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： 激光点云   建筑物轮廓提取   图像处理   线要素简化   RANSAC  

摘要： 本文针对基于地面点云数据的建筑物轮廓自动提取,设计了一种由粗到精的提取方法。首先,将点云降维,在图像中进行轮廓优化和粗提取;然后,将欧式距离聚类和全局最小二乘方法与RANSAC方法结合,对提取出的粗轮廓进行更精细地拟合,得到原始的线要素;最后,采用平面几何拓扑约束和经验模型的方法,对得到的线要素进行简化和连接,完成轮廓的提取。试验结果表明,本文方法能够有效提取出建筑物轮廓,与传统方法实测相比,轮廓顶点处的位置精度总体小于5 cm,能够满足大多数城市测量应用场景。

关键词： 交通标志识别   目标检测   注意力机制  

摘要： 针对无人驾驶时识别不同道路环境下小型交通标志准确率低、检测速度慢的问题,提出一种基于改进YOLOv5的目标识别算法。为了减小模型体积,提高模型推理速度,该算法用Ghost模块替换原有的网络架构,在特征融合阶段结合通道注意力机制,以帮助模型更好地聚焦于图像中的关键信息。为了增强对小目标的特征提取能力,对原C3模块进行改进,引入滑动窗口模块(Swin Transformer Block,STB),并采用中国交通标志数据集TT100K进行对比验证。结果表明:文中提出的方法识别准确率为92.6%,比原始YOLOv5算法提升了0.7%;平均准确率均值达到93.5%,比YOLOv5算法提高了2.5%。

关键词： 智能社区监控   深度学习   目标检测   图像识别   大数据分析  

摘要： 智慧社区监控系统是当前社区安全管理的重要组成部分。本文旨在研究智能社区监控系统中的关键算法,并结合实际案例对其应用进行探讨。本研究采用了YOLOV8目标检测网络模型、RFDN图像超分辨率重建网络模型和Hyperlpr创新车牌识别算法,实现了对社区内异常情况的实时监测和识别,进一步提高了系统的应用价值。此外,本文还对系统中的大数据分析技术进行了探讨,实现了多维度的数据分析和管理。本研究成果对于提高社区安全性、优化社区管理、降低社区成本具有重要意义。

关键词： YOLOv8s   小目标检测   无人机   注意力卷积  

摘要： 针对无人机航拍图像存在目标小、目标遮挡等问题,提出一种改进YOLOv8s的目标检测算法YOLO-RC。在骨干网络结构中引入感受野空间注意力(RFA),避免卷积核参数共享,以提高模型的图像特征提取性能。改进C2f模块,引入深度分离卷积,减少模型的计算量。新增混合注意力卷积的小目标检测层,以改善对小目标检测精度。为充分考虑预测图像几何特征,使用MPDIoU损失函数优化网络。在无人机图像数据集VisDrone2019上的实验表明,所提改进算法的mAP@0.5为44.7%,较YOLOv8s提升了5.4个百分点,在新增小目标检测层的情况下,参数量降低了1.81×106。在DOTAv1.0数据集上,mAP@0.5提高了5.6个百分点。改进后的算法具有更强的鲁棒性,适用于无人机视角目标检测任务。

关键词： 草莓病害   目标检测   YOLOv8n   ADown   轻量化   实时检测  

摘要： 针对实际种植环境下草莓病害目标检测中,存在背景复杂、检测精度低等主要问题,提出一种改进YOLOv8n的草莓病害检测算法YOLOv8n-SD。搜集并处理真实场景下草莓叶、花、果的常见病害图像以构建试验数据集。在YOLOv8n模型的基础上对其进行优化改进,利用多尺度并行计算与补丁感知注意力对主卷积模块进行重构,提出C2f-PPA模块,有效融合多尺度特征信息,提高模型的特征捕获能力。引入ADown模块,减少下采样过程中的信息损失,提高模型的推理速度和鲁棒性。提出一种任务对齐的共享动态检测头(Task-aligned Dynamic Head, TDyH),增强定位分支和分类分支之间的信息交互,降低模型参数的同时,提高检测精度和准确性。根据试验结果,改进后的YOLOv8n-SD模型的检测精度达到83.7%,相较于原YOLOv8n提高3.3%,mAP@0.5与mAP@0.5∶0.95分别达到76.9%和59.9%,分别提升1.6%和2.3%。改进后的算法能精确识别草莓生长各阶段的常见病害,并满足边缘设备的轻量化需求和实时检测需求。

