关键词： 插秧机   视觉导航   信息融合   导航定位   卡尔曼滤波   图像处理   容错性  

摘要： 为改善基于GNSS/INS组合定位的水稻插秧机在遇到遮挡、电磁干扰、传感器失效等情况时的导航效果,在原有GNSS/INS组合定位的基础上,提出一种视觉导航系统(vision navigation system,VNS)补充的水稻插秧机多传感器组合定位方法。首先设计改进的Otsu法和改进的Hough变换算法用于视觉定位信息提取,并构建插秧机和相机坐标系关系方程以求解位姿值;然后采用具有容错功能的联邦卡尔曼滤波算法将VNS输出的定位信息和GNSS、INS输出的定位信息进行融合;最后分别在水泥地和水田进行试验。结果显示,空旷水泥地场景下,GNSS/INS/VNS组合定位和GNSS/INS组合定位精度相近,而在遮挡水泥地场景下,GNSS/INS/VNS组合定位解算出的位置误差和航向误差的平均值分别为1.77 cm和0.99°,相较于GNSS/INS组合定位方法分别提高46.8%和61.5%;水田试验中,经过视觉补充后导航系统的横向偏差和航向偏差平均值分别降低45.7%和67.9%,横向偏差平均值为1.97cm,航向偏差平均值为0.49°。试验结果表明,基于视觉补充的多传感器组合定位方法能有效降低导航系统的定位误差和跟踪偏差,满足插秧机自动驾驶作业的要求。

关键词： 深度学习   病虫害   YOLOv5s   目标检测  

摘要： 针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。

关键词： 种子   活力性状   近红外光谱   高光谱成像   X射线成像   图像处理   无损速测技术   研究进展  

摘要： 种子是农业生产中最重要的生产资料,其品质直接关系到整个生产活动的丰歉。活力是种子的重要评价指标,高活力的种子不仅田间表现优秀、抵抗逆境能力强,还更利于长时间储藏。传统的种子活力检测多在实验室内进行,采用的发芽试验等方法精度较高、科学性强,但有损检测且效率较低。近年来,光谱及成像技术以其快速、无损等优势,在种子检测领域中得到了广泛关注和应用。首先,归纳传统种子活力检测方法的检测原理和判定方法,并总结传统方法存在的共性问题;其次,综述无损速测技术在种子活力检测领域的应用和进展,对比分析各种技术的工作原理和检测策略,重点就近红外光谱技术和高光谱成像技术的应用展开讨论;最后,在此基础上结合种子活力的实际检测要求,探讨目前无损速测技术在种子活力检测应用领域存在的问题,总结当前无损速测检测技术呈现多技术融合、精选分级、高通用性和多元发展的发展趋势,以期为种子活力性状的无损速测技术提供参考。

关键词： 岩石识别   深度学习   Transformer   自注意力机制   计算机视觉   识别精度  

摘要： 常规卷积神经网络在识别纹理多变的岩石图像时,由于感受野和局部处理方式的局限性,识别精度不高,为解决上述问题,在复杂情况下准确识别岩石岩性,提高地质调查的效率,文中提出一种基于改进Swin Transformer的岩石识别方法。该方法增加了空间局部感知模块,并结合Transformer的自注意力结构来增强对局部相关性的提取。为增强泛化,模型中添加了Dropout层,减少对单神经元的依赖。为进一步提高网络的泛化能力,采用AugMix算法对岩石图像进行数据增强,并结合迁移学习技术对网络进行预训练从而优化网络参数。实验结果表明,该方法的识别准确率为96.4%,高于ResNet50、GoogLeNet、VGG16网络。

关键词： 目标检测   无人机   小目标   滤波   改进YOLOv8算法   注意力机制  

摘要： 在无人机(UAV)目标检测任务中,存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题,提出改进YOLOv8s的无人机图像目标检测算法。首先,针对无人机拍摄目标普遍为小目标的应用场景,减少算法骨干网络(Backbone)层数,增大待检测特征图尺寸,使得网络模型更专注于微小目标;其次,针对数据集普遍存在一定数量低质量示例影响训练效果的问题,引入Wise-Io U损失函数,增强数据集训练效果;再次,通过引入上下文增强模块,获得小目标在不同感受野下的特征信息,改善算法在复杂环境下对小目标的定位和分类效果;最后,设计空间-通道滤波模块,增强卷积过程中目标的特征信息,滤除无用的干扰信息,改善卷积过程中部分微小目标特征信息被淹没、丢失的现象。在Vis Drone2019数据集上的实验结果表明,该算法的平均检测精度(m AP@0.5)达到45.4%,相较于原始YOLOv8s算法提高7.3个百分点,参数量减少26.13%。在相同实验条件下,相比其他常见小目标检测算法,检测精度和检测速度也有一定提升。

