关键词： 番茄成熟度   目标检测   YOLO v8n   注意力模块   轻量化   Jetson Nano  

摘要： 为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO v8n网络中引入通道嵌入位置注意力模块和改进大核卷积块注意力模块,能够在浅层网络保留番茄目标位置信息,建立目标区域之间的长距离依赖关系,从而增加YOLO v8n网络对显著番茄特征的关注。然后,在LaboroTomato数据集上进行了对比实验,改进YOLO v8n相较于原YOLO v8n网络,检测和分割的mAP@50和mAP@50-95分别提高0.4、1.4个百分点和0.3、1.2个百分点。最后,实现了改进YOLO v8n网络在低成本、低算力和低功耗的Jetson Nano平台上的轻量化部署,模型内存占用量由满溢减少到2.4 GB,推理速度加倍。该研究可为番茄采摘机器人在复杂场景下实时、准确检测番茄成熟度提供技术支撑。

关键词： 目标检测   PYNQ   YOLOv5n   轻量化   边缘端设备  

摘要： 针对边缘端设备在资源受限条件下部署深度学习目标检测算法的需求,文章提出了一种基于PYNQ(python productivity for zynq)框架的轻量化实时目标检测技术,开展YOLOv5n目标检测算法研究及适应FPGA部署的模型优化,完成PYNQ环境下的软硬件协同设计,并在ZCU104开发板上完成了系统验证。结果表明,所提技术能够实现轻量化深度学习目标检测算法的快速部署与验证,具有良好的检测精度与实时性,能效比达到10.5帧/(s·W),在低成本实时目标检测领域具有较高的应用价值。

关键词： 水稻幼苗计数   平均教师模型   目标检测   YOLOv5   多目标跟踪  

摘要： 水稻种植初期经常会遇到绿色水藻等干扰微小水稻幼苗计数的复杂环境,使得微小水稻幼苗与背景难以区分,容易造成检测计数模型性能显著下降,然而目前通用的深度学习方法无法应对复杂跨域场景下的水稻幼苗检测计数任务。为此,提出一种基于平均教师的域自适应NWD-YOLOv5模型,以解决无人机视角下的复杂环境微小水稻幼苗计数问题。为了提高模型对复杂背景下微小幼苗的检测计数能力,将基于平均教师模型的半监督域自适应训练策略集成到YOLOv5网络中,并且在YOLOv5的损失中使用基于归一化高斯Wasserstein距离(NWD)的预测框度量方法,来提高微小目标的正负样本分配准确性。实验结果表明:与原始的YOLOv5模型相比,改进模型泛化性能大幅提升,mAP@0.5值从60.0%提升到95.9%;与经典目标检测模型相比,所提的域自适应模型在mAP、模型大小和检测速度等指标上均有着较大优势;与传统人工方法相比,所提水稻幼苗计数方法准确率达到98.6%,计数时间仅为人工方法的1/5,决定系数R 2达到了0.9003;所提域自适应模型与监督学习方法Oracle性能接近,并且性能明显优于基准方法Source Only。所提方法可以大幅提高复杂多变环境下水稻植株计数的精度,能够作为水稻作物管理方法的技术支撑。

关键词： 家畜   体尺测量   3D成像   图像处理   数据处理   深度学习  

摘要： 家畜体尺数据对提升产业效益至关重要,但传统测量方法费时费力。随着计算机视觉技术及数据处理方法的进步,基于视觉技术的家畜体尺测量成为研究热点,具有高效、可持续发展等特点。其中,3D成像技术相较于2D成像技术更具优势。本文介绍了3D成像的主要技术和设备,详述了基于3D成像技术在家畜体尺测量领域的研究成果、应用方法、基本流程、特点及发展趋势。该技术在牛、猪、羊等大型家畜中均有研究;数据处理方法是研究重点;除传统长宽高等参数外,体尺测量内容正在外延。3D成像技术促进家畜体尺测量向实用化方向迈进;机器学习方法为体尺测量提供了优化泛化性能的途径;基于2D成熟的数据处理方法协同3D数据处理是当前有效的数据处理方法;基于体尺数据的体重预估是指导生产实践的重要手段。

关键词： YOLOv8目标检测   双目测距   实验分析  

摘要： 在双目测距的应用中,目标检测的精度决定了测距精度。为了选取合适的模型以减少计算量,分析部分超参数对训练结果的影响,选取YOLOv8n和YOLOv8m预训练模型,使用自定义数据集训练得到多个目标检测模型,分析了不同训练参数,如批次大小、迭代轮数和预训练权重等对训练过程和结果的影响。探讨如何在C#中使用ONNX Runtime部署YOLOv8检测模型,并基于双目视觉原理实现实时测距,该研究对部分自动化装置的目标检测和测距应用有参考价值。

