关键词： 杂草识别   目标检测   YOLOv8   轻量化   注意力机制  

摘要： 为了适应智能农业的发展需求,并解决杂草检测过程中常见的效率低和可靠性不足的问题,文章提出一种基于改进YOLOv8(You Only Look Once)算法的轻量化高性能杂草检测模型。基于Ghost Conv(Ghost卷积)设计了全新的轻量化C3Ghost(Cross Stage Partial Network)模块以取代C2f(CSPDarknet53 to 2-Stage FPN),此外在模型的Neck部分引入CBAM(Convolutional Block Attention Module)注意力机制模块。通过构建专门的杂草数据集检测模型性能,发现该改进模型在杂草检测任务中的mAP-0.5达到了90.5%,mAP-0.5∶0.9评价标准达到54.4%。与官方发布的YOLOv8-s模型相比,分别提高了0.8%和0.3%,改进后的模型参数量减少了46.18%,计算量降低了42.81%。以上结果证明了所提改进策略在模型轻量化方面的有效性,为智能农业中的杂草管理提供了理论和技术支持。

关键词： 目标检测   密集交通场景   EIOU   CBAM   K-means++  

摘要： 道路交通场景下目标检测任务往往由于物体相互遮挡、远处目标像素低等原因,导致检测精度低,出现漏检、误检等问题,为此提出一种改进YOLOv5s的交通场景密集目标检测模型YOLOv5-ECFK。首先,将边界框回归损失函数由CIOU替换为EIOU,提高模型评估预测框的准确性;其次,在主体网络结构中融合CBAM注意力机制,帮助网络在具有密集对象场景中找到注意力区域;然后,通过增加小尺度特征融合层和检测层,提升模型小目标检测精度;最后,使用K-means++算法重新聚类锚框,使生成的锚框更适合实验数据集,提升算法整体性能。实验数据集由公开数据集Rope3D和自制数据集联合组成。实验结果表明,最终改进算法YOLOv5-ECFK相比于YOLOv5s、mAP@0.5/%和mAP@0.5:0.95/%分别提升3.4%、2.7%,Precision和Recall分别提升3.5%、1.3%,最终改进算法对道路交通场景下的密集目标具有优秀的检测效果。

关键词： 激光熔覆   图像处理   熔池监测   闭环控制  

摘要： 激光熔覆是一种通过粉末熔化沉积来制造或修复金属零件的增材制造技术,是零件修复的重要手段之一。对熔池形貌进行实时监测与闭环控制是当下的研究热点之一。对熔池形貌的实时监测与闭环控制现状进行总结,对熔池图像的处理和熔池信息的提取进行回顾分析,并提出了熔池形貌监测进一步的发展趋势。

关键词： 李   机械采摘   果实识别   YOLOv5   图像处理   注意力机制   目标检测  

摘要： 为提高果园中高遮挡和密集的李(Prunussalicina Lindl.)的检测精度,提出一种改进YOLOv5s模型,在促进模型轻量化的同时提高模型对李的检测精度。首先,使用新的结构Focus-Maxpool模块替换主干网络中的下采样卷积,使改进模型在下采样时能够保留更多高遮挡目标和小目标的特征信息。其次,使用focal loss和交叉熵函数的加权损失作为改进模型的分类损失,提升改进模型对粘连目标的识别能力。最后,设计若干组检测试验来评价改进模型的性能。结果显示,改进YOLOv5s模型的平均精度优于YOLOv5s、YOLOv4、Faster-RCNN、SSD和Centernet;与YOLOv5s模型的检测结果相比,改进YOLOv5s模型的平均精度、召回率和精度分别提高2.84、9.53和1.66百分点,检测速度可达到91.37帧/s,能够满足实时检测需求。研究结果表明,改进的YOLOv5s模型在真实果园环境下具有较高的检测精度和鲁棒性。

关键词： 天线下倾角   目标检测   深度学习   图像信号处理  

摘要： 为了实现天线下倾角的高效、准确测量,满足无线优化运维场景大规模、高效率的测量需求,将YOLOv5目标检测框架巧妙应用于天线下倾角测量的复杂场景中,并对其进行改进,使之适用于复杂的天线检测与姿态识别任务,同时精准预测下倾角。实验结果显示,改进后的YOLOv5模型在保持与改进前相当的侧对天线检测能力的同时,其下倾角预测误差降低了13%,预测绝对误差为0.635°。改进YOLOv5模型在保证高准确率的同时,显著提高了天线下倾角的测量精度,为无线优化智能运维提供了新的技术路径和参考依据。

