关键词： 杂草检测   图像处理   深度学习   YOLO   知识蒸馏  

摘要： 杂草对农业生产的负面影响日益严重,高效的杂草检测方法对推动农业可持续发展至关重要。然而,现有的杂草检测模型在检测精度和效率方面仍存在提升空间。该研究基于YOLOv5,引入知识蒸馏技术,并整合多个教师模型的知识,旨在提高模型在棉田杂草检测中的精度和实时检测能力。首先,提出了一种基于温度系数的Logits软投票机制,通过动态调整教师模型的蒸馏损失权重,有效融合各教师模型的优势。同时,还提出了基于注意力机制的多教师特征融合方法,动态加权突出关键特征,抑制冗余信息。结果表明,该研究提出的YOLOv5s-CWD在模型精度和实时检测性能上均表现优异,F1分数(F1-score, F_(1))为94.5%,平均精度均值(mean average precision, mAP)在验证集和测试集上分别为96.8%和93.6%,帧率(frames per second, FPS)为46.71帧/s,浮点运算数(giga floating point operations, GFLOPs)为4.1,模型大小为2.9 MB。与YOLOv5s相比,YOLOv5s-CWD在验证集上的m AP仅降低0.9个百分点,FPS提高约57.22%,计算复杂度降低约74.38%,模型大小减少约79.86%。与YOLOv7相比,YOLOv5s-CWD在验证集上的mAP降低1.3个百分点,FPS提高约1 076.57%,计算复杂度和模型大小大幅优化。与YOLOv10s相比,YOLOv5s-MGD在验证集上的mAP降低0.9个百分点,FPS提高约143.41%,计算复杂度降低约83.27%,模型大小降低约82.42%。综上所述,YOLOv5s-CWD在保证高精度的同时,显著提升了检测速度、计算效率和存储性能,适用于在性能受限设备上实时检测,为棉田杂草检测提供了有力的技术支持。

关键词： 烟支   外观缺陷   目标检测   YOLOv7tiny   深度学习  

摘要： 【背景和目的】卷烟厂在生产中不可避免会出现有外观缺陷的烟支,而外观缺陷会严重影响烟草产品的质量。因此,在烟支高速生产线上,有实时检测烟支外观缺陷并剔除外观缺陷烟支的需求。【方法】提出一种基于YOLOv7tiny的烟支外观缺陷的快速检测模型,该模型被命名为CAD-YOLO(Cigarette Appearance Defects detection using YOLO)。在该模型中,特征提取网络中引入了可变形卷积网络的升级版(DCNv2),通过对采样点添加偏移量来灵活提取特征,自适应复杂缺陷的几何形状,以此提升模型的特征提取能力;在颈部网络的特征融合金字塔中,引入了双向加权特征融合金字塔,并在P5特征层上增加了来自P2特征层的跳层连接,加强了颈部网络在深层特征上的特征融合能力;引入定位损失函数WIoUv3,降低了数据集中低质量实例产生的不利梯度,增加定位精度和检测精度,最后使用带有多头自注意力的基于注意的尺度内特征交互(Attention-based Intrascale Feature Interaction,AIFI)模块替换了特征池化金字塔模块,进一步增强多尺度融合能力。【结果】CAD-YOLO模型的平均检测精度为94.1%,召回率为92.4%,每支烟支图像检测时长仅12.0ms。【结论】所提出的模型可以应用于烟支高速生产流水线,能为烟支生产质量控制提供保障。

