关键词： locust detection   YOLO v7   MobileNetV3   CA attention mechanism  

摘要： To accurately detect various kinds of locusts in real-time and make locust detection more universal, a locust data set that contained different species of locusts was created through the Internet crawler and public dataset IP102, and a locust target detection algorithm YOLOv7-MobileNetV3-CA was proposed in this paper. Firstly, to reduce the size of model parameters, the backbone of YOLOv7 was replaced by MobileNetV3, secondly, a CA (Coordinate Attention) attention mechanism was added to further improve the detection accuracy of locusts after feature enhancement. The experiment showed that the precision of locusts identification was 95.96%, the recall rate was 92%, the AP was 95.74%, and the F1 was 0.92. Compared with YOLOv7, the model size was reduced by 27%, and the AP was improved by 4.48%. Compared with YOLOv4, YOLOv4 MobileNetV3, YOLOv5, and SSD algorithms, AP has improved by 51.16%, 26.81%, 11.9%, and 11.75%, respectively. Experiments have shown that this algorithm performs well in detecting locusts of different scales, scenes, and types, and can provide reference for real-time locust detection.

关键词： 计算机视觉  

ISBN: (纸本)9787122456830

摘要： 本书致力于深入剖析机器视觉检测与识别技术的内在机理、实用策略及其多元化应用，旨在为读者搭建起一个坚实而全面的理论知识与实践经验的桥梁。内容涉猎广泛，既涵盖图像处理、特征提取、目标检测，又深入探索图像分割、人脸识别、物体识别等，从基础概念到高级算法，全面又深入。在深度解读各个主题的同时，本书注重理论与实践的紧密结合，相关章节均配以典型的案例分析，展示这些技术在现实场景中的具体应用。

关键词： 机器学习  

ISBN: (纸本)9787121488122

摘要： 本书介绍了深度学习在图像目标检测与识别领域的应用, 主要包括基于UNet的图像去雾算法、基于特征融合GAN的图像增强算法、基于ESRGAN的图像超分辨率重建算法、基于嵌套UNet的图像分割算法、基于对抗迁移学习的水下大坝裂缝图像分割算法、基于改进Faster-RCNN的海洋生物检测算法、基于YOLOv4的目标检测算法、基于RetinaNet的密集目标检测算法、基于LSTM网络的视频图像目标实时检测、基于改进YOLOv4的嵌入式变电站仪表检测算法等。

关键词： 数字图像处理   计算机视觉  

ISBN: (纸本)9787122447746

摘要： 本书共9章，内容包括数字图像与机器视觉概述、数字图像工具与软件实现、图像与视觉基础知识、机器视觉系统硬件、图像变换与图像运算、图像增强与复原、图像分割、图像识别与神经网络及数字图像与机器视觉应用实例等内容。

关键词： 智能导盲   图像处理技术   导盲眼镜  

摘要： 本文聚焦于基于图像处理技术的智能导盲眼镜设计开发,针对当前市场上导盲眼镜存在的障碍物识别精度不足、佩戴不适以及紧急求助能力有限等问题,提出了基于图像处理技术的改良方案.设计采用了STM32F103C8T6单片机作为控制核心模块,并集成了TSL1401线性摄像头和HC-SR04超声波传感器.线性摄像头通过YOLOv3卷积神经网络实现交通标识(如红绿灯)的识别,而超声波传感器则用于精确测量用户与障碍物之间的距离.此外,设计还考虑了数据隐私保护、视觉保障和操作安全等方面的问题,确保产品的实用性和安全性.相较于传统导盲设备,本产品利用YOLOv3的高精度目标检测能力,实现了实时、准确的障碍物识别和导航服务,同时降低了功耗,延长了续航时间.这一创新设计有望为视障人士提供更加便捷、安全的导盲辅助工具.

