关键词： 集装箱   箱损识别   深度学习   YOLOv3算法   目标检测  

摘要： 为了节省集装箱检测人力和时间成本,实现对集装箱箱损的精准评估,提出基于改进的YOLOv3算法的箱损区域定位方法:通过改进的YOLOv3网络精准定位集装箱可能受损的区域,并借助网络结构优化,显著提升细微损伤识别能力;同时,针对箱损特征实施深度定制化网络调整,包括调整模型先验框以适应不同尺寸损伤,从而确保箱损识别的准确性。试验证明:基于改进的YOLOv3网络定位箱损区域不仅有利于降低计算成本,还能确保系统实时响应,实现箱损自动化快速识别。

关键词： 小样本目标检测   空中目标   耦合问题   深度学习  

摘要： 针对小样本激化的目标检测耦合问题,以高价值空中目标为研究对象,提出一种基于解耦的小样本目标检测算法。首先,在区域候选网络中引入梯度调整层,强化区域候选网络,缓和任务耦合问题。其次,将目标检测头拆解成分类和回归两个分支,在前端添加无参平均注意力模块,缓和特征耦合问题。所提算法可以提高小样本目标检测性能,增强对新类的检测能力。实验结果表明,所提算法在1、2、3、5、10样本实验中均表现最佳,平均精度分别达到32.5%、35.6%、39.6%、41.2%和57.4%。相较于两阶段微调方法,所提算法检测性能大幅度提高,能够解决在小样本激化的耦合矛盾下网络检测能力下降的问题,提升对小样本高价值空中目标的检测精度。

关键词： 遥感影像   自适应   MFCARPN   多方向检测  

摘要： 近年来目标检测成为计算机视觉技术的重要分支,广泛应用于医学、军事、城轨等领域,随着卫星和遥感技术的进步,其获取的图像蕴含着丰富的信息,因此对这些图像中目标自动检测和理解变得至关重要。但是遥感影像中目标方向随意、密集等,传统目标检测方法容易导致漏检错检,针对此问题,该文提出多卷积核特征组合自适应区域生成网络(multi-convolution kernel feature combination adaptive region proposal network,MFCARPN)算法进行多方向检测,该算法引入多个不同卷积核提取特征,可以根据目标的差异性自适应地学习每个卷积核特征的权重参数,得到和目标更加匹配的特征图,同时通过结合目标原始特征使分类回归模型参数可以依据目标之间的差异性动态变化,提高区域生成网络(region proposal network,RPN)自适应能力。实验表明其在DOTA标准数据集的平均精度均值(mean average precision,mAP)达到75.52%,相较于GV算法提高0.5个百分点,由此证明了该算法的有效性。

关键词： 植物保护   马铃薯早疫病   轻量化   目标跟踪   病害评估  

摘要： 马铃薯早疫病的病害严重程度监测对于马铃薯的产量影响非常重要,根据早疫病病害严重度调整农药使用,可以有效降低使用成本,避免因农药使用过量对马铃薯造成伤害。而田间病害监测设备需要轻量化模型的部署,为了解决病害评估网络因硬件计算资源有限,在田间设备上难以部署、运行速度慢等问题,实现对田间场景下的马铃薯早疫病病害严重程度的田块级评估,提出了一种针对马铃薯早疫病检测与严重度评估的模型。模型主要包括基于轻量级检测器CS-YOLO的叶片识别、结合DeepSORT跟踪算法的叶片碰线计数、以及基于BP网络对早疫病发病严重度的回归预测。试验结果表明,评估模型在马铃薯叶片(健康与早疫病)检测任务上的参数量相较于YOLOv5s减少了90.03%,准确率达到62.35%;叶片碰线计数的准确度能够达到0.686,能够较好地捕捉早疫病叶片;BP神经网络对早疫病发病严重程度的预测拟合效果较好,决定系数R^(2)达到0.81。为植保机器人在田间场景中的部署提供了一种有效的技术手段,为实现马铃薯早疫病的监测和实时评估提供了可行的解决方案。

关键词： 无人机   小目标检测   注意力机制   上下文信息  

摘要： 针对无人机航拍图像检测在复杂场景下难以检测出目标以及对于小目标检测精度低的问题,提出一种适用于无人机航拍图像的目标检测算法。为提高小目标检测精度,引入小目标检测层和基于空洞卷积与注意力机制的特征增强模块,从多尺度特征图中提取更多特征,增强模型对小目标的识别能力。为应对复杂场景,引入前景感知模块,关联与前景相关的上下文信息,减少背景干扰。在VisDrone2021数据集上实验,与YOLOv5s相比,改进后模型mAP_(50)提高5.3%,mAP_(50:95)提高3.4%。在960×960分辨率下训练的模型mAP_(50)达47.9%,比YOLOv4高4.9%,适用于无人机航拍图像检测。