关键词： Exemplar Transformer   目标跟踪   特征增强   外观变化  

摘要： 近年来目标跟踪在学术研究和实际应用中具有巨大潜力,受到越来越多的关注并成为计算机视觉的热点研究方向。针对现有的目标跟踪算法在光照变化、遮挡和快速运动复杂背景条件下跟踪精度较低这一问题,提出一种结合多注意力机制的Transformer跟踪算法——TrKYS。引入多注意力模块捕捉目标在空间和通道维度中的特征,实现对目标特征上下文依赖关系的建模;通过多个不同空洞率的平行空洞卷积对特征图进行采样,以获得图像的多尺度特征,增强局部特征表达能力;构建Exemplar Transformer模块,利用模板化的空间信息和目标特征建立了外观跟踪模型。为了适应外观变化,该跟踪算法在连续帧中跟踪目标物体时会实时更新跟踪模板特征向量、运动参数和空间信息,提高跟踪定位的精度。在LaSOT、VOT2018、NFS、OTB-2015、TrackingNet和GOT-10k数据集上实验结果表明,与其他主流目标跟踪算法相比,所提算法具有更好的跟踪性能,特别是在TrackingNet上的跟踪算法(TrKYS)相对于基准跟踪算法(KYS)成功率提高了3个百分点。

关键词： 电梯轿厢场景   深度图像   人体目标检测   边缘计算  

摘要： 针对电梯轿厢场景下,基于传统RGB图像实现人体目标检测易受电梯轿厢内饰、光照、乘客外貌特征等因素影响,难以实现稳定、准确的乘客数量检测的问题,提出一种基于深度图像的人体目标检测方法。首先,设计深度图像采集装置,构建人体目标深度图像数据集;然后,提出一种适配专用推理架构的限制采样尺度及线性激活的YOLOv8网络优化方法。经实验验证,该方法在边缘计算平台上具有0.984的AP@0.5准确率及44 ms的推理延时,满足电梯轿厢场景下人体目标实时检测的需求,提升了电梯的运行效率及安全性。

关键词： 无人船   目标检测   激光雷达   YOLOv7-tiny   注意力机制   可变形卷积  

摘要： 针对近岸复杂环境和目标部分遮挡条件下海面目标检测易出现目标漏检和虚警的问题,提出了一种激光雷达与机器视觉融合的海面目标检测方法。首先,设计了一种基于注意力机制与可变形卷积的特征提取模块,提高YOLOv7-tiny网络对海面障碍物目标特征的提取能力,从而降低近岸复杂背景干扰导致的漏检率和虚警率;然后,将激光雷达聚类结果和改进的YOLOv7-tiny网络模型预测结果进行融合,降低目标部分遮挡导致的漏检率;最后,在海面目标检测图像数据集上进行实验验证,结果表明,与原YOLOv7-tiny网络模型相比,改进YOLOv7-tiny网络模型的mAP提升了3.8个百分点,在目标部分遮挡场景下用实船实验数据进行验证,与NMS算法相比,所提融合方法的漏检率降低了6.9个百分点,验证了所提方法能够在近岸复杂环境和目标部分遮挡场景下,降低海面目标检测的漏检率和虚警率。

关键词： 无人机   小目标检测   注意力机制   YOLOv5s   航拍图像  

摘要： 针对无人机视角下目标尺度变化剧烈、背景复杂、目标小且密集而导致漏检率高的问题,提出了一种改进YOLOv5s的实时目标检测模型。首先,提出了全新的混合注意力机制,将其嵌入到主干网络中,增强对目标关键信息的提取能力;其次,创建新的稠密残差金字塔池化,提高了网络信息融合能力,降低计算量;然后,设计了一种基于多头自注意力机制的C3-BoT模块,有效捕获无人机图像全局上下文信息;最后,根据无人机图像特点,在YOLOv5s网络基础上增加一个极小目标检测层,降低小目标的漏检率。在VisDrone2019数据集上进行实验,改进后模型的mAP 0.5达到了40.6%,较YOLOv5s基准模型提高了8.1个百分点,在无人机航拍图像检测任务中取得了更好的检测效果。