关键词： 苹果树病害   目标检测   YOLOv8   注意力机制   SIoU损失函数  

摘要： 针对目前苹果树病害数据集病害种类不全以及图片背景单一的问题,本文构建了复杂背景下包括苹果树不同部位7种常见病害的苹果树病害数据集。针对目前主流苹果树病害检测模型检测精度不高,模型复杂等问题,提出了一种基于YOLOv8-NANO改进得到的复杂背景下的苹果树病害多维动态自适应检测模型(MDD-YOLOv8)。首先,设计并使用了高效多尺度注意力卷积(EMAC)模块来更换骨干网络(Backbone)中的卷积(Conv)模块来捕捉细节信息,以提高模型的特征提取能力。其次,设计了ODC2F模块并用其更换颈部网络(Neck)中的所有跨阶段局部层卷积(C2F)模块,减少模型的参数量和计算量的同时提高了模型的检测精度。最后引入SIoU损失函数(SIoU Loss)来提高模型对于苹果果实或叶片上密集小目标病害的检测性能。在自制数据集上MDD-YOLOv8相对原始YOLOv8-NANO模型平均精度均值(mAP)提升了6.8%,同时模型的参数量和计算量分别下降了8.54%和13.7%。对比主流的目标检测模型,MDD-YOLO也具有一定的优越性。

关键词： 自动驾驶   YOLOX   目标检测   注意力机制  

摘要： 针对原始YOLOX在自动驾驶场景中易出现小目标的误检及漏检问题,提出一种改进YOLOX网络模型的检测方法。增加一个检测头,显著提高了小目标的检测精度。用更快的空间金字塔池化(spatial pyramid poolingfast,SPPF)替代传统的空间金字塔池化(spatial pyramid pooling,SPP)结构,并引入了高效通道注意力机制(efficient channel attention,ECA),以增强模型对复杂背景和小目标的识别能力,有效降低了小目标的漏检率。在网络的neck部分,采用深度可分离的卷积方法,进一步提高了计算效率。基于KITTI数据集,设计了一种新的数据增强技术,提高模型的训练稳定性。实验结果表明,优化后YOLOX算法的小目标平均精度APS和平均召回率AR分别提升了0.20和0.097,在小目标检测上取得了显著进步,并大大降低了漏检率。

关键词： 目标跟踪   特征融合   巡飞弹   算法轻量化   IOU质量评估分支,特征合并  

摘要： 针对巡飞弹平台上的视觉目标跟踪算法,开始引入深度学习思想,但是受到硬件平台算力限制的影响,提出一种轻量化的基于深度学习的孪生网络框架,在较低计算量的情况下保证巡飞弹的跟踪性能。根据IOU质量评估分支和回归分支结构,提出了一种新的特征融合方式。通过1×1卷积调整特征层通道数,控制通道数比例,对不同特征层的通道按比例进行深浅层特征拼接,用于后续的特征融合模块。在特征拼接前,引入特征合并的方法来获得有不同感受野的融合特征,进一步提高特征分辨率。将提出的新特征融合方式和特征合并方式进行纵向与横向的特征融合,充分利用特征属性,提高算法性能。根据巡飞弹硬件平台的属性限制,框架采用轻量化的AlexNet网络作为骨干网络。在OTB100、GOT-10K、UAV123三个数据集上测试,框架整体以160 fps的帧率保证了较高准确度和成功率。在满足巡飞弹特殊工作环境的基础上,实现了较为先进的跟踪性能。整体框架相对简单且性能较高,有较好的跟踪实时性,可加入其他模块来进一步提升跟踪性能。

关键词： 自动驾驶汽车   目标物检测算法   深度预测   BEV特征融合   KITTI数据集  

摘要： 为提高自动驾驶汽车对周围目标物的检测精度,提出了一种激光雷达和单目图像数据在鸟瞰图特征上融合的目标物检测算法(monocular-bird’s eye view fusion,Mono-BEVFusion)。为构建相机BEV特征,搭建了简单高效的深度预测网络预测相机特征的深度,基于显式监督的方法用深度真值对其进行监督。构建激光雷达BEV特征时,将激光点云体素化为柱状网格转化到BEV特征下,设计BEV特征融合网络将激光点云BEV特征和相机BEV特征融合,将融合特征输入到目标检测框架得到目标物(汽车、行人和骑行人)检测结果。利用KITTI数据集和实车路采数据对Mono-BEVFusion融合算法进行评估,实验结果表明该算法相较于现有融合算法综合平均精度提升了2.90个百分点,其中汽车类和行人类单项检测精度分别提升3.38个百分点和4.13个百分点。Mono-BEVFusion融合算法对遮挡目标或者距离较远的目标有较稳定的检测效果,能够有效避免单传感器的漏检现象,具有较好的实际应用价值。

关键词： 菌落计数   自动计数仪   图像处理   医疗卫生  

摘要： 本研究测试自动菌落计数仪的准确性,探索其在医疗卫生领域的应用。采用金黄色葡萄球菌作为测试菌,通过人工计数和自动菌落计数仪进行对比。表明:两种方法在菌落计数上无显著差异,且自动菌落计数仪具有更高的计数效率。自动菌落计数仪在菌落计数中具有较高的准确性和效率,为医疗卫生领域的菌落计数提供了有效工具。