关键词： 路面病害   目标检测   深度学习   YOLOv5   SPD-GSConv  

摘要： 针对路面病害检测中因病害形态多样、尺度差异大、背景灰度值相似而导致检测精度较低的问题,提出一种改进的轻量化路面病害检测模型PD-YOLOv5s(pavement disease-YOLOv5s).首先,模型嵌入三维无参数注意力机制SimAM,在不额外增加模型参数的同时有效增强模型在复杂环境下的特征提取能力;其次,引入残差块Res2NetBlock增加模型感受野,增强模型在更细粒度层次上的特征融合能力.最后,构建SPD-GSConv模块完成下采样,从而有效捕捉不同尺度的目标特征,将提取的特征融入模型完成路面病害分类检测.在真实路面病害数据集上实验结果表明:相较于原YOLOv5s,PD-YOLOv5s模型平均精度值(mAP)提升4.7%,参数量降低至6.78M,检测速度达到53.97 f/***-YOLOv5s在降低网络计算成本的同时具有优越的检测性能,对路面病害检测具有工程应用价值.

关键词： 目标检测   YOLOv7-tiny   绝缘子检测   损失函数  

摘要： 针对现有绝缘子检测算法识别种类单一、定位精度差、鲁棒性差等问题,提出了一种改进YOLOv7-tiny的多种类绝缘子检测算法。首先,使用K-means++算法对先验框进行重聚类,获得更适用于多种类绝缘子数据集的先验框尺寸;其次,采用了基于动态非单调的聚焦机制设计的WIoUv3损失函数,解决训练过程中正负样本不均衡问题。在网络结构上,首先在骨干网络使用跨阶段特征融合模块(CFFCB)捕获更多的上下文信息,对一些受到遮挡的绝缘子实现精准检测;同时,在颈部网络,提出了空间金字塔池化模块SPPCSPF替换了原有的SPPCSP,有效提高绝缘子与背景接近时的检测成功率,有效改善漏检情况。经过实验测试,与YOLOv7-tiny相比,改进后的网络模型的mAP提高了2.1%,达到了97.6%,有效提高了多种类绝缘子的检测精度。最后,利用改进后算法的检测结果在UR5机械臂上进行了抓取实验,实际抓取的成功率在90%左右,验证了算法的可行性。

关键词： 旋转目标检测   注意力机制   解耦预测头   YOLO  

摘要： 针对遥感图像复杂背景下的目标(如船舶、飞机等)具有朝向任意、尺度变化较大、数量多、目标排列密集等特点,提出一种基于改进YOLOv8L的旋转目标检测算法,用带有角度的旋转框能够更加精确定位目标。首先,在网络Head部分增加解耦角度预测头,预测目标的角度信息;其次,融合坐标注意力机制模块提高模型抑制噪声的能力;最后,在Neck部分引入自适应空间特征融合模块,抑制不同尺度特征图之间融合特征信息时的不一致性,保留有效的信息并进行融合。实验结果表明,所提算法在DOTA数据集上的检测精度达到了73.85%,较原有YOLOv8L模型提升了3.53%。

关键词： 织物缺陷检测   深度学习   计算机视觉   神经网络   异常检测  

摘要： 织物表面缺陷检测是织物生产过程中必不可少的环节,近年来,使用机器视觉的方法逐渐被提出,但使用该方法存在诸多局限性,致其精度和对未知缺陷的检出率不高.提出了一种基于多尺度特征融合神经网络的织物表面缺陷检测方法,其基于编解码器架构,编码器的特征提取模块使用多尺度卷积核和空洞卷积以感知不同尺寸的缺陷,结合残差并加入了特征增强筛选模块以优化多尺度信息,增强不同特征之间的关联.最终设计了一种融合带权交叉熵和Dice Loss的损失函数以加速模型收敛.实验表明本方法可以有效分割出织物表面的缺陷部分,在AITEX织物数据集上达到了98.96%的准确率以及96.95%的召回率.

关键词： 目标检测   YOLOv5s   CAM模块   C2f模块   轻量化  

摘要： 文中针对目前测温取样样件表面缺陷识别存在人工目视识别主观性强,检测速度慢,对工人身体伤害大等问题,提出了一种改进的YOLOv5s缺陷检测算法,将机器视觉运用在测温样件的缺陷识别工艺中。对数据集进行数据增强,保证数据分布均衡性以及提高结果的可靠性。为了保证轻量化的同时获得更加丰富的梯度流信息,在主干网络中增加C2f模块。引入CAM模块(Context Augmentation Module)提取更多有效的特征信息,提高对缺陷的定位能力,进一步聚合坐标信息。然后对改进后的网络模型通过基于层自适应幅度的剪枝LAMP(Layer Adaptive Magnitude Pruning)压缩,进一步提升模型加载和运行速度。最后在数据集上对改进后的模型进行测试,其mAP@0.5、mAP@0.5~0.95分别达到了89.1%,64.5%,每张图的推理时间为0.00204 s,均优于原模型。研究结果表明,改进模型为测温样件的缺陷检测提供了更加高效的方法。