关键词： 农作物   虫害   YOLOv5S   轻量级   目标检测  

摘要： [目的]本文提出一种轻量级YOLOv5S农作物虫害目标检测模型以解决在样本数量不足的情况下农作物虫害识别的问题。[方法]利用Ghost技术将2个Ghost Bottle Block线性特征提取模块封装为1个GB模块,代替YOLOv5S中前7个CBL、CSP、SPP非线性特征提取模块,从而约简了YOLOv5S的网络参数,减轻了网络体量。[结果]在保证虫害检测效果的前提下降低网络对计算硬件与训练样本的依赖。为了验证模型的有效性,对水稻、玉米、棉花、马铃薯、苜蓿5种农作物的12类虫害进行识别与定位,多类别平均精度(mAP)为91.31%,比YOLOv5S模型高出2.56百分点。[结论]通过与SSD、Faster-RCNN、YOLOv5S模型对比发现,本文提出的模型在mAP、F1-score、精确率(Precision)、召回率(Recall)4个评价指标均占优势,尤其在小目标、密集目标、与背景相似目标的检测方面表现突出。

关键词： 谷子病害   Matlab   病斑分割   分割方法  

摘要： 谷子作为一种具有重要工农业价值的作物,其叶片病害严重影响了谷子的产量和经济效益。文章通过数码相机获取五种常见的谷子病害(谷瘟病、红叶病、胡麻斑病、锈病和白发病)作为研究对象,借助Matlab,使用全局阈值、局部阈值和区域生长分割法将谷子病斑分割,比较分析不同的分割方法。研究结果表明,对于谷瘟病的分割,最大类间方差法和迭代分割法表现较好,红叶病与锈病适合使用区域生长分割法,胡麻斑病和白发病的分割可以通过直方图双峰法进行有效处理。本研究通过对比不同方法下谷子病斑分割的效果,选取出效果最好的分割结果作为本研究的成果,并为谷子病斑分割提供了一定的理论和方法,为谷子病害特征提取和智能识别奠定了基础。

关键词： 红外目标   远距离多尺度   重叠度   特征提取   像素网格  

摘要： 在红外目标跟踪过程中,由于目标距离和视角的变化,红外目标的成像面积通常很小,使得红外图像中缺乏足够的像素信息,无法准确提取目标的特征,增加了目标跟踪的难度。因此,提出基于锚框的远距离多尺度红外目标跟踪技术。利用编码的方式对应追踪框图与真实框图,得到目标框中心坐标值。为保证计算的精准度,通过设定特征融合阈值判定提取信息与真实信息较高的重叠度,并按照锚框的边缘、中心以及顶点坐标对应划分像素网格,根据特征值输出分类输出向量,完成红外目标特征提取。由此采用损失函数给出锚框、目标框、实际框的类别损失以及候选框等不同类别损失函数,按照不同点在网格中的体素值,以编码形式逐一对比候选框和真实框数据,通过迭代实现远距离多尺度红外目标跟踪。实验结果表明,所提方法对远距离多尺度红外目标的识别效果较好,查全率曲线基本保持在0.9以上。说明所提方法具有良好的远距离多尺度红外目标跟踪效果。

关键词： 目标检测   YOLOX   安全帽   实时   注意力  

摘要： 在施工现场佩戴安全帽是建筑行业的基本工作规范。由于施工环境复杂,图片中包含的目标多而杂乱,且安全帽在图片中所占比例较小,安全帽佩戴的检测难度较大,导致漏检误检率较高,检测精度不是很高。为改善上述安全帽佩戴检测的缺点,提出了一种安全帽佩戴检测网络——融合多尺度特征和注意力的网络(MFFMA-Net),该网络以YOLOX为基础架构,用一个新设计的多尺度特征融合模块(Multi-ScaleFeatureFusionModule,MFFM)替换了原有的路径聚合网络(PathAggregationNetwork,PANET)。MFFM依照特征图尺度从两个相反的方向进行特征融合,这样的融合方式能够包含更加丰富的骨干网络提取的特征,可提高安全帽佩戴的检测精度。新增了一个注意力模块——融合空间信息的注意力(FSI-ECA),以全像素信息为基础,将空间信息集中到通道信息中,在学习过程中充分利用通道信息和空间信息,能够更多地使用安全帽的特征信息,减小安全帽佩戴检测的漏检误检率。在SHWD数据集上进行实验,MFFMA-Net的平均精度均值达到96.61%,较YOLOX提高了0.47%,召回率相较于YOLOX提高了约1%,检测速度可以达到38帧/s。在达到实时检测的条件下实现了较高的检测精度,并且减小了漏检误检率。

