关键词： 霉变花生   机器视觉   HSV色彩空间   图像处理   双边滤波  

摘要： 花生霉变产生的黄曲霉毒素具有强致癌性,严重影响食品安全。为精准快速的识别霉变花生,提出一种基于机器视觉的霉变花生检测方法。首先对花生图像进行双边滤波降噪,然后将图像转为色调、饱和度、亮度(HSV)空间,通过在色调、饱和度空间内提取的霉变颜色范围叠加亮度空间的开运算处理结果来实现对霉变花生的识别检测。实验结果表明,该方法对于霉变花生的识别精度达到95.3%,处理单帧花生图像耗时为0.6s,通过与其它算法对比,该方法具有快速、准确率高等优点,可以满足霉变花生的实时检测,对花生霉变的分级处理也更加实用。

关键词： 松材线虫病   目标检测   轻量级网络NanoDet   注意力机制   无参注意力   迁移学习   数据增强   小尺寸  

摘要： 针对小尺寸松材线虫病受害木检测精度及检测效率低的问题,提出了一种融合深度网络和注意力机制的小尺寸松材线虫智能检测模型。采用无人机(UAV)搭载小型相机在220 m高度拍摄小尺寸松材线虫受害木图像,应用图像旋转、缩放、添加高斯噪声和模拟光照强度等数据处理方式扩充数据集,设计轻量级深度网络NanoDet和SimAM注意力模块融合模型NanoDet-SimAM对小尺寸松材线虫受害木进行精准检测。结果表明,该模型相较于Faster R-CNN、Yolov4、Yolov5s及NanoDet等检测网络模型,具有更高的检测精度、速度和稳定性。

关键词： 交通工程   道路停车   巡检方法   图像处理   无人机  

摘要： 快速准确的对城市道路停放车辆进行巡检对于城市智慧管理具有重要意义。针对当前巡检方法的低效率、高成本和不准确,研究了1种基于无人机图像的巡检方法。首先,为满足全天候巡检,采用光照度增强算法对暗光条件的图像进行增强,同时采用去模糊算法对模糊图像质量进行改善。针对YOLOv5现有算法检测精度不高,实时性不强等问题,改进网络为使模型收敛速度更快,采用Focal-EIOU Loss优化损失函数;为了可以更好的适应不同大小和形状的目标,采用C2F模块替代C3模块,使用不同大小的卷积核提取特征;为了提高网络的鲁棒性及抗干扰能力,通过添加SimAM注意力机制,不增加网络模块参数且能预测特征图的3D注意力权值;采用CARAFE算子进行上采样增加感受野,全面利用特征图的语义信息。实验结果表明:改进后YOLOv5模型的准确率提高了5.1%,召回率提高了5.9%,平均精度mAP值提高了3.6%。其次,采用字符识别网络SVTR对车牌号进行识别,仅通过单个视觉模型就能完成特征提取和文本转录2个任务。通过无人机场工程应用平台进行试验,试验结果表明:该巡检方法可以准确、快速且智能完成巡检,准确度达到90%,检测速度达到170帧/s,基本满足巡检精度和实时性要求。

关键词： 改进YOLOv8   目标检测   特征提取   起降飞行姿态   风险检测  

摘要： 飞机在执行飞行任务时,其起飞和降落两个阶段是整个飞行过程中最关键和最具挑战性的时刻之一,其起降飞行姿态的变化程度关系到整个飞机的安全性。为了降低飞机在起降过程的风险性,提出了一种基于改进YOLOv8的飞机起降飞行姿态的风险检测方法。该检测方法综合利用了CBAM注意力机制、GSConv轻量化卷积模块和HIOU准则函数等深度学习和目标检测技术,实现了对飞机机翼、起落架等关键结构部位的准确检测,以便利用识别到的飞行姿态特征参数来对飞机当前的安全状态进行分析和评估。经实验验证表明,该改进方法对于飞机起降阶段中的飞行姿态风险状况能够进行精准识别和检测,具有较高的可靠性。

关键词： YOLOv8   YOLOv8m模型   城市交通   目标检测   电动车头盔佩戴检测  

摘要： 在城市交通中,时常出现由于电动车骑行者未佩戴头盔引发的安全事故。佩戴头盔可以有效地避免或降低安全事故带来的损害。为了解决这一问题,提出了一种基于YOLOv8的电动车头盔佩戴检测方法。首先采集数据并对数据集进行手工标注,然后将标注好的数据集分别通过YOLOv8模型的4种模型进行训练,即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型,从而得到最适合检测电动车头盔佩戴的模型。实验结果表明,相较于其他三种模型,YOLOv8m模型更适用于电动车头盔佩戴检测。

