关键词： 草莓目标检测   深度学习   注意力机制   轻量化模型   迁移学习  

摘要： 为实现草莓采摘时精准检测,同时考虑到嵌入式设备内存小、计算能力低下,而当下目标检测模型参数量和计算量巨大的问题,提出一种基于YOLOv5s的轻量化网络模型。首先,对YOLOv5s进行轻量化处理,利用深度卷积(DWConv)替换普通卷积,同时用C3Ghost模块替换原网络模型中的C3模块,降低模型的复杂度。然后,为增强主干网络对特征信息的提取能力,加强输入特征图通道间的信息交互,在主干网络的C3模块中融合高效通道注意力(ECA)结构,在特征融合网络添加无参数注意力模块(SimAM),使网络聚焦更多的有效特征信息,达到不增加模型的参数量,同时又提升模型识别精度的目的。最后,结合迁移学习加快模型收敛速度并进一步提升模型检测精度。结果表明,轻量化后的网络模型体积减小55.8%,计算量减少55.1%,在自制草莓数据集上的平均精度均值mAP@0.75达到74.9%,比原模型提高3.1%,单张图片平均推理时间仅6.4 ms,能够实现在草莓采摘任务中的精准快速检测,为草莓生产智能化提供支持。

关键词： YOLOv8s   局部全局自注意力   空间通道稀疏注意力   Soft-NMS  

摘要： 针对红外船舶图像检测中存在目标尺度变化大、密集堆叠目标多、小目标细节丢失等问题,提出了一种基于局部全局自注意与空间通道稀疏增强的红外船舶目标检测算法。首先,在YOLOv8s主干网络中融入局部全局自注意力模块,以获取更丰富的局部和全局特征,解决深度特征提取过程中的信息稀释丢失问题,实现细致化聚焦目标特征,增强特征间依赖关系,提高小目标的特征提取能力。其次,在颈部网络中加入空间通道稀疏注意力模块,将分块特征提取与通道稀疏策略深度融合,提升多尺度目标的空间信息捕获能力,重构通道信息,再对特征重标定,强化重要特征信息的影响,增强多尺度特征融合能力。最后,采用引入了递减置信度惩罚因子的Soft-NMS改进NMS,优化堆叠目标与小目标误检漏检的问题。实验结果表明,改进后的YOLOv8s模型相较于基准模型,在mAP0.5和mAP0.5∶0.95评价指标上分别提高了2.1%和4.4%,达到95.7%和72.8%,进一步验证了该算法在提升红外船舶目标检测精度上的有效性。同时,与其他经典模型和最新的YOLOv11模型相比,该算法在检测精度方面具有更好的性能。

关键词： 视频监控   人工智能   目标检测   行为识别  

摘要： 基于人工智能的视频安防监控智能识别与分析技术通过深度学习算法实现目标检测、行为识别和异常事件预警等功能。该技术在目标追踪、行为分析和场景理解等方面具有显著优势,可有效提升监控系统的智能化水平。通过优化神经网络模型结构,改进特征提取方法,显著提高了目标识别准确率和系统实时性。实验表明,该技术在复杂场景下仍能保持稳定可靠的识别效果,为智慧安防发展提供了新思路。

关键词： 图像处理   运行一体化   边缘检测   AGV系统   自适应检测   霍夫直线变换  

摘要： AGV系统作为一种典型的复杂产品,具有开发周期长、定制成本高、售后服务需求性高等特点。AGV系统通常在工业领域运输元器件生产的任务中表现良好,可以通过系统内部的定位导航实现运输任务的全自动进行。但是,传统AGV系统只能在固定线路上运行而且缺乏灵活性。针对这一问题,提出了一种基于边缘检测的自适应AGV系统。系统基于图像边缘检测等原理进行道路路径的自适应检测,同时结合霍夫直线变换方法,提高了AGV系统的鲁棒性和自适应性,实现了系统的高效协同与联动,有力地推动了AGV系统转型升级。

关键词： 图像处理   可见光与红外光   深度学习   图像融合   多尺度   跨阶段密集连接  

摘要： 针对目前可见光与红外光图像融合过程中的关键细节信息丢失,目标对比度较低的问题,提出一种基于多尺度跨阶段密集连接网络的图像融合算法。通过多尺度卷积与跨阶段的密集连接网络实现双模态图像的特征提取工作,结合CA注意力机制提高模型的融合效果,并以L1范数作为特征融合规则来获取融合特征图,并最终通过解码网络实现图像的重构工作。实验结果表明,在公共数据集TNO中,文中提出的算法在结构相似度、信息熵以及差异相关系数三项指标中获得了最优值,相较于次优值分别提高了4.14%、2.66%、2.59%,在边缘信息度量上取得了次优值,与最优值相差3.3%。综合主客观评价,文中提出的方法可获取高质量的融合图像,具有明显的优势。

