLOv7)目标检测方法。通过无人机采集桥梁结构损伤位置的图像,样本扩增与制作处理成可用于深度学习模型训练的数据集;引入可变形卷积、ECA注意力模块以及改进的双指标损失函数3种改进措施对网络模型进行优化;利用改进后的网络模型对损伤数据集进行训练与预测识别,将识别结果与现有的主流检测方法进行比较与讨论。通过消融实验证明了3种改进方法的有效性,其能够显著提高网络模型的检测精度;与其他检测方法对比,BDI-YOLO实现了更加优秀的精度与识别效果。

关键词： 图像处理   图像识别   目标检测   YOLOv8  

摘要： 针对鱼类目标检测存在精度低和计算量大的问题,提出了一种基于改进YOLOv8模型的轻量化鱼类目标检测方法YOLOv8-FCW。首先,引入FasterNet中的FasterBlock替换YOLOv8中C2f模块的Bottleneck结构,减少网络模型的冗余计算;其次,引入注意力机制CBAM(Convolutional Block Attention Module),实现高效提取鱼体特征,提升网络模型检测精度;最后,引入动态非单调聚焦机制WIoU(Wise Intersection over Union)替代CIoU(Complete Intersection over Union),加快网络模型的收敛速度,提升网络模型的检测性能。结果显示,与原模型相比,改进YOLOv8-FCW模型精确率提升了1.6个百分点,召回率提升了5.1个百分点,平均精确率均值提升了2.4个百分点,权重和计算量分别减少为原模型的80%和79%。该模型具有较高的精确率和较强的鲁棒性,能够帮助养殖者精确计算鱼群数量,提高养殖效率。

关键词： 光学遥感数据   舰船小目标   UPCBAM-RYOLO V5算法   上采样注意力机制   旋转角度  

摘要： 针对光学遥感数据中舰船小目标数量占比大,长宽比大且多个目标紧密排列难以检测的问题,提出一种基于YOLO V5(You Only Look Once V5)的光学遥感舰船小目标检测算法——UPCBAM-RYOLO V5(Upsampling Convolutional Attention Block Module-RYOLO V5)算法。该算法设计了一种上采样注意力机制模块,增强了网络对小尺寸目标特征提取能力,并在边框回归公式中引入旋转角度损失,提高了算法对舰船外观和方向的感知能力。基于GF1、GF2组成的舰船小目标数据集实验,结果表明,UPCBAM-RYOLO V5算法模型提升了舰船小目标检测的定位精度和分类精度,其中P、R、 MAP(Mean Average Precision)值分别达到93%、94%和95%,较传统YOLO V5模型分别提高3%、7%和7%。对网络中上采样注意力机制模块添加位置的消融实验结果表明,相较于在Backbone和Prediction处加入UPCBAM,在Neck处加入UPCBAM对遥感影像舰船小目标的检测影响最大,性能最优,P、R和MAP值分别提高了5%、4%和2%。从而验证了UPCBAM-RYOLO V5模型在光学遥感舰船小目标检测方面具有一定的研究意义。

关键词： 图像处理   焊缝   表面裂纹   图像识别  

摘要： 为提高焊缝表面裂纹的检验效率,有效降低检验成本和高空坠落风险,本文将图像识别技术应用于焊缝表面裂纹识别。针对自然条件下焊缝与图像背景对比度低的特点,提出了基于二维傅里叶变换的焊缝识别技术,实现了对焊缝方向和焊缝宽度的识别,有效降低了图像背景对裂纹识别结果的影响,提高了对焊缝表面裂纹的检出率。通过图像识别实验验证了本文提出的方法可以实现对焊缝表面裂纹的快速、有效筛查。

关键词： YOLOv8n   小目标检测   感受野注意力卷积   动态头   归一化Wasserstein距离  

摘要： 针对无人机高空视角下背景复杂、特征提取能力不足、目标尺寸小、难以检测、漏检严重等问题,在YOLOv8n的基础上提出改进的无人机高空视角目标检测算法。首先优化网络结构,通过增加P2小目标检测层并删去P5大目标检测层提升小目标感知能力;其次引入感受野注意力卷积(RFAConv)以改进C2f的颈部结构,并从空间维度提高网络的特征提取及特征融合能力;再次将动态头(Dyhead)模块引入Detect检测头,从而增强模型的表达能力和泛化能力;最后使用归一化Wasserstein距离(NWD)度量边界框相似性,从而降低尺度敏感性。在Visdrone2019数据集上,改进后的YOLOv8n、YOLOv9t和YOLOv10n与改进前的相比,在平均精度(AP)上分别提升了15.6%、16.7%和31.0%;在SAR舰船检测数据集(SSDD)上的检测结果表明改进算法泛化能力较好,具有较强的鲁棒性。可见改进后的算法提升了小目标特征提取及融合能力,并具有更好的小目标检测效果。

关键词： 番茄检测   YOLOv8n   超分辨率自适应注意力模块(SPAAM)   C2f-DCF   GSCHead   损失函数  

摘要： 针对自然果园环境下,不同生长周期的番茄姿态多变,易受光线、绿色叶片背景影响导致图像特征不明显,番茄果实生长时易出现扎堆密集以及枝叶藤蔓遮挡等情况,时常造成漏检、误检等问题,提出了一种基于改进YOLOv8n的番茄生长周期采摘检测方法。在Backbone中设计超分辨率自适应注意力模块(super-resolution adaptive attention module,SPAAM),有效提升特征图像分辨率,改善小目标番茄特征提取不充分的问题,并结合坐标注意力机制(coordinate attention,CA)提高关键位置信息提取能力;设计C2f-DCF替换原有C2f,用于自适应番茄姿态形变特征,提高对形变物体空间布局的建模能力,同时提升计算效率;设计GSCHead降低头部参数量,并且添加四倍下采样分支提高对小目标番茄的约束效果;引入Wise-IoU损失函数,提升模型在不同质量图像上训练的泛化性能。改进后的算法在测试集上精确率达到93.9%,相较于原模型提升1.9个百分点,参数量降低0.18×106,有效改善了遮挡情况的漏检率和小目标番茄的检测性能,同时检测速度达到139 FPS,可以便捷地部署到终端完成实时检测。

关键词： 特征提取   安全帽佩戴检测   坐标注意力机制   解耦检测头   目标检测  

摘要： 针对在施工现场中存在复杂的背景干扰及异物遮挡,从而降低安全帽检测准确度的问题,提出一种复杂施工场景下的安全帽佩戴检测算法。本文改进YOLOv5算法,添加坐标注意力机制(Coordinate Attention,CA),使用Stem Block替换主干网络中的前2层,应用一个添加了坐标注意力机制的解耦检测头(Decoupled detect Head,DH)结构,同时添加额外的大尺度特征提取层。在安全帽数据集上的实验结果表明,改进后的CADH-YOLOv5算法平均检测准确度达到91.2%,能够显著改善复杂施工环境下的安全帽佩戴检测性能,优于同类算法,同时具有一定的实时性。

关键词： 干眼症   泪河高度   泪膜破裂时间   睑板腺   深度学习  

摘要： 对当前干眼检测算法的研究进展进行总结和分析。首先,介绍干眼症基本概念和识别干眼症的重要指标。其次,将现有检查方法和算法按照泪河高度检查、泪膜破裂时间测定、睑板腺功能检查进行介绍和分析。通过对不同算法的总结和分析,比较各自算法的优点并归纳缺点。最后,对待解决的相关问题进行讨论,并展望干眼检测未来发展趋势。