关键词： 温度场测量   辐射测温   炉内温度监测   三维温度场   煤粉燃烧  

摘要： 【目的】在“双碳”目标要求下,中国新能源发电占比不断增加,对传统火电机组深度调峰提出了更高的要求。深度调峰面临的最大挑战则是炉内燃烧不稳定,而火焰温度又是反应燃烧稳定性的重要参数。【方法】采用黑体炉对4个电荷耦合图像探测器进行标定,建立图像灰度值与辐射强度的定量关系;探测器内置双带通滤光片及中性密度衰减片,以获取非饱和单色辐射图像。在5 MW煤粉锅炉炉膛的对称位置布置4个探测器,通过逆蒙特卡洛法求解辐射传输方程,结合Tikhonov正则化优化算法抑制噪声干扰,实现三维温度场重建,试验针对15%、35%、50%、75%和100%负荷工况进行测试。【结果】试验结果表明,中间断面的平均温度分别为1182.3℃、1235.5℃、1239.7℃、1272.2℃和1295.2℃,随负荷增加呈显著上升趋势;15%负荷下炉膛高度方向温度分布接近对称,但上部高温区域面积略大于下部,反映了实际燃烧状态。三维温度场重建系统可实时显示不同断面的温度分布,软件界面集成火焰图像、温度曲线及二维/三维场可视化功能。标定实验验证了辐射强度测量的准确性,黑体炉温度反算误差小于1%。不同负荷下高温区面积扩展与温度升高的规律表明,系统能有效捕捉燃烧状态变化。【结论】该方法具备良好的工程应用潜力,对推动火电机组清洁高效运行具有重要意义。

关键词： 显著性目标检测   低光照场景   无源领域自适应   伪标签   教师-学生网络   集合熵最小化   选择性投票  

摘要： 为了解决低光照条件下校园环境等场景监控摄像头图像质量和监控效果受影响而带来的安全问题,提出一种低光照显著性目标检测(SOD)方法,以提高低光照条件下目标检测能力。针对低光照条件下图像的显著性特征弱化和缺乏大规模标注数据的问题,提出一种无源领域自适应(SFDA)方法,将正常光照图像(源域)下训练的模型知识迁移至低光照条件图像(目标域)。该方法采用两阶段策略:在第一阶段,利用源域模型生成低光照图像的伪标签,为提高伪标签生成的质量,提出集合熵最小化损失抑制高熵区域,同时引入选择性投票方法来增强伪标签的生成;在第二阶段,采用基于增强引导一致性的教师-学生网络自训练方法对显著图进行精细化,进一步提高检测结果的精度。在SOD-LL数据集上的实验结果表明,所提出的方法在低光照场景下总体性能优于其他图像显著性检测方法,相较于正常光照的SOD方法,其平均绝对误差(MAE)降低15.15%,加权F1值(wFm)提高4.73%。

关键词： LED   图像处理   室内定位系统   可见光通信   质心算法  

摘要： 本文介绍了一种利用OpenMV图像传感器进行室内定位的方案。该系统使用三个白光LED发射光信号,图像传感器进行信号采集,用质心计算作为定位算法,对图像传感器的相对位置进行检测和计算,从而进行定位。在没有其他干扰源的情况下,该方案能够在提供正常光照的环境中稳定进行室内定位,前提是环境光条件相对稳定。

关键词： YOLOv8s   红外小目标检测   深度非跨步卷积   Shape_IoU损失函数   双注意力机制  

摘要： 针对红外成像面积小、分辨率低、易被遮挡导致漏检、检测精度低等问题,本文提出了一种基于SSE-YOLO的红外小目标检测算法。首先在YOLOv8s的基础上引入深度非跨步卷积模块,避免检测过程中细粒度信息的丢失并提高特征学习的效率;其次在特征提取阶段增加专门针对小目标的检测层,以提升模型对红外小目标的提取能力;此外设计了一种高效的双注意力机制(efficient dual-attention mechanism,EDAM),自适应地学习每个通道和空间位置的重要性,从而更好地捕捉图像中的关键信息;然后使用Shape_IoU损失函数来聚焦边框自身形状与自身尺度,进一步提高边框回归的精确度;最后在FLIR数据集和艾睿光电公司拍摄的数据集上进行了一系列实验。结果表明:本文所提方法在两种数据集上的平均精度分别达到了89.8%与92.1%,相比于原始的模型分别提高了3.3%与2.9%。