关键词： 目标检测   注意力机制   棉花叶片   病虫害识别  

摘要： 为解决在自然环境下棉花病虫害检测难度大以及检测模型复杂的问题,提出了一种改进的YOLOv8n算法。该算法在YOLOv8n原有的基础上,先在骨干网络中将卷积模块替换为轻量化的SCConv模块,降低了骨干网络参数以及计算量,并在保证检测精度的同时提高检测速度;在特征融合阶段加入了SE注意力机制,强调了病虫害的信息特征并抑制无关的特征,从而提升模型在病虫害识别方面的表现;同时结合了EIoU损失函数进一步优化训练过程,提高了损失函数的收敛速度与回归精度。实验结果表明:改进后算法的平均精度均值mAP@0.5相较于YOLOv8n提升了4%、在模型参数上减少了10%,在帧数参数上提高了10帧,实验结果证明了改进YOLOv8n算法的有效性,可以满足在自然环境下棉花病虫害识别检测的基本要求。

关键词： 3D目标检测   激光雷达点云   自适应下采样   点注意力  

摘要： 点云下采样与特征提取是基于激光雷达点云的自动驾驶3D目标检测算法中不可或缺的步骤。然而,传统的下采样方式对点云中所有的数据点都是无差别选择,这使得目标上的点被均匀稀释,点数较少的目标可能会丢失其全部点,且目前的点云特征提取方式只保留特征中相同维度的最大值,不能充分利用点云特征。为改进以上不足,提出一种基于激光雷达点云自适应下采样和点注意力特征聚合的3D目标检测方法。通过使用学习式的点云自适应下采样,可以获取数据点的类别信息,从而实现激光雷达点云的分类下采样。同时,使用点注意力特征聚合方法,依据点之间的注意力系数进行采样点的特征聚合,可以充分利用点云的特征信息。在KITTI数据集上中等难度场景中对车、行人和骑行者的检测精度分别达78.49%、44.82%、63.59%,验证了该方法的有效性。与其他方法相比,其对点数较少目标物体的检测精度有明显提升。

关键词： 钢材表面缺陷检测   深度学习   目标检测   YOLOv5   空洞卷积   微小目标检测头  

摘要： 针对钢材表面缺陷检测的难点,提出一种基于YOLOv5算法的钢材表面缺陷检测方法。采用二等分的方法进行数据扩充,提高了模型的鲁棒性和泛化性;加入了通道注意力机制,提升了网络对重要特征的提取能力;增加了全局上下文特征提取模块,增强了模型对全局上下文特征的提取能力以及对不同尺寸缺陷的检测能力;增加了微小目标检测头,提升了网络对于微小瑕疵的检测能力。改进后的算法在NEU-DET数据集和GC10-DET数据集上的检测精度分别达到了83.1%和76.24%,较原YOLOv5算法提升了8.11个百分点和6.03个百分点。实验结果表明,改进后的算法性能优异,具有先进性,可以为钢材表面缺陷检测提供新的研究思路,助力于工业生产与发展。

关键词： 钻机   视频分析   目标检测   YOLOv8   注意力  

摘要： 由于井下环境复杂,低光照、人员遮挡、眩光等多种因素都会影响钻机检测精度。针对上述问题,提出一种钻机目标检测模型CAS-YOLOv8。为减少低光照因素干扰,设计了C2fGE结构,增强不同通道之间的信息融合;为解决人员遮挡问题,提出ADownCS模块,提高特征提取能力;对于眩光问题,在网络中增加混洗注意力;为减少环境中小目标对检测的干扰,依据钻机尺寸,去除特征图较小的检测头。试验结果表明,与原始YOLOv8相比,CAS-YOLOv8的mAP@0.5增加4.8%、参数量降低73.8%。

关键词： 古建筑砌体结构   壁画   裂缝   结构健康监测   数据挖掘   计算机视觉  

摘要： 通过接触式和非接触式的裂缝监测技术获取古建筑砌体结构健康监测数据,深入挖掘监测数据的有效信息,解析裂缝特征对古建筑结构监测具有重大意义。该文针对古建筑砌体结构健康监测数据提出了异常识别方法,研究了预测模型,并基于数理方法判断实时监测数据的异常概率;以砌体结构裂缝开合监测数据与结构内部场环境温湿度监测数据为研究对象,探究砌体结构裂缝开合监测数据的周期性特征及其影响因素。考虑到壁画裂缝在成像时相较于单一背景裂缝具有显著的干扰特性,研究了适用于藏式古建壁画裂缝的监测算法,改进U-Net形成了对环境干扰具备鲁棒性的壁画裂缝分割模型。针对大尺寸壁画裂缝,进一步研发了基于组件树SSR的图像分割算法,随后针对监测系统在图像采集过程中的环境影响因素进行了分析与试验,并通过模拟裂缝发展验证了监测系统在裂缝静止和扩张状态下应用的可行性。