关键词： 多目标跟踪   联合检测嵌入   一步式在线跟踪   数据关联  

摘要： 针对基于联合检测嵌入范式的多目标跟踪方法中,检测与re-ID任务间冲突导致系统性能劣化的问题,首先设计一种用于富集多层语义信息并能针对不同分支倾向重构特征图的网络,有效缓解检测与re-ID分支在优化中对特征信息需求的恶性竞争;其次采用一种强化的关联策略,该策略将检测信息更深入地引入到关联流程中,旨在为更多检测结果提供关联机会,同时抑制环境干扰在关联中带来的长期损害,有效降低关联过程中误关联和漏关联的发生.实验结果表明,所提出的方法相对于当前的先进方法展现了强大的潜力,在MOT17测试集上取得了75.7%MOTA、73.4%IDF1及60.0%HOTA的性能.

关键词： 矿井目标检测   YOLOv4   MobileNetv2   深度可分离卷积   注意力模块   特征融合   轻量化   主干网络  

摘要： 为解决在矿井环境中目标检测算法模型体积大、计算复杂度高以及模型轻量化后精度低的问题,提出了一种专为矿井环境设计的目标检测算法——YOLO-AM。该算法采用轻量化网络MobileNetv2作为主干网络,并使用深度可分离卷积来替代颈部网络中的3×3卷积,显著降低模型的计算量和参数量。这一设计使得算法更适应矿井中有限的计算资源和对实时性的需求。接着在主干网络的输出位置引入坐标注意力机制,增强输出特征中的有效信息。同时提出了一种浅层特征增强模块,在特征融合网络融合该模块用于增强浅层特征的语义信息,从而提高模型的检测精度。在公共数据集PASCALVOC上的试验结果表明,相比基准模型YOLOv4,YOLO-AM以降低7%检测精度的代价,减小了83%的参数量和86%的计算量,同时也提高了检测速度。

关键词： 道路裂缝   目标检测   YOLOv8   轻量化  

摘要： 道路裂缝是主要的路面病害之一,及时、有效地检测道路裂缝对路面养护和管理非常重要。为减少模型参数量,提高推理速度,提出一种基于YOLOv8改进的轻量化道路裂缝检测模型。该模型通过在YOLOv8网络中的Neck层嵌入轻量化模块FasterNet,减少冗余计算和内存访问的同时,可以更有效的提取空间特征。在自制道路裂缝数据集上进行实验验证算法的检测效果,实验结果表明,改进后的模型可大幅减少模型参数和计算量,而且Recall和MAP均有一定程度的提升,在保证路面裂缝检测精度的同时也便于在嵌入式设备中部署。

关键词： 无人机   小目标检测   多尺度卷积   动态上采样   正样本分配  

摘要： 针对无人机航拍图像中目标尺寸变化大、相互遮挡等原因导致的目标误检漏检问题,以YOLOv8s为基础,提出了一种融合多尺度特征的轻量级目标检测算法。在主干网络中利用轻量级多尺度卷积EMSC替换C2f模块中的Bottleneck,增强多尺度特征表达能力;颈部网络中引入轻量级上采样算子Dysample,捕捉图像细微特征;优化Task Aligned Assigner超参数,解决训练过程中样本不平衡问题。最后,设计系统可视化界面,借助可视化界面完成对航拍目标的检测。在数据集VisDrone2019上的仿真表明,该算法精准率和召回率较基准算法分别提升了2.4%和3.3%,mAP 0.5提升了3.5%,有效提高了航拍目标检测效果。在UAVDT数据集上进行模型泛化性实验验证,效果优于其他经典算法。

关键词： 钢结构   表面锈蚀   损伤检测   计算机视觉   滑动窗口法  

摘要： 针对钢结构表面锈蚀损伤,传统的人工检测方法耗时、费力,且受检测人员技术水平限制。计算机视觉技术为钢结构表面锈蚀的检测和分类提供了一种快速准确的替代方法。目前常用的锈蚀程度检测技术多基于卷积神经网络结构,由于网络结构自身的缺陷,在进行锈蚀程度分类时存在忽略图像中部分锈蚀特征的问题,导致错误的检测结果。为此,提出了一种基于Vision Transformer网络结构的钢结构表面锈蚀程度识别方法,通过引入自注意力机制(SA)在进行特征提取的过程中保证数据的完整性,并在自建的锈蚀程度图像数据集上进行验证,该方法对锈蚀程度的分类准确率可达到90%。此外,还提出一种基于滑动窗口法的钢结构表面锈蚀程度检测方法,对待检测的钢结构图像进行切割,利用训练好的网络结构进行锈蚀程度检测,将检测后的图像重新拼接,实现钢结构表面锈蚀程度的可视化。