关键词： 铲装设备   电铲铲齿   铲齿监测   目标检测   卷积神经网络   YOLO算法  

摘要： 露天矿山铲装设备铲齿脱落或断裂后可能会进入后续的破碎工序，造成破碎系统的灾难性损毁，给企业带来难以估量的直接和间接经济损失。尽管有少量关于铲齿缺失在线监测报警的文献和专利报道，但由于传统机器学习受限于算法本身以及移动设备算力等因素，系统的实时性欠佳，真正得到实际应用的其他技术产品鲜有报道。为解决长期困扰国内外露天矿山的这一重大安全问题，利用机器视觉技术的多目标检测YOLOv5算法，采取从底层到高层的层次化特征描述，构建了一套针对铲齿工作状况进行实时在线监测和智能判断的报警系统，实现对铲齿缺失事故的实时报警。该系统在国内多种型号铲装设备的实际应用效果验证了其可靠性、实时性和准确性，能够有效降低矿山生产安全风险，避免因铲齿缺失而造成的重大经济损失，并为矿山数字化、智能化、无人化和科学化管理平台建设与完善提供技术支持。

关键词： 稻瘟病检测   计算机视觉   目标检测   神经网络加速   片上系统  

摘要： 针对基于图像的稻瘟病现场检测技术依赖先验知识且受制于算力与田间网络状况，无法实现自适应实时检测的问题，提出一种可利用现场可编程门阵列(Field programmable gate array， FPGA)加速的Mask R-CNN(Mask region-based convolutional neural network)稻瘟病高通量自适应快速辨识模型。首先将骨干网络改进为MobileNetV2，利用其倒残差模块降低计算量，提高模型并行处理能力；随后增加用于稻瘟病多尺度特征融合的特征金字塔网络模块，使模型具备多尺度自适应处理能力；最后由全卷积网络(Fully convolutional network， FCN)分支输出稻瘟病病斑的实例分割，同时使用Softmax函数完成稻瘟病的定位与分类。稻瘟病实测数据集对模型的验证结果表明：当输入为全高清图像时，模型平均推理时间减少至85ms，相较GPU服务器、同级别GPU边缘计算平台，速度分别提高86.2%、63.0%。在交并比为0.6时，准确率可达98.0%，病斑捕获能力平均提升21.2%。提出的Mask R-CNN自适应快速辨识模型能够在田间恶劣网络状况下实现稻瘟病的快速现场检测，具有更好的抗噪能力和鲁棒性能，为水稻病害实时检测、察打一体提供了高效实时的片上系统方案。

关键词： 图像处理   多类番茄病害   早晚期识别   陀螺块   纹理注意力  

摘要： [目的]针对现有轻量级神经网络对多类番茄不同病害程度识别研究较少、识别精度较低、收敛速度较慢等问题，本文提出一种具有新轻量化瓶颈层模块和纹理注意力的TB-MobileNetV2轻量级网络。[方法]首先参照设计高效网络的相关准则设计了更高效轻量的瓶颈层模块设计即陀螺块（TOP Block），其次使用了对病害纹理特征具有更高效关注的改进纹理注意力模块（texture coordinates attention）。[结果]试验结果表明，TB-MobileNetV2在包含16种类别的番茄早晚期病害数据集的测试集识别准确率为88.49%，较原MobileNetV2网络提升了2.18%，且具有计算量减少与单张图片运行时间基本相同的优势；同时其准确率和收敛速度也均优于ShuffleNetV2 1.0×，MobileNetV3Small，MobileNetV2，MoblieNeXt四个对比轻量级网络。[结论]本文提出的TB-MobileNetV2能有效提高对多种番茄早晚期病害识别准确率。

关键词： 航拍图像   小目标检测   注意力机制   Wasserstein距离  

摘要： 无人机航拍具有多角度、大视角、大规模场景的特点,使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题。针对上述问题,提出了一种新的模型CA-NWD-YOLOv5(Coordinate Attention-Normalized Wasserstein Distance-YOLOv5)。该模型以YOLOv5(You Only Look Once v5)模型为基础,在头部网络添加了多尺度检测层以提取小目标特征,同时在骨干网络加入了CA注意力机制,避免模型忽略目标的位置信息。最后,使用了归一化Wasserstein距离损失函数代替基于交并比的损失函数,加强了模型对于微小目标的敏感程度。在VisDrone2019数据集上的实验表明,相比于改进前的YOLOv5模型,CA-NWD-YOLOv5模型可以有效提升无人机航拍图像中小目标的检测精度,改进后算法的mAP0.5达到了50%,可以有效应用于航拍小目标的检测。

关键词： 目标识别   无人机视角   机器视觉   果实测产   核桃检测  

摘要： 目前针对核桃测产的方法大多停留在利用传统的统计学模型上,其准确率几乎无法保证。因此,拟以青皮核桃为例,建立了无人机航拍视角下的核桃图像数据集,创新性地首次将Coordinate Attention机制嵌入YOLO v8模型中,利用改进后的YOLO v8-CA模型算法对青皮核桃进行目标检测。实验结果表明,改进后的新模型YOLO v8-CA与原始YOLO v8和YOLO v5相比,在mAP值上分别提高了0.4%和5.1%,在Recall值上分别提高了1.9%和8.9%。