关键词： 数据增强   稳定扩撒   图像生成   目标检测   特征融合  

摘要： 针对传统生成式图像数据增强算法丢失3D属性信息,无法应用于自动驾驶领域3D目标检测任务的问题,提出了一种基于稳定扩散模型的多模态图像生成算法,并基于该算法设计了一种面向3D目标检测的数据增强方法。算法通过增加多模态输入进一步约束图像的生成过程。算法设计了一种多模态特征在线生成模块,在线提取场景描述、语义分布和深度特征等信息;同时针对多模态特征融合网络设计了一种增强型门控自注意力模块,精准地捕捉潜在特征空间中的深度信息,从而保留图像的3D属性信息,实现对图像纹理、颜色以及光照等2D特征的针对性修改。基于算法出色的深度保持特性,将新图像与3D伪标签结合,构成新的图像样本,实现对图像样本的数据增强。在nuScenes公开数据集上3D检测结果表明,算法针对公交车、卡车等体积较大类别的3D属性保留效果较好,AP值分别提高了17.2%和14.1%,同时mAP提高了6.8%,NDS提高了3.4%。

关键词： 计算机视觉   行人跟踪   目标检测   重识别   关联算法   抗遮挡   自注意力   特征提取  

摘要： 为了解决在复杂场景下行人相互遮挡导致跟踪系统精度降低的问题,提出了基于FairMOT的抗遮挡多目标跟踪算法(multiple obeject tracking algorithm with anti-occlusions,AOMOT)。首先通过轻量化平衡模块,解耦不同层次的语义信息,减少检测任务和重识别任务的语义冲突,降低重识别任务的性能提升对检测任务的影响。其次应用自注意力结构提取行人的外观特征,加强局部窗口下的类内特征的区分度,增强行人身份信息的匹配一致性并减少身份标识的频繁切换。最后优化身份关联算法,挖掘低置信度目标中的被遮挡对象,将其重新纳入目标身份关联并更新其重识别特征。实验结果表明,AOMOT相比原有FairMOT在MOT17数据集中高阶跟踪精度提升1.5百分点,身份F1分数提升3百分点,身份切换数量降低32%。

关键词： Canny算子   边缘分割   图像处理   海洋平台   区域生长   焊缝检测  

摘要： 当前海洋平台焊接构件焊缝的检测过程中,依托于Sobel(索贝尔)算子完成图像边缘分割,对噪声信息比较敏感,使得检测结果ACC值(准确率)较低。因此,提出基于Canny算子边缘分割的海洋平台焊接构件焊缝检测方法。运用数学形态学中的膨胀和腐蚀思想,对海洋平台焊接构件焊缝图像进行滤波处理。首先将预处理后的图像输入视觉注意模型,提取图像包含的综合显著性特征,从而标注出图像视觉显著区域;然后基于Canny算子边缘分割算法,检测出图像中的全部边缘像素,并通过膨胀和细化操作实现边缘连接,从图像中分割出整个目标区域;最后选定一个种子区域,按照生长判定准则获取区域生长结果,从而得出焊缝检测结果。试验结果表明,新设计方法的焊缝检测结果ACC值稳定在0.95以上,能够满足海洋平台焊接构件的安全检测要求。

关键词： 计算机视觉   涡流检测   图像处理   自动化检测  

摘要： 本文针对工业自动化与智能制造领域对高效、高精度涡流检测技术的迫切需求,深入研究了计算机视觉技术在涡流检测中的应用潜力。通过集成先进的图像处理和模式识别算法,本文旨在构建一种新型涡流检测系统,以实现对材料表面及亚表面缺陷的快速捕捉与精确识别。相比传统方法,该系统在显著加快检测速度的同时,有效增强了检测的准确性和可靠性,为涡流检测技术的革新与工业应用提供了新的思路与解决方案。

关键词： 无人机   目标检测   YOLOv7-tiny  

摘要： 针对无人机在进行目标检测任务时存在背景复杂、小目标多且密集以及无人机的硬件条件有限等问题,基于YOLOv7-tiny,提出一种改进的无人机视角目标检测算法。首先,将原主干网络结合MobileNetV3进行轻量化改进,引入深度可分离卷积结构,减少网络的参数量;其次,在颈部网络添加GAM全局注意力机制,使网络能够聚焦目标特征,提升检测性能;最后,将定位损失函数改进为SIoU函数,提高网络训练的收敛速度及精度。在VisDrone2019数据集上进行的消融实验及对比实验显示,本文改进后的算法平均检测精度达到45.5%,mAP50达到37.6%,浮点运算量GFLOPS为10.2 G/S,与原算法相比,精度提高了1.7%,mAP50提高了4.2%,GFLOPS减小23%,每一个改进模块都有效提升了无人机检测复杂背景中小目标的能力。

关键词： 追逃博弈   目标跟踪   强化学习   有限理性  

摘要： 针对现实中的决策者并非总能完全理性分析问题的情况,提出有限理性下的追逃博弈算法。建立追逃博弈模型,先求解完全理性下博弈双方的鞍点策略。引入有限理性level-k模型,对追击者和躲避者思考策略的层次进行结构性假设,允许追逃双方具备不同的策略推理能力,并给出相应等级的值函数和策略,策略满足HJI方程。随着等级的增加,策略最终会趋于纳什均衡。由于HJI方程难以直接求解,基于强化学习的actor-critic算法进行求解,设计算法使追击者能够估算出躲避者的思维等级并采取合适的策略。以舰船为对象,将舰船运动简化为二维的数学模型,建立舰船追逃博弈模型,对其进行算法仿真验证。