关键词： 图像处理   亮区特征   自适应扩散模型   磁瓦表面缺陷  

摘要： 针对电机磁瓦图像对比度低,噪声严重,存在亮条纹干扰,表面缺陷检测困难的问题,提出一种具有亮区抑制功能的各向异性扩散模型。首先设计出亮区特征描述算子用来区分缺陷和干扰,再构造出新的扩散系数函数。实验结果表明,相比同类算法,该模型在背景平滑、边缘检测、图像分割和缺陷识别上都有明显优势,对气孔和裂纹缺陷的检测准确率分别达到95%和89%。该研究有效增强磁瓦的低对比度图像,提高缺陷检测精度,具有较高的工程应用潜力。

关键词： 无人机航拍   YOLOv5s   小目标检测   数据增强   注意力机制  

摘要： 针对无人机航拍视角下图像目标特征尺寸小且存在背景复杂、分布密集的问题,提出了一种基于YOLOv5的轻量化无人机航拍小目标检测改进算法GA-YOLO。该算法改进了Mosaic数据增强方法和网络整体结构,并增加了微小物体检测头,同时设计了轻量化的全局注意力模块和并行结构的空间通道注意力机制模块,提高了网络的全局特征提取能力和训练过程中卷积通道之间的竞争和合作关系。以4.0版本的YOLOv5s为基准,在公开无人机航拍数据集Vis Drone2019-DET上实验,结果表明,改进后的模型相较于原模型,参数量下降了48%,计算量下降了26%,而m AP@0.5提高了4.9个百分点,m AP@0.5:0.95提高了3.3个百分点,有效地提高了无人机空中视角下对密集型小目标的检测能力。

关键词： 计算机视觉   农作物病虫害   监测技术   图像识别  

摘要： 【目的】农业现代化的发展使得农作物遭受病虫侵害的情况日益繁多且复杂,农作物病虫害监测技术面临着监测难题,研究计算机视觉技术在农作物病虫害中的应用具有重要现实意义。【方法】深入分析了计算机视觉技术在农作物病虫害监测中的应用优势,评估了计算机视觉技术在病虫害监测中的效率和准确性,研究并优化了图像采集、特征提取和识别算法等关键技术,设计并实现了一个综合的病虫害监测系统,同时进行了性能评估。【结果】在多次现场测试中,由此系统完成的检测准确率超过85%,该监测系统可帮助农民迅速采取行动,降低了约20%的化学药剂使用量,相比传统人工监测方法,计算机视觉系统能处理更多影像数据并覆盖更广阔农业区域,从而大幅提升监控效率。【结论】计算机视觉技术显著提升了诊断精度与效率,有助于促进精准农业的发展。

关键词： 目标检测   遥感图像   多尺度特征提取   浅层特征增强  

摘要： 针对遥感图像目标检测算法复杂背景下目标检测精度低、小目标特征丢失的问题,提出一种改进YOLOX的遥感图像目标检测算法MYOLOX(modified YOLOX)。该算法在主干网络引入残差金字塔卷积模块(residual pyramid convolution module,RPCM)增强浅层特征图中的空间位置等细节信息,缓解下采样过程中的特征丢失。引入增强跨阶段局部块(improved cross stage partial block,ICSP)提取丰富的上下文信息并抑制噪声干扰,减少复杂背景及噪声干扰带来误检。将改进算法应用于使用DIOR数据集对NWPU VHR-10数据集扩充后数据集和SSDD数据集,MYOLOX算法检测平均精度均值(mean average precision,mAP)分别达到了80.8%和94.4%,较原算法提升了4.1和4.5个百分点。实验结果证明,改进后的算法能够明显提高遥感图像目标检测精度。

关键词： 图像处理   U-Net++   AG   杂质检测   机器视觉  

摘要： 为满足燕窝领域的杂质自动化检测,实现对燕窝中羽绒杂质的快速精准分割,提出一种应用于燕窝领域的两阶段杂质检测算法。第一阶段,基于U-Net++模型引入注意力模块,以抑制因燕窝强度不均所引起的图像分割不精准和密集卷积造成的干扰噪声;第二阶段,针对特征提取输出的概率张量,通过二值掩膜以实现对燕窝杂质和非杂质区域的精确分类。采集并预处理燕窝图像,通过消融试验对比分析杂质检测算法与U-Net,U-Net++,传统图像方法在同等条件下的测试集数据。试验表明,杂质检测算法的F1系数为94.80%,较其他3种算法分别提高2.78%,1.12%,20.71%,召回率为97.90%,精确率为91.89%,整体检测结果优于对比算法。研究为燕窝杂质检测提供一种新的思路。

