关键词： YOLOv5   高分辨率   遥感图像   目标检测  

摘要： 随着遥感技术的快速发展,高分辨率遥感图像以其高精度的地表细节信息,为城市规划、环境监测、灾害评估等提供了强有力的支持。但由于目标尺寸多样性和背景复杂性的增加,在高分辨率图像中准确地检测和识别特定目标面临挑战。YOLOv5在实时目标检测领域展现了出色的性能,在处理速度上具有显著优势,在多种复杂场景下保持高准确度。基于YOLOv5算法框架,提出一种面向高分辨率遥感图像的目标检测算法,引入改进多尺度特征融合技术,有效提升模型在复杂背景下对小目标的检测能力。结果表明,所提算法在高分辨率遥感图像目标检测任务中的性能优越,具有实用潜力。

关键词： 目标检测   YOLOv5   卷积神经网络   特征信息   分类回归   解耦头   EIoU损失函数  

摘要： 水下检测由于背景复杂、光线暗淡、目标遮挡重叠等问题导致检测精度较低,提出一种CoT-YOLO水下目标检测算法提高检测精度。使用YOLOv5s作为基础模型,构建注重上下文信息的卷积神经网络,充分利用特征信息,增强全局特征表达能力,解决模型漏检、误检问题;改用解耦头,加快收敛速度;增添新的检测层并重获先验框,增强模型对小目标的检测能力,提高水下小目标检测效果;采用EIoU损失函数提高目标边界框的定位与回归。实验结果表明,改进后算法精确度达到77.9%,相较于基线提升了3.7%,mAP提升了5.2%,验证了该方法的有效性。

关键词： 深度学习   目标检测   SSD算法  

摘要： 传统的目标检测方法在处理高分辨率图像和复杂背景时面临着准确性不足的问题。因此近年来许多研究者将深度学习技术应用于目标检测,旨在提高检测性能和处理速度,其中单次检测多框检测器(single shot multiBox detector,SSD)算法是最常用的基于深度学习技术的目标检测算法之一。本文先对深度学习的基本概念进行了简要阐述,随后对传统SSD算法进行介绍,并针对传统SSD算法的局限性提出了一种新的改进SSD算法,最后通过实验分析,证明了本研究所提出的目标检测策略的有效性。本文旨在通过深度学习技术,进一步提升目标检测算法的性能,为计算机视觉领域提供有效的解决方案。

关键词： 航海模拟器   视景建模   航空影像   计算机视觉   图像处理  

摘要： 航海模拟器是一种重要的培训工具,可以帮助船员在安全和实际的环境中练习航海操作。然而,传统的航海模拟器视景系统在建模方面存在着一些挑战,例如建模时间长、建模精度低等问题。为了解决这些问题,本研究提出了一种基于航空影像的航海模拟器视景快速建模方法。通过利用航空影像数据,结合计算机视觉和图像处理技术,可以快速生成航海模拟器的视景模型,提高建模效率和准确性。

关键词： 工具检测   稀疏可学习   多尺度特征   Swin-Transformer   多头注意力  

摘要： 针对车间工具不同型号之间尺寸存在较大差异、形状种类繁多等问题,提出了一种基于稀疏可学习proposal的车间工具检测算法。首先,融入稀疏表示和可学习的proposal机制来提升模型的鲁棒性,并减少检测过程中所需的参数量;其次,引入Swin-Transformer结构,旨在增强模型的全局以及细节学习能力,有效地解决传统卷积神经网络在高层语义信息融合方面存在的不足;然后,使用一种改进的多尺度特征融合网络架构,通过有效融合不同尺度的特征,提高了模型对于各种尺度目标的检测能力;最后,将多头注意力和动态卷积结合,在不同特征层之间建立更精确且细致的联系,从而进一步提升了目标检测的准确性;采用了CIoU损失函数,通过综合考虑位置、尺度和形状信息,使得模型对边界框的回归预测更加全面与准确。实验结果显示,本文算法在车间工具目标检测任务上的平均检测精度达到了91%,较当前主流算法至少提升了2.3%以上。同时,单张图片的检测速度大约为53 ms,满足了实时检测的需求,体现了综合性能优越。

关键词： 目标检测   OpenCV库   YOLOv5算法  

摘要： 传统的果蔬批发市场收费模型是依靠人力完成的,效率较低。研究提出了基于YOLOv5算法的智能收费系统,将收费模式自动化、智能化。当车辆驶入停车场时,收费模块会记录车辆进场时间并开始计时收费。在车辆离开停车场时,收费模块会记录车辆出场时间并计算车辆的停车费用。根据停车场的收费标准和车辆的停车时间来计算停车费用,并显示在出口处的显示屏上。该系统降低了人力成本,提高了操作效率,为传统行业带来了数字化转型的可能性。