关键词： 水下目标   目标检测   注意力机制   YOLOv5   深度学习  

摘要： 在复杂的深海环境中,精准地检测和识别目标是海洋探索和保护的关键。此研究对YOLOv5目标检测算法进行了优化,以提升水下目标的检测效果和效率。为了增强模型的特征提取能力,对YOLOv5的关键卷积结构——C3模块进行了替换。此外,引入SEAttention模块,这种模块利用空间注意力机制,使模型更专注于重要目标的识别。评估时,采用EIoU作为标准以准确地衡量目标检测的表现。实验主要在DeepTrash数据集上进行,与原始YOLOv5相比,优化后的模型在精确度上提高了3.1个百分点,召回率提高了1.8个百分点,mAP@0.5提高了2.4个百分点。而且,优化后的模型参数量也减少了17.4个百分点,从而提升了计算效率。即使与最新的YOLOv8相比,优化后的模型也展现出了优越的性能。

关键词： 无人机航拍图像   YOLO   小目标检测器   上下文增强模块   SPDConv模块  

摘要： 无人机航拍图像存在小目标分布密集且目标尺度变化大等检测难点,本文提出一种面向无人机航拍图像小目标的跨尺度目标检测模型—CS-YOLOv5s。首先,在YOLOv5s基础上,引入小目标检测器,提高模型对小目标的捕捉能力;进一步,将最大池化分支嵌入上下文增强模块,提取并增强骨干网络尾部的深层特征,再注入PANet,实现深浅层特征有效融合和模型跨尺度检测能力的提升;同时采用SPDConv模块替换下采样卷积模块,实现无人机航拍图像中密集目标高效检测。实验表明,CS-YOLOv5s在数据集VisDrone2019达到42.0%mAP0.5,较基准模型提升9.8%,有效增强网络模型对无人机航拍图像小目标的识别能力,为无人机目标智能识别提供支撑。

关键词： 图像处理   深度学习   青铜器   EfficientNetV2   年代鉴别  

摘要： 针对古青铜器年代鉴别任务需要大量的相关史料、鉴别耗时长以及主观性强等问题,提出一种新思路用于辅助考古专家对古青铜器进行分析和年代鉴别。所提方法在图像分类预训练权重的基础上应用深度学习方法对古青铜器进行年代鉴别:首先,通过大量的基础实验,在较为有代表性的4种网络模型中选出鉴别结果较好的EfficientNetV2-L作为基线模型;接下来,使用EfficientNetV2-L对古青铜器数据集进行特征提取;然后,将原有的线性分类层替换为cosin_classifier,减小方差带来的风险,提高模型鉴别能力;最后,引入Focal损失函数替换原有的交叉熵损失函数进行损失计算,在聚焦因子(focusing parameter)和加权因子(class weighting)作用下有效地改善样本数量较少类别所导致的模型学习效果较差的问题。所提方法较原始EfficientNetV2-L在准确率、精确率、召回率、F1分数和曲线下面积等指标上提高4.1百分点、4.0百分点、4.1百分点、4.2百分点和0.9百分点,在测试集上取得91.7%的最优准确率。在此基础上,还对分期有争议的青铜器进行了模型预测分析。结果表明,深度学习技术在古青铜器数据集年代鉴别任务上是有效的,可提供参考分析数据,减轻考古专家的工作强度。

关键词： 数字信号处理   电子信息工程   信号系统分析   数字滤波器   图像处理  

摘要： 数字信号处理技术在电子信息工程中得到广泛应用。它是一种重要的信息处理工具,用于信号系统分析和通信系统。数字滤波器的设计和应用也被详细讨论。此外,数字信号处理还在图像处理和音频语音处理中有很大用途。未来,数字信号处理在电子信息工程领域还有更广阔的发展。这项研究成果有助于研究人员深入理解数字信号处理的应用,并为未来的应用和发展提供理论支持。

关键词： 腐蚀评估   图像处理   K-means++算法   聚类   图像相似度   智能诊断   腐蚀面积  

摘要： 材料腐蚀后会在表面产生锈斑、裂纹和鼓泡等多种腐蚀特征现象,通过观察腐蚀特征现象可判断材料腐蚀程度。目前主要通过人工目测的方式对材料的腐蚀情况进行判断,但其存在结果无法量化、效率低下等不足。本文采用K-means++聚类算法对金属板材图像像素RGB值进行聚类,分离腐蚀区域和未腐蚀区域;采用图像结构相似性指标(SSIM)判断聚类各区域是否发生腐蚀。结果表明:将K-means++聚类中心数量k设定为5,可有效根据图像颜色分布划分出各聚类区域;相比峰值信噪比PSNR和均方误差MSE,结构相似性指标SSIM与图像是否发生腐蚀具有较强相关性,将SSIM指标阈值设定为0.95,可根据SSIM指标有效判断各聚类区域是否发生腐蚀;本文所用方法相比人为根据像素颜色划分腐蚀区域,具有更高的识别效率,且准确率不低于90%。本研究可用于金属板材环境试验后防腐性能自动化评价。