关键词： 侧扫声呐   沉船   目标检测   YOLOv5模型   损失函数   GA+K算法  

摘要： 基于YOLOv3模型的侧扫声呐沉船目标检测方法存在小目标漏警率高、模型权重大、检测速度未能满足实时性需求等问题,根据数据集特点,提出基于YOLOv5模型的侧扫声呐海底沉船目标检测方法。在YOLOv5模型的基础框架下,构建YOLOv5a、YOLOv5b、YOLOv5c、YOLOv5d、YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x 8种不同深度和宽度的模型结构进行对比实验,并选择最优的结构,使用GA+K(genetic algorithm and K-means)算法优化检测框,并对损失函数进行改进。实验结果表明,改进的YOLOv5a模型在交并比阈值设置为0.5和0.5~0.95的平均准确率分别较原始模型提高了0.3%和0.6%,较YOLOv3算法分别提高了4.2%和6.1%,检测速度达到426帧/s,提升了近一倍,更加益于实际应用和工程部署。

关键词： 物体检测   YOLO   计算机视觉   深度学习  

摘要： 随着深度学习的发展,YOLO物体检测算法成为计算机视觉领域的研究热点,因其优秀的检测速度和平均检测精度,在物体检测领域被广泛的应用。对YOLO算法的发展历程进行了详细的论述。首先,从网络结构入手,详细的总结并分析了YOLOv1-v8算法的原理,归纳了YOLO算法的损失函数以及每个版本的改进措施,对YOLO算法的应用场景进行了分类,主要分为农业、交通和工业三大类领域;其次,分析了YOLO物体检测算法常用的数据集;最后,针对YOLO算法的特点以及结合最新的相关文献,提出了YOLO物体检测算法未来的研究方向。

关键词： 筐装禽蛋   图像处理   YOLOv5s   视觉定位   水中上料  

摘要： 针对国内禽蛋制品加工过程中,散装蛋水中上料时筐装蛋搬运自动化程度低的问题,设计一种自动上料机器人的视觉定位方案。该方案采用YOLOv5s和图像处理相结合的方法,在复杂环境中对散装禽蛋筐进行定位识别。建立最佳分割阈值T与图像平均灰度值M之间的关系模型,使用动态阈值分割法对图像中的堆垛整体进行分割,通过堆垛最小外接矩形的长宽比区分2种筐装禽蛋堆垛类型,堆垛类型识别准确率为100%。使用YOLOv5s对堆垛顶层的单个蛋筐进行定位识别,模型识别精确率为98.48%,检测单幅图片用时为0.0054 s。根据YOLOv5s输出的定位结果对图片进行裁剪,通过图像分割将蛋筐边框分割出来并用Canny算子检测其边缘信息,计算所有蛋筐旋转角度,平均角度误差为0.41°。结合蛋筐高度得出筐装禽蛋堆垛中所有蛋筐的位姿信息。结果表明,基于YOLOv5s和图像处理的筐装禽蛋定位方法可以准确识别出筐装禽蛋堆垛中所有蛋筐的位姿信息,该系统具有较好的鲁棒性和可行性。

关键词： 森林火灾检测   YOLOv5   深度学习   目标检测  

摘要： 针对人工监测森林火灾困难等问题,提出一种基于YOLOv5的森林火灾检测方法,旨在提高火灾监测的效率和准确率。首先,对所使用的公开火灾图像数据集进行预处理;然后,通过模型训练提高森林火灾检测的准确率和实时性;最后,将YOLOv5s、YOLOv5m和YOLOv5l等3种网络模型进行评估对比。试验结果表明,YOLOv5l模型构建的森林火灾检测方法在火灾图像识别中体现出了较高的准确率,其准确率达到90%,检测速率提高了2.4%。

关键词： 复杂场景   目标检测   YOLOX   深度可分离卷积   注意力机制  

摘要： 针对复杂场景下的车辆、行人检测困难的问题,提出一种融合卷积和注意力机制的车辆行人检测算法ATDWYOLOX(ATtention DepthWise YOLOX)。在主干网络中采用CSPNeXt,并设计融合卷积和注意力机制的模块ACMBottleneck(Attention Convolution Mix Bottleneck);在特征融合网络中,设计融合深度可分离卷积和注意力机制的网络ATDW-PAFPN(ATtention DepthWise Progressive Asymmetric Feature Pyramid Network);在损失函数中,使用完全交并比(CIoU)和Varifocal Loss。在公开数据集BDD100K上的实验结果表明,所提算法平均检测准确率(mAP)相较于YOLOX提升了2.52个百分点,能较好地完成复杂场景下车辆行人的检测任务。