关键词： 合成孔径雷达图像   小目标检测   改进YOLOv8   损失函数   并行协调注意力机制  

摘要： 船舰作为海上战斗的主导力量之一，已成为军事作战的重要检测目标。针对复杂海洋大场景下合成孔径雷达(Synthetic Aperture Radar，SAR)图像船舰小尺度目标识别能力低下的问题，提出一种基于改进YOLOv8的SAR图像船舰小目标检测算法。首先，将网络卷积(Conv)模块替换成空间深度非步长卷积(SPD-Conv)，保留判别特征信息，提高小目标检测精度；然后，以协调注意力机制(Coordinate Attention，CA)为基础，设计出并行协调注意力机制(Parellel Coordinate Attention，PCA)，加强空间中相互作用，在背景复杂的SAR图像中对特征信息进行针对性提取并运算；最后，将中心点对角线距离度量和端点距离度量分别融入到SIoU的距离损失函数和形状损失函数中，重新定义损失函数DSIoU，提高网络的收敛速度和检测精度。最终在HRISD( High-Resolution SAR Images Dataset)进行了大量实验，结果表明，相较于YOLOv8算法，改进算法精度提高了2.9%、参数量降低了10.6%、帧率提升了13.3%，能够满足船舰目标的实时监测。

关键词： 航空发动机叶片   深度学习   缺陷检测   图像处理   文献综述  

摘要： 对基于深度学习的航空发动机叶片（叶片）缺陷检测技术进行了综述。从深度学习模型（模型）及模型评价指标、叶片类型及叶片缺陷类型和深度学习叶片缺陷检测技术共三个方面展开，聚焦于深度学习叶片缺陷检测技术。进一步地，关注模型、数据集和结果评价等内容，以数据集标签需求为依据，按有监督学习、无监督学习和半监督学习对国内外深度学习叶片缺陷检测技术进行梳理评述，指出了在不同深度学习方法下进行叶片缺陷检测的优缺点、面临的挑战及展望。认为能克服数据集相关挑战的轻量化模型可以用于搭建高性价比的工业现场叶片缺陷实时检测系统。

关键词： 小目标检测   YOLOv8算法   空间金字塔池化   可变形卷积   小目标检测层  

摘要： 针对无人机航拍图像小目标的检测精度低且易被漏检和误检等问题，提出了一种改进的小目标检测算法MDH-YOLOv8。首先，运用Focal-EIoU损失函数替换CIoU Loss，解决回归结果不准确的问题。设计小目标特征信息提取（Self-Attention Information Extraction，SAE）模块，改善空间金字塔池化SPPF信息提取不足的问题，使模型同时关注图像中多个重点小目标区域。其次，提出可适应复杂几何形变的C2f＿DCN模块，可变形卷积融合瓶颈层(Bottleneck)多次迭代，增强检测模型的鲁棒性。最后，新增一个专门针对小目标的检测层STDH模块，降低小目标的误检率和漏检率，提高检测精度。在VisDrone2019和DOTA数据集上验证实验结果，MDH-YOLOv8模型较YOLOv8模型，mAP@0.5提高了4.2%，mAP@0.5:0.95提高了3.4%。与小目标检测的主流算法相比，MDH-YOLOv8模型在满足轻量化的同时提高了小目标的检测精度。

关键词： 扩展目标   异常噪声   正态-伽马分布   增广非线性量测  

摘要： 针对复杂异常噪声下的非线性扩展目标跟踪问题,本文提出了一种正态-伽马非线性雷达扩展目标跟踪滤波器.首先,对于传统扩展目标建模方式进行了优化,将运动状态与扩展状态显式且独立的进行表达.其次,在量测噪声为异常噪声的情形下,引入辅助变量表示量测噪声协方差的不确定性,并将其建模为伽马分布.同时考虑到雷达量测的特殊性,对原有的非线性量测进行了增广,以减少非线性量测在转变过程中的信息丢失问题.最后,构造相应的扩展目标与群目标跟踪仿真实验,并通过高斯-瓦瑟斯坦距离对扩展目标跟踪多特征联合估计性能评估,验证了本文所提算法的有效性与稳定性.

关键词： 多模态   目标检测   双分支结构   Bi FPNFusion   PPA   PIoU2  

摘要： 在复杂的环境中进行目标检测时，例如夜间、雾天、和遮挡等情况，单一的图像传感器往往无法全面捕捉场景信息，导致检测精度的显著降低。为了应对这些挑战，本文提出了一种基于YOLO v8的多模态目标检测算法BPP-YOLOv8。该算法采用了双分支结构，分别对可见光和红外图像进行特征提取，并在中期融合阶段利用BiFPNFusion特征融合模块和PPA模块，提升了对多模态信息的整合能力。此外，通过引入PIo U2损失函数，优化了模型的训练过程。实验结果显示，BPP-YOLO v8算法在LLVIP和KAIST数据集上的检测性能均优于原有的YOLO v8和其他一些主流算法，相较于原始YOLO v8算法分别提升了1.4%和7.1%的m AP@0.5，有效增强了在复杂环境下的目标检测能力。