关键词： 茶叶   病害检测   深度学习   目标检测   注意力机制  

摘要： 提出了一种改进的基于深度学习的茶叶病害目标检测算法。该方法在网络模型中添加坐标注意力机制,使模型细化特征,更加关注茶叶病害信息,从而抑制树枝、杂草等一些背景因素的干扰;选用CIoU作为模型的损失函数以提高定位能力;同时,通过聚类的方法对数据集中的目标边框进行重新优化,以获得更精准的先验框;并建立包含6种病害的茶叶病害数据集,解决了病害图像数据匮乏的问题。与其他算法对比实验结果表明,所提出的算法在多个指标上均有较好的表现,可为茶叶病害智能化诊断提供高效的解决方案。

关键词： 上下文   样本不平衡   互斥性   最优传输问题  

摘要： 为了解决传统潜艇目标检测缺乏对复杂背景和噪声的鲁棒性、对光照变化和视角变化敏感、难以处理大规模数据集等问题,提出了一种基于改进YOLOv5潜艇目标检测器。通过C3_Transformer结构,有效提升了特征的全局上下文建模能力和长距离依赖性捕捉能力;通过simOTA解决anchorbased算法中正负样本不平衡问题,增强模型对小目标和困难样本的学习能力;利用decoupledhead的思想解决分类和位置预测任务的互斥性问题,提高检测精度和鲁棒性。实验结果表明:相较于原始YOLOv5,改进后的模型Precision、Recall、mAP0.5、mAP0.5:0.95分别提高了2.8%、10.9%、3.8%、14.7%,这表明改进后的模型在潜艇目标检测的准确性、召回率以及在不同置信度阈值下的平均准确率等方面取得了明显的进步,同时在实际检测任务中改进后的模型有效解决了“漏检”、“误检”的问题。

关键词： 独立挤出   CFRC 3DP   图像处理   在线优化   尺寸精度  

摘要： 为了改善“独立挤出型”连续纤维增强复合材料3D打印(continuous fiber reinforced composite 3D printing, CFRC 3DP)制件的尺寸精度,提出了基于图像处理技术的在线优化方法,建立了CFRC 3DP尺寸精度的在线反馈优化模型,研究了图像滤波、边缘检测及边缘几何基元的提取方法,基于CFRC 3DP打印层实际尺寸与理论尺寸的误差对比,求解了打印制件的误差比例系数,修正了电机步进值,实现了CFRC 3DP尺寸精度的在线优化.通过对典型轴套类零件优化前后的打印尺寸研究,并利用假设检验进行了统计学分析,实验结果表明优化前后打印样件的尺寸存在显著性差异,8 mm轴和16 mm轴的直径打印精度分别提升了1.34%和0.76%,且标准差均有所减小,验证了尺寸精度在线优化方法的可行性和有效性.

关键词： 深度学习   红外图像   航拍目标检测   YOLOv5   结构重参数化  

摘要： 无人机进行红外航拍目标检测在交通、农业和军事等方面有着广泛应用。该领域的主要挑战有目标较小、相互遮挡、非刚体形变大以及红外成像纹理信息少、边缘特征弱等。针对以上问题,基于YOLOv5和结构重参数化优化思想,提出了一种针对航拍场景的目标检测模型Rep-YOLO。首先,在主干网络中引入RepVGG模块,提升模型特征提取能力;在模型推理时对RepVGG模块的多分支进行结构重参数化,减少网络分支和结构复杂度。其次,结合数据特征,改进检测网络颈部的路径聚合网络,提升检测算法在机载平台的精度-速度均衡能力。最后,在两个公开红外数据集进行对比实验,表明该算法的有效性。以南航ComNet航拍数据集为例,统计结果显示主要检测指标各类平均精度(mean Average Precision,mAP)提升5.9%,同时参数量和模型大小分别减少约29.7%和23.2%。另外,对Rep-YOLO在典型机载平台Jetson Nano上进行了模型部署验证,为航拍场景的检测算法改进和实际应用提供了可靠的技术支撑。

关键词： 卷积神经网络   知识蒸馏   模型剪枝  

摘要： 目标检测模型的轻量化研究虽已产生诸多代表性成果,但现有方法在模型高比例剪枝时会出现检测精度断崖式衰减。在探索主流目标检测网络剪枝性能衰减的根源时发现剪枝后梯度的波动是影响模型性能的关键。为此构建了基于强关联平滑约束的剪枝框架(Pruning Framework based on Strong Correlation Smoothing Constraint,SCSC)。首先将历史梯度及当前梯度定义为自蒸馏理论中的教师及学生,通过学生模仿教师的方式使学生梯度最大程度接近教师梯度,实现梯度平滑;其次依据梯度平滑结果提出基于强关联约束的剪枝方案,将历史梯度与当前梯度组成强关联组,通过强化历史梯度对当前梯度更新的贡献增强模型权重参数稀疏度。在PASCAL VOC2007数据集进行测试,SCSC对比主流剪枝方法取得了2个百分点的平均精度提升;在KITTI数据集中,SCSC剪枝率为80%时,相较于原网络识别精度衰减仅为3个百分点。

