关键词： UAV   YOLOv8   Attentional mechanisms   Multi-scale detection   MPDIoU  

摘要： In response to the challenge of low detection accuracy and susceptibility to missed and false detections of small targets in unmanned aerial vehicles(UAVs)aerial images,an improved UAV image target detection algorithm based on YOLOv8 was proposed in this *** begin with,the CoordAtt attention mechanism was employed to enhance the feature extraction capability of the backbone network,thereby reducing interference from ***,the BiFPN feature fusion network with an added small object detection layer was used to enhance the model's ability to perceive for small ***,a multi-level fusion module was designed and proposed to effectively integrate shallow and deep *** use of an enhanced MPDIoU loss function further improved detection *** experimental results based on the publicly available VisDrone2019 dataset showed that the improved model outperformed the YOLOv8 baseline model,mAP@0.5 improved by 20%,and the improved method improved the detection accuracy of the model for small targets.

关键词： 斜框目标检测   轻量化学习   特征金字塔   深度学习  

摘要： 随着现代军事和安全挑战的演变,地面目标种类和方向不断增加,传统的目标检测算法在复杂多变的空中环境时存在诸多限制,且因神经网络的复杂性使其在移动设备上难以应用。因此,为了提升飞行过程中对地面任意方向目标检测的准确率和检测效率,提出轻量化空中斜框目标检测算法。首先,使用Ghost模块改进原有的卷积神经网络,利用少量小滤波器生成更多的特征图,减少计算成本;其次,使用改进后的卷积网络从特征金字塔的5个级别的特征中生成高质量候选目标框;最后,使用检测头接收生成的候选目标框作为输入,计算得分后最终用于分类和回归。实验结果表明,本文所提出的斜框目标检测算法能够对地面目标进行精确的检测定位并降低了模型复杂度。

关键词： 小样本学习   元学习   多尺度重加权   场景修正   遥感图像   目标检测  

摘要： 面向小样本条件下的遥感图像目标检测任务,提出一种基于元学习的小样本遥感图像目标检测算法。针对遥感图像中目标尺度变化大、小样本条件下目标与背景易混淆的问题,在特征提取部分将单尺度重加权拓展为多尺度重加权模块,充分引入支持样本的先验知识以适应不同目标的尺度变化;为解决遥感图像目标类间相似性和类内差异性的问题,利用目标对于场景的依赖性设计了场景修正模块,对检出目标类别进行修正,并引入边际损失对特征空间内不同目标的特征分布进行约束。实验结果表明:所提算法在10样本任务设定上获得了较高的检测性能,在NWPU VHR-10和DIOR数据集新类别上的平均精度(mAP)分别达到了64.18%和37.27%。

关键词： 红外小目标检测   多层卷积融合模块   多感受野融合模块   消融实验  

摘要： 红外小目标检测技术在多个关键领域,如自主导航、安防监控中具有重要的应用价值。该技术能够识别低光或遮挡环境中肉眼难以察觉的小目标,对于识别潜在威胁和提高遥感探测能力具有显著意义。然而,由于红外图像中小目标占据像素少且缺乏形状和纹理信息,精确检测红外小目标面临巨大挑战。为了克服这些难点,提出一种多层卷积融合模块与多感受野融合模块相结合的深度学习模型,旨在通过多层级的特征提取和不同感受野的特征融合,有效表征小目标。使用实验室拍摄的红外图像作为测试集。实验结果表明,所提模型在多个评价指标上表现优异,像素级的交并比达到0.814,同时样本级的交并比达到0.845,验证了模型在小目标检测任务中的高准确性和可靠性。为了评估不同模块对模型性能的影响,进行了消融实验,结果进一步证实了多层卷积融合模块和多感受野融合模块对提升模型性能的重要性。

