关键词： 玉米气吸式排种器   性能检测   机器视觉   YOLOv8   图像处理  

摘要： 玉米育种试验过程中,排种器的性能直接关系到播种试验的作业质量。为此,针对气吸式玉米排种器,设计了一种基于机器视觉的排种器性能检测系统。系统可以检测的排种模式有单粒播、双粒播和单双粒播,并且还能够检测在对应模式下玉米种子的漏播数和重播数等关键数据。软件系统以YOLOv8目标检测模型为基础进行改进,通过增加漏播重播计数的逻辑算法,实现对图像的分析处理,并进行排种的重播、漏播计数。通过不同条件下的试验分析,系统的检测精度与实际人工统计对比,系统播量计数总体平均准确率为99.68%,漏播检测平均准确率在99%以上,重播检测平均准确率在98%以上。试验结果表明,系统能够完成玉米排种器排种性能的鉴定与评估。

关键词： 焊接空心球   自动对中   图像处理   运动分解   自动焊接系统  

摘要： 【目的】针对焊接空心球半自动焊接系统中人工调整焊缝中心平面与焊枪对准过程存在的误差大、精度不一致等问题，本研究提出并实现了一种焊接空心球自动对中结构及控制方法，为实现焊接空心球的全自动焊接奠定了基础。【方法】在原有半自动焊接系统中增设旋转运动机构及相应驱动控制系统，实现焊缝中心平面的精确旋转控制。；通过前端监看相机图像的霍夫圆检测、掩膜法、最小二乘拟合等处理，实现焊接空心球焊缝中心提取和位置粗调；通过线激光相机图像灰度化、高斯模糊、阈值截断等处理，去除图像干扰。消除干扰后进行图像裁剪、细化和卷积，精确定位焊缝中心坐标，从而实现精确调整。【结果】测试表明，该方法能在55s内自动将焊缝中心平面与焊枪调整至同一平面。相较于人工调整，焊缝最大偏差值的准确度提高68.1%；与机器学习图像识别算法相比，焊缝平均偏差值的准确度提高12%，在树莓派等边缘计算设备上调节时间领先275%。该方法显著提高了焊接空心球的生产效率，展现出明显的优势。

关键词： 无人机航拍图像   小目标检测   空洞卷积   注意力机制   金字塔网络   多尺度特征融合  

摘要： 无人机航拍图像具有尺度差异大、背景干扰和目标模糊等特点,给小目标检测带来了诸多挑战.针对这些问题,提出了一种高效的无人机航拍小目标检测算法.首先利用空洞卷积增大感受野、保持细节分辨率的特点,设计了并行空洞卷积模块.其次设计了注意力上下采样分支模块,利用闸门机制对提取到的特征进行选择,强化特征表达.最后结合小目标检测头,设计了并行空洞卷积注意力金字塔网络,对多尺度特征进行特征融合.在VisDrone2023数据集和DOTA数据集上,所提算法在小目标检测的平均准确率均值均优于其他主流算法,相较于基线方法在平均准确率均值上提升了7.3%,参数量减少了0.58M, FPS提升了11.2达到43.5,验证了本文所提算法的高效性.在复杂场景ExDark数据集上,所提算法在平均准确率均值上优于其他低光增强模型和暗检测器,相较于PE-YOLO在平均准确率均值上提升了2.4%,验证了本文所提算法的鲁棒性和实用性.

关键词： 目标检测   YOLOv8   注意力机制   MPDIoU  

摘要： 针对当前主流目标检测算法存在目标对象和车辆行人误检与漏检的问题，基于YOLOv8提出了一种改进的目标检测算法。首先，采用多点距离交并比(Multi-Point Distance Intersection over Union, MPDIoU)边界框回归损失函数替代原完全交并比(Complete Intersection over Union, CIoU)损失函数，有效解决了当预测边界框与地面实况边界框宽高比相同时传统CIoU函数失效的问题。然后，通过嵌入大可分离内核注意力(Large Separable Kernel Attention, LSKA)机制增强算法的多尺度特征提取能力。最后，融合SCConv模块，在降低模型计算复杂度的同时提升检测精度。实验结果表明：改进后的算法相比原YOLOv8算法，准确率提升了4.07%,召回率提升了约2.95%,且检测速率达到85 f/s。

关键词： 粮仓管理   储粮害虫   检测技术   深度学习  

摘要： 高效准确地检测粮仓管理中的储粮害虫是计算机视觉与图像处理领域的重要研究方向之一。随着深度学习和图像处理技术的迅速发展，储粮害虫检测在粮食仓储领域获得了新的解决方案。本文综述了传统与基于深度学习的目标检测技术的研究进展及其在储粮害虫检测中的应用，涵盖数据采集与预处理、模型选择与训练及应用实例，展示了研究者们在提高害虫检测模型的准确率和鲁棒性（环境适应性）上取得的显著进展，以期为进一步提高储粮害虫检测技术的准确性，提升粮仓管理智能化水平，保障粮食安全提供参考。

关键词： 海杂波   慢小目标检测   变分模态分解   分数阶傅里叶变换   能量熵   奇异值分解  

摘要： 在海杂波背景下，慢速小目标的检测一直是雷达信号处理中的难点之一。这类目标的时频域特征往往与海杂波的特征高度重叠，使得传统的检测方法难以有效区分目标和杂波。为了应对这一挑战，本文提出了一种基于多种模态分解重构的办法，通过变分模态分解与分数阶傅立叶变换对海杂波背景下的目标信号进行分解，并用能量熵和奇异值分解方法重构目标信号。实测数据验证了该方法在海杂波抑制方面的显著效果，表明其可以显著提升雷达在复杂海况中的小目标检测性能，为海杂波环境下的目标检测提供了新思路和技术手段。