关键词： 桥梁工程   裂缝检测   无人机   卷积神经网络   滑动窗口识别   图像处理   最大裂缝宽度  

摘要： 针对桥梁裂缝病害检测困难、裂缝宽度计算精度不高的问题,提出基于卷积神经网络的无人机成像桥梁裂缝检测系统,获取桥梁裂缝图像并提取裂缝,精确计算最大裂缝宽度。该系统改造无人机实现对桥梁底面和侧面图像的采集。首先采用神经网络模型筛选出裂缝图像;然后根据所采集到的图像特点,搭建基于卷积神经网络(Convolutional Neural Network,CNN)的裂缝滑动窗口检测(Slide Crack Detection,SCD)模型,进行图像的小窗口滑动识别以提取裂缝,并与采用基于裂缝图像统计特征的改进中值滤波去噪算法对比裂缝提取效果;最后提出裂缝分类及最大裂缝宽度计算方法,并与裂缝实测结果进行对比。结果表明:该无人机成像桥梁裂缝检测系统对裂缝图像的扰动小,裂缝提取效果更精确,该系统检测并计算的最大裂缝宽度相对实测结果误差在0.05 mm以内,满足桥梁裂缝检测要求。

关键词： 煤矸识别   YOLOv7   跨阶段部分网络   递归特征金字塔   可切换自动卷积   迁移学习  

摘要： 煤矸识别技术是矿井智能化建设的关键技术之一,针对工作面低照度高粉尘环境造成的煤矸识别模型精度不高以及小目标煤矸难以识别的问题,提出一种基于CSPNet-YOLOv7目标检测算法的煤矸图像识别模型。采用跨阶段部分网络(Cross Stage Partial Network,CSPNet)改进YOLOv7模型的主干特征提取网络,优化梯度信息减少网络参数,同时采用递归特征金字塔(Recursive Feature Pyr-amid,RFP)和可切换卷积(Switchable Auto Convolution,SAC)替换颈部特征提取网络中简单的上下采样和普通卷积模块,并采用3次迁移训练进行不同宽度和深度的特征学习,增强网络的泛化能力。试验结果表明,CSPNet-YOLOv7模型的平均精度均值为97.53%,准确率为92.24%,召回率为97.91%,F1得分为0.95,模型的参数量为30.85×10^(6),浮点运算次数为42.15×10^(9),每秒传输帧数为24.37 f/s,与YOLOv7模型相比,平均精度均值提高了7.46%,参数量和浮点运算次数分别降低了17.23%和60.41%,相较于FasterRCNN-Resnet50、YOLOv3、YOLOv4、MobileNet V2-YOLOv4、YOLOv4-VGG、YOLOv5s模型、CSPNet-YOLOv7模型对煤矸识别的平均精度均值最高,同时参数量和浮点运算次数较小,在识别精度和速度之间有着较好的平衡。最后,通过井下现场试验验证了CSPNet-YOLOv7模型,为煤矸精准识别提供了有效技术手段。

关键词： 自动驾驶   目标检测   YOLOv5s   MHSARM   CoordConv  

摘要： 针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明:改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP_0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP_0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP_0.5提高了2.2%。

关键词： 车辆目标检测   YOLOv3   加强特征提取层   损失函数   小目标检测  

摘要： 针对交通卡口车辆目标检测时,距离卡口相机相对较远的小目标车辆检测结果存在误检、漏检、精度低等问题,提出对原始YOLOv3目标检测模型的加强特征提取网络层进行增加的改进方法,并将YOLOv3原始损失函数进行优化,动态地调整不同尺度检测框的比重。在6组不同像素数据集上进行了模型择优对比实验,实验结果表明:特征提取层设定为5层的YOLOv3-5L模型,随着图像分辨率的提升,在收敛速度与小目标检测精度方面都取得了最优的效果,在2400×2400像素下,YOLOv3-5L模型的平均精确值达到了96.5%,比原始YOLOv3网络提升了2.0%。

关键词： 扑翼飞行机器人   视觉图像处理   聚类分析   边缘检测   图像拼接  

摘要： 为了解决扑翼飞行机器人实时控制过程中视觉图像自主识别和宽视野导航规划的难题,实现基于视觉的扑翼飞行机器人的宽视野规划导航控制,提出了基于聚类分析的扑翼飞行机器人视觉图像处理方法和边缘检测方法,并且基于块匹配的图像拼接方法,构建了基于遥操作的扑翼飞行机器人视觉感知构架。利用聚类分析方法对扑翼飞行机器人视觉图像数据进行分类,并利用典型的边缘检测算法对聚类分析处理后的机器人图像进行图像边缘检测,合理提取了扑翼飞行机器人视觉目标轮廓特征和环境边缘特征。利用块匹配对扑翼飞行机器人视觉图像数据进行图像配准,并利用图像融合算法提高了图像清晰度。以扑翼飞行机器人和视觉相机搭建了扑翼飞行机器人实验平台。对基于聚类分析的飞行机器人视觉图像处理方法和图像拼接方法进行了实验验证,系列实验结果验证了所提算法的有效性。