关键词： 深度学习   目标检测   钢结构裂纹   焊缝开裂  

摘要： 主要基于YOLO神经网络对钢结构的焊缝裂纹进行视觉识别与检测。首先,获取钢结构焊缝裂纹图片,利用数据集扩充方法自制数据集;其次,建立并训练了针对钢结构焊缝裂纹的神经网络检测模型;最后,通过多项评判标准测试了该模型的效果。结果表明,该模型可作为新型解决方法被应用于检测钢结构焊缝开裂的问题中,为传统的工程行业检测提供新型检测方法。

关键词： 接触角测量   图像处理   三维重建   结构光  

摘要： 针对不均匀材料表面的液滴2D投影接触角存在误差,且仅有少数国际设备商提供三维接触角测量方案。本文提出一种基于三维重建的液滴接触角测量方法,旨在提供一个完整且效果可行的的三维接触角测量解决方案。该系统利用阵列圆点结构光进行三维检测,适用于接触角小于90°且具良好漫反射的液体。主要步骤包括:特征区域筛选、三维点云获取、液滴曲面拟合和接触角测量。其中,图像预处理部分,提出了基于HSV空间结合形态学操作的方法;在特征区域筛选中,提出一种面积筛选法;通过几何计算完成二维点云到三维点云的转换;提出点云匹配算法以优化点云融合。与二维测量方法对比,实验结果表明,本文方法在测量精度和可靠性上均有显著提升,实现了最大误差小于1°,大部分误差小于0.5°,并能进一步分析材料的物理特性及表面均匀性。

关键词： 卷积神经网络   遥感图像   目标检测   骨干网络   分支结构   特征增强   特征金字塔   特征融合  

摘要： 基于深度学习的目标检测模型在自然场景中所取得的结果难以直接应用于遥感图像,主要原因是遥感图像具有类间相似性、目标尺寸变化大等特点。因此,在面向遥感图像的目标检测中如何实现精确的检测效果仍是需要重点关注的问题。为解决上述问题,提出一种面向遥感图像的两阶段目标检测算法,即基于区域卷积神经网络的特征增强与融合方法(region-based convolutional neural networks with feature enhancement and fusion,FEF-RCNN),该算法设计的分支残差结构利用不同大小的卷积分支和非对称卷积操作得到多样化的特征信息,在提高骨干网络的特征表示能力的同时减少了计算量。随后构建出的重构信息特征金字塔将高低层的语义信息和位置信息进行融合交互,以适应图像中不同尺度的目标。最后,在公开的大规模数据集DOTA中进行充分实验证实该方法的有效性,并获得了77.25%的平均检测精度。

关键词： 3D目标检测   多传感器数据融合   CPU   移动机器人  

摘要： 实时、准确的3D目标检测算法能提供目标的位置和形态信息,为移动机器人实现高效导航、有效避障等各项任务提供保障。现有的3D目标检测算法对硬件设备运算能力的依赖较为严重,为了在确保检测精度的同时降低方法对硬件设备的要求,提出一种能部署在移动机器人CPU环境下的多传感器融合3D目标检测方法。方法结合了2D目标检测和点云聚类技术,利用2D目标检测技术从图像中获取目标的检测信息,根据相机与雷达的空间映射关系对检测框内的点云进行分割,并对分割后的点云进行聚类和信息提取,从而实现3D目标的检测和定位功能。通过与经典的多传感器3D目标检测算法MVX-Net的对比,该算法有更优的检测精度,同时具有更小的计算复杂度。此外,该方法在实际移动机器人CPU设备的边缘终端上进行部署分析,算法的处理速度达到0.069s/帧,满足10Hz激光雷达频率的需求。

关键词： 安全头盔   目标检测   YOLOv7模型   GAM注意力  

摘要： 针对原YOLOv7模型在工地作业场所检测安全头盔是否佩戴容易出现漏检误检的问题,提出了一种改进的YOLOv7安全头盔目标检测算法。在原模型的主干中加入GAM注意力模块,提高目标有效特征的利用率,减少无用响应特征,达到增强网络提取目标有效特征的能力。实验数据表明,使用了改进后的模型在自制数据集中,检测安全头盔的mAP提升了0.9%,召回率提升了1.3%。该研究对于安全头盔检测的应用提供了一定的参考价值。