关键词： 遥感图像   深度学习   目标检测   多尺度  

摘要： 针对光学遥感图像通常具有背景复杂、尺度多样化、目标普遍较小且方向各异等特点导致的目标检测精度低的问题，该文提出了一种基于多尺度信息融合的遥感小目标检测方法。首先，设计了GCC3模块，该模块显著增强了模型区分目标与背景的能力，有效地提升了特征提取的质量，并显著改善了对小尺度目标的检测精度。其次，为了实现对不同尺度特征信息的有效融合，以提升多尺度目标检测的性能，引入了BiFPN结构，以替代YOLOv5中原有的PANet结构。此外，为了应对目标方向的不确定性以及缓解角度回归导致的边界不连续性问题，采用了圆形平滑标签方法，以实现对目标区域的精确定位。实验结果表明，本研究提出的方法在小目标检测方面具有明显优势，相比改进前的算法，检测精度提高了4.9%，有效地提升了光学遥感图像检测的准确性。

关键词： 虹膜分割   集成学习   学习器   U   -Net   DeepLabv3+   PSPNet   皮尔森系数法   图像处理  

摘要： 针对虹膜图像在分割过程中细节分割不准确、边界分割不圆滑以及易受噪声影响等问题，文中提出了一种基于集成学习的虹膜分割算法。相较于传统集成学习算法，基于皮尔森系数法选择合适的模型作为基学习器，从而提高集成学习的性能。选用U2-Net、DeepLabv3+以及PSPNet作为同质个体学习器在CASIA-Iris-Interval数据集上进行训练，并预测得到对应的虹膜分割预测结果。对预测结果进行CLAHE和Gamma校正等图像增强操作得到新的预测结果图，选取加权平均法作为集成算法将基学习器的预测结果进行集成学习，从而得到最终的虹膜分割预测结果。测试结果表明，在3个不同的评估指标下，相较于基学习器，所提算法的准确率提升了1%，平均交并比提升了3.8%，宏平均分数提升了2.4%，视觉效果和客观评价指标具有较好的分割效果。

关键词： 小目标检测   航拍图像   特征金字塔   损失函数  

摘要： 无人机航拍图像具有目标尺度小和背景复杂等特点，因此直接对这类图像使用通用目标检测方法很难获得理想的识别精度。基于YOLOv8，本文提出一种强化特征金字塔和聚焦损失的小目标检测模型CFE-YOLO。首先，设计一种跨层级强化特征金字塔网络，以跨层级地方式融合注意力特征图来改进传统特征金字塔结构，通过增加浅层网络的高分辨率特征图和去除深层检测头来适应小目标检测需求。其次，结合Complete-IOU和Focal loss损失函数思想，设计了一个基于面积交并比的聚焦损失函数，进一步提升小目标的检测能力。最后，通过引入深度可分离卷积实现一个轻量化空间金字塔池化层模块，在减少参数量的同时保持模型的检测精度。在VisDrone和Tinyperson两个无人机航拍数据集上进行的大量实验显示CFE-YOLO较基准模型分别提高了4.72%和7.78%(mAP50)且参数量减少37.74%，同时与其他先进算法对比也取得更高的精度。

关键词： 地震数据   随机噪声   去噪   生成对抗网络   CycleGAN   图像处理   卷积神经网络   深度学习  

摘要： 针对实际地震数据被大量随机噪声干扰而难以获得配对的无噪数据问题，文中提出一种基于CycleGAN(Cycle Generative Adversarial Network)的地震数据随机噪声压制方法来获得高质量地震数据。将残差网络引入循环生成对抗网络的生成网络中，通过跳跃连接形式加快网络的训练速度，并扩充残差块中的卷积层，增强残差块结构来更好地获取样本特征。以合成数据和实际数据分别进行实验，利用SNR(Signal to Noise Ratio)和MSE(Mean Square Error)等评价指标验证其去噪效果，并与CNN(Convolutional Neural Network)去噪方法进行对比。结果表明，所提方法在合成数据实验中SNR、MSE和PSNR(Peak Signal-to-Noise Ratio)对比CNN分别提升0.59 dB、23.72、2.81 dB，在实际数据实验中分别提升4.63 dB、1.13、0.77 dB，训练时间缩短约58%。

关键词： 伪装目标检测   上下文信息   交叉细化   边缘感知  

摘要： 基于边缘感知的模型是伪装目标检测的主流方法之一，其核心是在早期阶段输出边缘预测，能更好地定位和分割伪装目标。而在伪装目标数据集中，由于伪装目标与背景环境有很高的视觉相似性，对早期的边缘预测质量要求很高，错误的前景预测会导致分割不完整，甚至缺失目标，进而造成伪装目标分割效果不佳。为了解决这一问题，提出了一种边缘-分割交叉引导网络——ECGNet。首先，利用ConvNeXt模型作为骨干网络，通过1×1卷积对特征通道进行统一处理，在多尺度上提取全局上下文信息。其次，设计了一个分割诱导边缘融合模块和一个边缘感知引导完整性聚合模块交叉融合，关注伪装目标的整体结构，不断细化分割特征和边缘特征。最后，通过引导残差通道注意模块利用这些连接和卷积更好地提取低层特征中的结构细节。在CAMO、COD10K以及NC4K数据集上的实验结果表明，ECGNet性能优于其它22个具有代表性的模型，比HitNet在Sα、E?、Fωβ和M方面的性能平均提升了1.9%、1.9%、1.8%和0.9%。