关键词： 图像处理   工件定位   点云处理   改进ICP   尺寸检测  

摘要： 提出了一种融合图像与点云的曲面工件涂胶质量检测方法,解决了基于图像的涂胶质量检测精度低、鲁棒性差的问题。方法包括利用圆形Mark点进行粗定位,引入法矢一致性约束的改进迭代最近点算法完成精定位,并提取图像中的胶线骨架信息转化为3D胶线轨迹点。通过等距有序采样方法获取采样点进行胶线质量参数检测。根据采样点的法向约束和胶线轨迹切向约束,获得采样点胶线截面模型,将点云映射到截面中得到胶线截面轮廓模型,进一步分析截面轮廓以计算胶线质量参数。实验证明,测量得到的胶线宽度误差小于0.35 mm,厚度误差小于0.25 mm,满足工业场景中的胶线质量评估要求。

关键词： YOLOv8   YOLOv8m模型   城市交通   目标检测   电动车头盔佩戴检测  

摘要： 在城市交通中,时常出现由于电动车骑行者未佩戴头盔引发的安全事故。佩戴头盔可以有效地避免或降低安全事故带来的损害。为了解决这一问题,提出了一种基于YOLOv8的电动车头盔佩戴检测方法。首先采集数据并对数据集进行手工标注,然后将标注好的数据集分别通过YOLOv8模型的4种模型进行训练,即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型,从而得到最适合检测电动车头盔佩戴的模型。实验结果表明,相较于其他三种模型,YOLOv8m模型更适用于电动车头盔佩戴检测。

关键词： 改进YOLOv8算法   目标检测   机器视觉   异物检测  

摘要： 为解决人工检测发动机缸内异物时的漏检和误检等问题,设计基于改进目标检测算法YOLOv8的发动机缸内异物检测算法并进行试验验证。基于CoTNet中的注意力机制,设计Contextual Attention模块,重构C2f中的Bottleneck结构为CoA_C2f,替换YOLOv8骨干网络中的C2f模块;将模型Neck部分连续上采样后的特征图Concat模块替换为上下文聚合模块CAM;在Neck和Head之间嵌入Triplet Attention模块。试验结果表明:设计的发动机缸内异物检测模型可有效识别缸内异物,在原始YOLOv8基础上引入CoA_C2f、CAM和Triplet Attention 3个模块后的平均检测精度提高21.65%。

关键词： 集中式特征金字塔   递归门控卷积   交通标志识别   目标检测  

摘要： 针对目前交通标志识别技术中存在的畸变目标、小目标检测难等问题,提出一种基于集中式特征金字塔的交通标志识别算法。首先,使用集中式特征金字塔改进原始的特征融合网络,用轻量级多层感知机(MLP)来捕获全局远程依赖,通过可学习视觉中心机制(LVC)来捕获输入图像的局部角区域,提高了对畸变目标以及小目标的检测精度;其次,使用递归门控卷积提取浅层特征图的高阶空间交互信息,改善对小目标的检测效果;最后,使用SIoU回归损失函数,引入角度损失,重新定义惩罚指标,减少总损失的自由度,防止预测框在训练时四处游荡,加快收敛速度,使定位更加精确。在TT100K数据集上平均检测精度为93.4%,和传统的YOLOv5n相比精度提升了3.5个百分点,帧处理速度达到94.34fps。

关键词： 视觉识别技术   缺陷检测   状态监测  

摘要： 阐述计算机视觉技术原理,通过实践分析,探讨计算机视觉技术在电力一次检修中的具体应用,包括设备表面缺陷检测、导线及绝缘子缺陷检测、电力设备状态在线监测以及开关刀闸位置监测。

关键词： 图像处理   深度学习   红外目标检测   卷积神经网络   特征融合  

摘要： 为了解决红外图像特征少、对比度不佳导致目标检测时精度低的问题,采用增加一个额外的预测特征层的方法,以提高原始YOLOv5在红外图像中的识别率;通过添加坐标注意力机制,优化红外目标强特征提取,提升检测准确度;再使用双向特征金字塔网络优化特征融合,增强模型表达能力,降低冗余计算;最后解决检测定位差和边界框回归任务中样本不平衡,采用focal-EIOU作为模型的边界框损失函数,提高收敛速度,并专注于高质量的锚框回归。结果表明,改进的YOLOv5在FLIR数据集上的准确率达到了85.3%,相比于原始网络模型提高了4.2%,具有较高的检测准确率。这一结果为在嵌入式设备上部署该软件提供了可行性。