关键词： 不平衡样本   自适应损失   SA-YOLO算法   SA-Focal Loss函数   CSPDarknet53-SP网络架构  

摘要： 样本不平衡现象是指在数据集中以背景为主的易样本数量较大,而以前景为主的难样本数量过少,即样本存在类间不平衡与难易不平衡问题。现有目标检测算法大多是基于候选区域的两阶段算法或基于回归的单阶段算法,当应用于不平衡样本时无法避免训练中产生的预测框对大量样本过度依赖,从而导致模型过拟合且检测精度低,准确性、泛化性差。为了在不平衡样本下实现高效精准的目标检测,提出一种全新的SA-YOLO自适应损失目标检测算法。(1)针对样本不平衡问题,提出SA-Focal Loss函数,能够针对不同数据集与训练阶段对损失进行自适应调节,以达到平衡类间样本与难易样本的效果。(2)在多尺度特征预测机制下构造CSPDarknet53-SP网络架构,增强困难小目标样本全局特征的提取能力,达到提升难样本检测精度的效果。为验证SA-YOLO算法的性能,分别在样本不平衡数据集与COCO数据集上进行了大量仿真实验。结果表明:相较于现有YOLO系列算法最优指标值,SA-YOLO在不平衡数据集中mAP可达91.46%,提升10.87%,各类目标AP 50提升均在2%以上,有极强的专精性;在COCO数据集中mAP 50提升1.58%,各项指标均不低于最优值,有良好的有效性。

关键词： 时空结合   深度图卷积神经网络   残差网络   注意力机制   运动姿态检测   计算机视觉  

摘要： 针对传统人体运动姿态检测算法存在鲁棒性较差及准确率偏低的问题,文中基于改进的深度图卷积网络提出了一种运动姿态检测算法。该算法将图卷积网络的时域和空间域模型相结合,提升了模型的感受野,并从时、空两个维度提取人体特征点的数据,再利用残差网络将时域和空间域卷积相连接,进而改善了模型拟合能力较差的不足。同时,对于模型因卷积核固定而导致无法适应多种类数据的缺陷,使用多头注意力机制来增强其自适应能力。在实验测试中,所提出的模型改进项相较原算法性能有一定提升,且与最优算法相比,该模型的误差指标降低了1.14 mm,准确率则提升了1.3%,证明了所提方法的有效性及优越性。

关键词： 深度学习   卷积神经网络   舰船目标检测   可变形卷积  

摘要： 针对舰船目标检测领域的目标尺度变化、形状复杂多变和背景干扰等问题,通过融合深度学习技术,结合卷积神经网络和可微分二值化技术,提出了一种新的舰船目标检测方法。该方法采用了编码-解码结构的舰船目标检测网络,引入了可变形卷积和可微分二值化函数,以提高自适应性和检测性能。在网络结构中,嵌入可变形卷积的设计有助于更有效地捕捉舰船目标的特征,以适应复杂场景中目标尺度和形状的多变性。可微分二值化技术可保留目标边界的精确信息,提高对目标形状和轮廓的敏感性。在训练过程中,采用了有监督训练阈值图的方法,通过联合优化确定了每个位置的自适应阈值,减少了后处理的复杂步骤。通过在HRSC2016和DOTA数据集上进行检测试验,验证了所提方法的检测精度。

关键词： 计算机视觉   图像去噪   自编码器   卷积神经网络   压缩编码  

摘要： 图像预处理算法的优劣程度直接关系到图像后置处理的效果,如图像分割、目标检测、边缘提取等。为了获取高质量的数字图像,对图像进行降噪处理成了必不可少的前置步骤。图像降噪旨在尽可能地保持原始信息完整性(即主要特征)的同时,又能够去除信号中无用的信息。为此,提出了一种基于有损压缩编码的卷积自编码器(AutoEnconders,AE)去噪模型;并根据最大编码率下降原则(the principle of Maximal Coding Rate Reduction,MCR 2)设计了新的损失函数代替主流深度学习算法中常用的均方误差(Mean Squared Error,MSE)损失,以提高模型的鲁棒性和适应性。模型首先通过编码器处理带噪图像,得到隐变量,然后使用解码器进行解码,消除噪声并得到重构图像。接下来,保持编码器不变,将重构图像输入编码器,使编码器继续学习并得到重构隐变量。最后,通过计算隐变量与重构隐变量的距离来间接衡量重构图像与原始图像的误差,并将其作为收敛代价进行模型训练。在thumbnails128×128和CBSD68数据集上对所提模型进行了大量实验验证。实验结果表明,该自编码器框架(AE-MCR 2)在不同类型的噪声(高斯噪声、伯努利噪声和泊松噪声)下均表现出良好的性能,并具有一定的可解释性。

关键词： 无人机航拍图像处理   特征图注意力生成器   动态特征加权融合   注意力机制   非极大值抑制  

摘要： 针对无人机航拍图像目标检测中目标尺度多样、相似目标众多、目标聚集导致的目标漏检、误检问题,提出了改进YOLOv5的无人机航拍图像目标检测算法DA-YOLO。提出由特征图注意力生成器和动态权重学习模块组成的多尺度动态特征加权融合网络,特征图注意力生成器融合处理不同尺度目标更重要的特征,权重学习模块自适应地调节对不同尺度目标特征的学习,该网络可增强在目标尺度多样下的辨识度从而降低目标漏检。设计一种并行选择性注意力机制(PSAM)添加到特征提取网络中,该模块通过动态融合空间信息和通道信息,加强特征的表达获得更优质的特征图,提高网络对相似目标的区分能力以减少误检。使用Soft-NMS代替YOLOv5中采用的非极大值抑制(NMS)以改善目标聚集场景下的漏检、误检。实验结果表明,改进算法在VisDrone数据集上检测精度达到37.79%,相比于YOLOv5s算法精度提高了5.59个百分点,改进后的算法可以更好地应用于无人机航拍图像目标检测中。