关键词： 井下轨道区域   目标检测   轻量化网络   注意力机制  

摘要： 煤矿井下的工作环境极为复杂，针对噪声、灰尘和阴暗区域导致目标漏检误检的问题，提出了一种基于轻量化网络融合的井下轨道异物检测方法。首先，对YOLOv7-Tiny网络框架进行针对性改进，引入FasterNet和GhostV2模块，在保持高性能水平的同时降低了模型复杂度。其次，结合ECA(Efficient Channel Attention)注意力机制设计了ELAN＿E模块，提高了模型对异物特征的敏感性。最后，采用Focal-EIoU损失函数优化坐标损失计算，进一步提升了检测准确性。实验结果表明，相较于YOLOv7-Tiny，提出方法在参数量和计算量方面分别减少了30.23%和15.15%。同时mAP(mean Average Precision)指标提升了1.2%，有效地提高了异物检测的精度和效率，为煤矿井下轨道区域入侵检测提供了有效改进方案。

关键词： 图像处理   指纹分类   双分支结构   注意力机制   特征融合  

摘要： 针对现有指纹分类算法中存在的低质量指纹难以识别、特征信息提取不充分以及提取过程中信息丢失的问题，提出一种基于双分支注意力机制的指纹纹型分类算法。算法通过提取方向场和进行Gabor滤波的双分支网络进行特征融合，充分利用指纹图像的纹线特征和全局特征；提出组合激活函数和综合注意力机制模块充分提取卷积分支上的空间特征和通道特征信息，减少提取过程中的信息丢失；设计分支特征融合模块对双分支输出的特征图进行加权，充分融合特征信息；最后引入改进的交叉熵损失缓解样本分布不平衡的问题。实验结果表明，所提算法在自建纹型数据集的四类指纹分类中取得了99.08%的准确率，在准确率、F1分数和AUC指标方面均优于其他网络模型，验证了本文算法在纹型分类任务上的有效性和优越性。

关键词： 桃子品质分级   目标检测   注意力机制   双向特征金字塔网络   损失函数  

摘要： 针对小型桃园中的桃子品质分级大多依赖人工，标准化程度低，水果品质分级相关算法检测复杂等问题，提出一种改进YOLOv8n的桃子品质分级检测模型（YOLOv8n-ABTW），主干网络（Backbone）嵌入坐标注意力机制（CA），精确捕捉目标位置变化和特征关联；颈部网络（Neck）融合简化的双向特征金字塔网络（SBiFPN）和上下文转换模块（COT），实现跨尺度特征连接，充分挖掘桃子图像中的纹理、缺陷和位置变化等静态和动态上下文信息；采用具有动态聚焦机制的Wise-IoU，减少低质量样本带来的惩罚。采集“冬雪蜜桃”和“玉妃”两个品种四个等级，共八个类别图像1226张，数据增强至3650张。在自制桃子品质分级数据集下的实验结果表明，该模型的mAP0.5比基准模型提高了2.1%，与其他模型相比mAP0.5也均有提升，为实现桃子品质分级检测提供了可行的技术方法。

关键词： 空间弱小目标检测   质心定位   注意力机制   特征融合   数量信息  

摘要： 基于深度学习的目标检测技术近年来取得了显著进展,已被广泛应用于多个领域。然而,目前尚缺乏专门针对空间目标设计的深度学习检测方法。与自然图像目标检测相比,空间目标检测面临着独特的挑战:首先,由于拍摄距离极远,空间目标在图像中通常仅呈现为包含少量像素的弱小光斑,缺乏清晰的形状和颜色特征;另外,复杂的空间环境以及设备因素会导致图像中存在各种噪声,例如杂散光引起的明亮背景、相机因素导致的热像素噪声;最后,视场中密集的恒星会导致在空间图像中容易出现部分光斑相互粘连的情况。上述难点无疑增加了空间目标检测的难度。本文提出了一种基于信息表征增强的无锚框空间弱小目标检测方法,该方法通过设计端到端卷积神经网络模型,能够实现同时对空间弱小目标检测和质心定位。针对目标弱小、背景噪声干扰的问题,我们首先设计了跨空间-通道注意力模块和压缩-激励的多尺度特征融合模块,提升模型对含噪图像中弱小目标的有效信息关注度,从而提高噪声背景下目标的检测能力;在此基础上,为了进一步解决光斑粘连的问题,我们引入了基于密度图的损失函数,通过使模型更加直接地学习图像中目标的整体空间分布与数量信息,以此使模型掌握粘连光斑中目标的数量,从而更准确分辨粘连光斑中各个独立目标。此外,本文仿真了包含点状、条状目标和多种噪声背景的空间图像,并对目标的质心位置、边界框和像素坐标进行了精细标注。为验证方法的有效性,我们在本文的仿真图像与公开的实拍序列图像数据集SpotGEO中进行了实验验证。在仿真图像数据测试中,本文方法的F1分数为95.34%,并实现了0.4478的亚像元级平均质心定位精度。同时,我们还对本文方法进行了不同噪声强度影响下质心定位精度测试以及不同硬件条件下处理效率测试,以更全面分析本文方法的能力。在公开的实拍序列图像数据集SpotGEO中,本文方法结合引入的序列后处理方法取得的F1分数为93.08%。实验结果证明了本文方法对空间弱小目标准确检测和精确定位方面的优越性能。