关键词： 全卷积网络   红外弱小目标   检测精度   提取特征  

摘要： 针对复杂背景红外弱小目标检测过程中存在的检测误差率高,检测时间过长等问题,提出基于全卷积网络的复杂背景红外弱小目标检测方法。分析复杂背景红外弱小目标检测的研究进展,找出不同方法的缺陷,采集红外图像,提取目标检测特征,并采用全卷积网络设计弱小目标检测的分类器,实现复杂背景红外弱小目标检测。实验结果表明,该方法的复杂背景红外弱小目标检测精度超过97%,具有较高的实际应用价值。

关键词： 深度学习   卷积神经网络   目标检测   无人机   飞鸟检测  

摘要： 随着民用无人机产业的发展,无人机已经成为一项影响公共安全的重要问题。目前针对低空无人机的监视手段主要是采用雷达探测结合图像识别的方法,然而在图像检测识别中易受到与无人机同属“低、慢、小”目标的飞鸟的干扰。为了能够在基于可见光图像的无人机检测中排除飞鸟目标的干扰,利用深度神经网络对可见光图像中无人机与飞鸟进行精确的检测与分类,有效地排除飞鸟对无人机检测的干扰。系统阐释了目标检测技术的发展历程,讨论了各类基于深度学习网络目标检测算法的差异,对比了各类算法的优缺点。对可用于无人机与飞鸟检测的图像数据集进行了梳理与介绍,对相关研究的已有成果进行分析;再从实际应用出发,对无人机与飞鸟检测当中可能会存在的问题进行梳理,阐述与分析了能解决相应检测问题的卷积神经网络的相关研究。最后,针对该研究后续可能的发展方向进行展望。

关键词： 垃圾分类   目标检测   视觉Transformer   MobileNet   图像识别   特征集成   数据增强   平均准确率  

摘要： 针对垃圾数量繁多及一张图片包含多个垃圾物体的情况,文中提出基于改进MobileNet网络的垃圾检测与分类算法。将MobileNet网络融合进YOLOv5(You Only Look Once v5)目标检测算法,同时在主干部分引入卷积注意力模块(Convolutional Block Attention Modul,CBAM)筛选有意义的信息,利用视觉Transformer聚合形成图像特征,并加入使用了加权双向特征金字塔网络区别不同特征的贡献度,引入高效通道注意力(Efficient Channel Attention,ECA)模块对图像特征进行组合并传递给预测层。最后,为了在垃圾目标之间有遮挡的情况下获得更好的性能,使用软性非极大值抑制(soft-Non Maximum Suppression,soft-NMS)方法,并利用Alpha-IoU(Alpha-Intersection over Union)损失函数对提取的特征进行预测。实验结果表明,所提方法能够实现多目标多类别垃圾的定位与识别,mAP(mean Average Percision)值达到了90.31%,相较于YOLOv5网络提升了4.95%,处理速度缩短了约2.4 s。相较于融合ResNet(Residual Network)网络的Faster R-CNN(Region-based Convolutional Neural Network)算法,所提算法在保证准确率的前提下提升了处理效率。

关键词： 水稻病害   YOLO   目标检测   全局注意力机制  

摘要： 针对水稻生产中普遍存在的疾病多、检测效率低等问题,本文提出了一种改进YOLOv8n模型的水稻病害识别方法。首先,融合了BiFPN金字塔结构,用于有效特征层的整合。其次,在原有主干网络SPPF模块后引入了GAM注意力机制,以合理分配资源。最后,采用WIoU损失函数以提高检测精度。实验结果表明,BGW-YOLOv8n在水稻病害识别任务中的MAP达到了91.6%,较YOLOv8n提升了3.6%。该方法优于YOLOv5、MobileNetV3Small等其他常见算法,改善了水稻病害漏检现象。