关键词： 配电网隐患   MobileNet注意力   位置注意力   移动端部署  

摘要： 配电网无人机巡检移动端设备需要准确实时地识别巡航路线上的安全隐患。无人机采集和拍摄到的图片背景复杂、尺度变化大,因此准确、及时地检测出隐患类别是一个挑战。提出了一种改进YOLOv5s算法,设计了注意力移网络(Attention MobileNet)来替换YOLOv5s的主干网络,用于配电网安全隐患的实时检测。针对配电网复杂的背景特征和隐患特征多样性的特点,需对关键区域进行关注,在模型的特征中融合位置注意力机制(Coordinate Attention),将其添加到YOLOv5s的检测头中,提高隐患检测分类的准确性。实验结果表明,所提出的改进网络模型内存占用量仅为原模型的85%,模型推理速度达到了30fps,满足实时性的要求。数据集平均精度均值(mAP)、精度(P)和召回率(R)分别为37.8%、69.2%和79.6%,mAP比原始模型提高了2.3%,高于SSD、FasterR-CNN等,满足实际的应用要求。

关键词： 计算机视觉技术   电子通信设备检测   性能优化   效果评估  

摘要： 电子通信设备复杂性攀升,将传统检测技术推向极限边缘。领域内人员全力革新检测效能,深入挖掘计算机视觉技术应用,通过算法优化降低计算负担、硬件加速提升处理效能,并以检测精度等关键指标全面评估成效。实证数据表明,该技术显著提高检测精度与效率,为电子通信设备检测筑牢防线,推动行业迈向新的发展高峰。

关键词： 深度学习   生活垃圾检测   YOLOv8   目标检测  

摘要： 随着社会的进步和生活水平的逐渐提高,生活垃圾也日益增加,垃圾分拣工作面临着工作环境复杂、对工作人员体力要求高等挑战。为了提高生活垃圾分拣效率,提出一种加强特征模块融合、引入注意力机制和MPDIoU损失函数的改进YOLOv8的生活垃圾检测模型,用于生活垃圾检测和分类。首先,利用GOLD-YOLO中的Gatherand-Distribute机制对特征融合模块进行改进;其次,将注意力机制的目标检测头添加到模型中,并将损失函数替换为MPDIoU,从而提高模型对生活垃圾的检测性能;再次,在改进算法结构后,通过实验数据比较对训练策略加以改进;最后,在生活垃圾数据集上进行了验证。结果表明,经过改进后的模型检测精度明显提升,mAP@0.5和mAP@0.5∶0.95分别提高了0.4%和2.9%,生活垃圾检测能力得到有效提升。

关键词： 目标检测   黑烟检测   YOLOv8   轻量级模型   注意力机制  

摘要： 柴油车辆排放黑烟是道路交通环保执法的重点和难点。由于受复杂环境条件的影响,针对目前黑烟检测存在精度和速度方面的不足,提出一种基于改进YOLOv8的轻量级柴油车辆排放黑烟的检测模型。首先,在YOLOv8主干网络的基础上,设计一种轻量化特征提取模块C2f-FasterRep提高模型的特征提取能力,同时C2f-FasterRep模块引入上下文锚框注意力机制模块来捕捉长距离的上下文信息,利用全局平均池化和条形卷积增强特征图中心区域的特征,从而提高检测精度;其次,在颈部部分提出一个新的网络结构用于融合主干网络提取的特征,并使用通道注意力模块和维度匹配机制对不同尺度的特征进行融合,增强了模型的多尺度特征融合能力;最后,使用Transformer解码器结构优化YOLOv8模型的检测头,同时,采用交并比感知的查询机制,有助于解码器查询的优化,提高了模型的分类和定位的性能。为保证实验的真实性和有效性,利用部署在河南许昌某道路断面的检测设备采集数据并进行测试验证。实验结果表明,该方法的mAp为95.4%,精确率为94.5%,召回率为97.5%,与现有的黑烟检测方法相比,具有更高的检测精度和更快的检测速度。消融实验结果表明该轻量化特征提取模块、特征融合模块和检测头有利于提高模型检测精度。