关键词： 文献修复   纸张检测   图像处理  

摘要： 文献修复工作关系到资料的保护和传承,纸张检测是文献修复的首要工作。随着科学技术手段的不断进步,纸张检测技术不断提升,为文献修复提供了保障。在分析图书馆文献修复与纸张检测技术现状的基础上,多方面、综合性介绍了基于图像识别的纸张检测技术应用要点,并对纸张检测技术的未来研究前景进行了分析,以期提高图书馆文献资料的修复质量。

关键词： 高光谱成像   目标检测   CEM   空谱联合  

摘要： 受空间分辨率与探测器水平的限制,传统的高光谱图像目标检测算法更侧重于基于光谱分析的定量化处理。近年来,随着地面与近地面成像平台以及光谱成像技术的发展,陆基高光谱图像实现了高空间分辨率与高光谱分辨率的统一。相比于高光谱遥感图像,陆基高光谱图像的空间分辨率更高,其目标具有细节丰富、尺度较大的特点,在目标检测任务中能够同时利用目标的几何形状信息与精细光谱信息。约束能量最小化(CEM)是一种经典的高光谱图像目标检测算法,这种算法很适合特定的成分占图像总方差比例很小的情况,能突出某种待测目标信息,压制背景信息,从而达到从图像中分离出待测目标的效果。然而,CEM对目标的尺度比较敏感,随着目标像元数目的增加,该算法的探测效果显著下降。导致这一问题产生的原因在于CEM是基于统计背景时不包括目标光谱信息这一假设的,但实际情况中难以预先剔除目标光谱信息,而是直接统计全域图像的每个像元的光谱来近似代替背景光谱。为了解决CEM在较大目标的检测任务中效果不佳的问题,改进该算法在陆基高光谱图像中的目标检测能力,提出了一种基于空间检测指导的CEM方法(SIG-CEM)。该方法首先将获取到的待测高光谱图像进行主成分分析,将第一主成分图像送入空间目标检测模型,利用检测结果得到的坐标信息对目标进行框定。而后在求取CEM中的自相关矩阵时去除框定区域内包含目标的像元,从而有效减少了对目标的抑制。分别利用公开的遥感高光谱图像与实测的陆基高光谱图像进行实验,实验结果表明:SIG-CEM算法能够避免传统CEM算法中目标信号作为背景信号参与运算而对探测结果的影响。在公开数据集的实验中,相比于其他传统的目标检测算法,SIG-CEM算法的AUC值达到了0.9737,有效提升了目标检测的精度;在实测陆基高光谱图像数据的实验中,SIG-CEM比CEM的AUC值平均提升了0.055。同时,实验在一定程度上验证了SIG-CEM算法针对不同类型的高光谱图像具有较强的鲁棒性与适用性。该研究提出了一种专门针对陆基高光谱图像的目标检测方法,推进了今后陆基高光谱图像在目标定位与识别方面的发展与应用。

关键词： YOLOv5   行为分析   目标检测   智慧农业   系统设计  

摘要： 针对养殖生猪时难以及时获取猪只状态及健康情况的问题,设计了基于YOLOv5模型的猪只行为分析系统。系统由图像采集与预处理模块、行为识别模块以及结果输出模块组成,主要对猪只的进食、站立、饮水和趴卧四种行为进行检测和识别。系统通过对各种猪只行为图像进行训练和测试,实验结果表明行为识别效果较好。该系统应用于生猪养殖业,可帮助养殖人员及时获取猪只的行为信息,从而判断猪只状态并采取相应措施。

关键词： 卷积神经网络   计算机视觉   特征相似性   特征规范化   注意力模块  

摘要： 近年来,注意力机制在图像分类、目标检测和语义分割等领域取得了巨大成功,但现有的注意力机制大多只能在通道或空间维度上实现特征融合,这极大限制了其在通道和空间维度上变化的灵活性,导致无法充分利用特征信息。为此,文中提出一种基于特征相似性和特征规范化的、可同时利用特征图各维度信息的卷积神经网络注意力模块FSNAM。该模块由特征相似性模块(FSM)和特征规范化模块(FNM)两部分组成,FSM利用输入特征图的通道特征信息和局部空间特征信息生成一个二维的特征相似性权重图;FNM利用输入特征图的全局空间特征信息生成一个三维的特征规范化权重图;两个模块生成的权重图融合在一起,生成一个三维的注意力权重图,以此实现通道特征信息和空间特征信息的融合。为证明FSNAM的可行性和有效性,进行了消融实验,结果表明:在图像分类任务方面,FSNAM模块对分类网络在CIFAR数据集上的性能提升明显优于其他主流注意力模块;在目标检测任务方面,使用FSNAM模块的目标检测网络对VOC数据集中的小目标和中等大小目标的检测准确率分别提高了3.9和1.2个百分点;在语义分割任务方面,使用FSNAM模块可以提高HRNet模型的性能,在SBD数据集上模型的平均像素准确率提高了0.58个百分点。