关键词： 信息熵   曼哈顿距离   最大似然共识  

摘要： 针对传统的ORB(Oriented fast and rotated brief)算法在运算速度以及精度方面有时难以满足某些应用场合实际要求,在特征点提取阶段,利用金字塔光流法提取特征点并划分有效及无效区域特征点,从而降低特征点匹配个数和提高后续运算特征点匹配速度;在特征点匹配阶段,将传统算法中的欧氏距离改为曼哈顿距离,再用MLESAC算法来剔除误匹配点。将SURF(Speeded up robust features)算法、SIFT(Scale-invariant feature transform)算法、ORB算法和改进后的ORB算法对光照条件不同、模糊度不同以及尺度大小不同的两张图像进行处理,改进后的ORB算法无论是在匹配速度还是匹配精度方面相比于传统ORB算法都有了明显改善。

关键词： YOLOv5   目标检测   草莓喷雾作业   深度学习  

摘要： 目的:在设施农业种植环境下,提出一种基于改进YOLOv5模型的目标检测方法,实现草莓常见的几种病害及养分不足情况的快速准确检测。方法:通过将C3模块替换为C2f模块、增加SimAM注意力机制、增加检测层等对原始YOLOv5模型结构进行改进,以草莓植株叶片、花、果为研究对象,应用改进YOLOv5模型提取草莓植株生长特征,并进行病害及养分状况快速检测。结果:应用改进YOLOv5模型对草莓植株生长状况进行识别的准确率较高,各识别项的平均检测精度均值(mAP@0.5)为97.9%,较原始YOLOv5和YOLOv8模型分别高出13.6%和10.3%,识别图像传输帧率较原YOLOv5模型提升了22 f/s。结论:该模型可以实现设施农业环境下草莓病害和养分状况的识别与检测,具有较高识别精度和较快识别速度,适用于移动底盘端部署,为草莓智能化精准喷雾作业提供一定的技术支撑。

关键词： 外观缺陷   机器学习   SVM   卷积神经网络   孪生神经网络  

摘要： 针对纽扣电池生产过程中出现的划痕、脏污、凹陷、飞边等外观缺陷,提出基于数字图像处理方法,结合机器学习的方法实现外观缺陷特征的分类。不同的缺陷特征提取难易度不同,针对负极缺陷样本,提取Hog特征数据后经SVM分类算法实现外观缺陷分类。使用卷积神经网络分类模型对正极缺陷进行特征的提取和分类,通过多个经典的分类模型进行对比实验。而缺陷类型中少样本的飞边缺陷则使用了求解极坐标变换后的斜率和孪生神经网络的方法实现识别,在不扩增数据的情况下,达到了较好的分类效果。

关键词： 交通目标检测   YOLOv7网络   注意力机制   浅层网络检测层   SIoU损失函数  

摘要： 针对交通场景中,由于光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8%mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。

关键词： 3D目标检测   深度学习   RGB-D   三维点云   室内场景  

摘要： 针对室内RGB-D场景中3D目标检测对复杂背景的适应性较差、难以进行有效采样,以及场景推断时间较长等问题,本文提出一种基于融合采样策略的轻量级RGB-D场景3D目标检测方法。该方法以场景RGB-D数据作为输入,首先通过深度相机投影将其转化为三维点云场景;然后利用一种结合距离最远点采样和特征最远点采样的融合采样策略对场景点云进行采样,有效保留了场景各实例代表点,将所有特征代表点汇集在一起形成场景的特征代表点云;最后在代表点云中利用深度霍夫投票机制投票出场景各物体的中心,并对各物体周围的相关特征进行聚类,从而实现场景的3D目标检测。实验结果表明,与传统方法相比,所提框架的目标检测准确率得到有效提升,同一评估指标下的检测准确率平均提升2.1%,且同一环境下每个场景的推断速度仅需要57 ms,远快于传统方法2倍多,从而保证了室内场景3D目标检测的准确性和高效性。

关键词： 黄土滑坡   自动识别   深度学习   目标检测   遥感图像  

摘要： 对黄土滑坡的自动识别可以有效地帮助滑坡灾害的风险管理。传统的滑坡识别方法主要依赖人工操作,效率较低。为此,探索深度学习方法,利用遥感图像进行黄土滑坡的自动识别。采用谷歌地图开源数据集,并使用深度学习模型来实现滑坡的自动检测。实验结果表明,所提的方法在准确率和召回率上取得显著提高,为黄土滑坡的自动识别提供了有力支持。