关键词： 目标检测   激光雷达   自动驾驶   单阶段  

摘要： 激光雷达目标检测近年来开始借鉴图像目标检测的网络设计,但依然存在计算低效无法满足实时应用以及网络结构简单导致性能不足的问题.为此,提出的网络采用了单阶段无锚框的简洁设计;优化了激光点云体素化表达,在提升计算效率的同时保留了一部分点云高程特征;基于残差网络的思想,设计了更深的主干网络结构用于提取深度特征;引入特征金字塔来提升小目标的检测效果.在公开数据集KITTI上,所提网络的mAP指标在各类别目标的检测中均取得了领先的性能(提高了1%~3%).在自动驾驶计算平台上的运行时间测试表明,所提网络能够达到43 ms/帧的处理速度,满足实时性需求.

关键词： 自动驾驶   目标检测   YOLO算法   深度学习  

摘要： 随着自动驾驶技术的迅速发展,准确高效的目标检测已成为环境感知技术中的关键研究方向。YOLO系列算法作为一种单阶段算法,不仅在自动驾驶中展现了巨大的潜力,还被广泛应用于各个领域。文章首先总结了基于深度学习的目标检测算法,并回顾了YOLO算法的发展历程;然后,概述了目标检测领域常用的评估指标,并讨论了YOLOv1至YOLOv10算法在自动驾驶场景中的应用,重点分析了YOLO算法在交通标志、车辆与行人、路面状态及车道线检测中的应用情况。最后,展望了YOLO检测算法在未来自动驾驶领域的发展趋势及潜在优化方向。

关键词： 图像处理   图像融合   深度可分离卷积   注意力机制   损失函数  

摘要： 在红外与可见光图像融合时,融合后图像常出现显著目标不突出、可见光信息表达不充分的问题,且在亮度不均衡条件下,易出现边缘模糊和局部信息不均衡。因此,提出了结合注意力机制与均衡损失的图像融合算法(DepthwiseSeparable,Squeeze-and-Excitation,andEquilibriumLoss-based Convolutional Neural Network, DSEL-CNN)。首先,使用深度可分离卷积提取图像特征;其次,在融合策略中使用Squeeze-and-Excitation注意力机制来提高有效信息的权重;最后,利用均衡组合损失函数计算融合后图像损失,进行图像信息均衡。与FusionGAN、Dense Fuse和其它4种融合算法在TNO和MSRS公开数据集中进行主客观对比实验,其中互信息值、视觉信息保真度、边缘信息保留指标较其它6种算法分别最高提高了1.033、0.083、0.069,实验结果表明所提算法与6种常用融合算法相比,在融合图像视觉感观、信息含量、边缘和纹理保留方面均有提升。

关键词： 目标检测   计算机视觉   小目标   复杂场景  

摘要： 目标检测作为计算机视觉领域的核心分支,为众多复杂视觉任务奠定了基石。近年来,随着深度学习技术的飞速进步,目标识别能力实现了突破性提升,现已广泛渗透至自动驾驶、智慧交通体系、工业智能化以及医疗影像分析等诸多行业。尽管如此,微小目标识别在图像处理领域仍面临诸多挑战,如像素资源的局限和特征信息的匮乏,使其成为当下科研的热点与难点。特别是在错综复杂的现实环境中,这些微小目标常遭遇遮挡和尺度波动等多重考验,无疑为识别工作增添了额外的复杂性。本文回顾了小目标检测算法的发展历程,对现有算法进行了细致的分类、深入的分析与综合比较。最后,对小目标检测技术的未来趋势进行了展望与探讨。

关键词： 智能变电站   多视角巡视   AI巡视   目标跟踪   跟踪系统  

摘要： 为了优化AI巡视视频目标跟踪系统多视角目标的捕捉能力,设计了一种新的智能变电站多视角AI巡视视频目标跟踪系统,对系统硬件和软件进行优化。系统硬件由DSP、视频解码器、视频编码器和控制电路四部分组成,选用TM9053113型DAV媒体专用处理器进行数据处理的同时,采用ADV21839型的视频解码器和DM3344型的视频编码器实现解码和编码。软件部分利用高斯单背景模型进行目标分割,计算代价函数从而实现实时跟踪和连续跟踪。实验结果表明,智能变电站多视角AI巡视视频目标跟踪系统能够精准地捕捉目标,丢失率低于0.1%。