摘要：海底成像质量差、分辨率低导致目标边缘模糊、识别困难,小目标的聚集又增加了漏检和误检的风险。针对这些问题,考虑到yolov7-tiny算法兼顾高精确度和小体积的特点,在其基础上设计了yolo-sea网络检测算法。针对低分辨率场景小目标的特征学习不足、细粒度信息易丢失的问题,基于SPDConv(space-to-depth convolution)改进主干网络,提高低分辨率场景下密集小目标特征的提取能力。针对海底成像模糊、目标边缘识别困难的问题,设计了参数共享对比度增强注意力机制(parameter shared contrast enhanced attention,PSCEA)来优化局部细节和边缘信息的表示。基于yolov9的GELAN架构和DSConv(dynamic snake convolution)的思想,设计高效的聚合模块DSCELAN,轻量化同时增强对海底海参、鱼类等细长目标的聚焦能力。重构检测头,进一步提升小目标的检测效果。改进后的模型yolo-sea算法在DUO数据集上的mAP提升了2.8个百分点,参数量减少了41%,证明了该创新在海底检测方面的优势。在主流网络yolov5s、yolov7-tiny和yolov8n上均进行注意力对比实验,加入PSCEA机制后使mAP分别提高了1.1、1.3和0.7个百分点,证明了该机制的泛化性和有效性。

摘要：为实现yolo(you only look once)模型的超参数自动优化,提出基于正交优化策略的yolo模型超参数优化方法(hyper-parameter optimization of yolo model based on orthogonal optimization strategy,OOS)。首先基于统计学的正交试验原理,提出了种群的正交搜索方法与超参数贡献度分析策略,提高了算法的优化效率;然后,设计了均匀正交搜索策略和邻域正交搜索策略,以缓解yolo模型陷入局部最优和早熟收敛问题。最后,在NWPU VHR-10和Pascal VOC两个目标检测数据集上,以yolov5、yolov5s-Transformer和yolov7为优化对象进行测试,测试结果表明,所提出的OOS超参数优化方法对于yolo模型的识别精度均有所提升。在两个数据集上的平均识别精度mAP@0.5分别提升至93.94%、93.18%、93.45%以及85.81%、84.59%、90.62%;mAP@0.5-0.95提升至60.00%、60.08%、56.98%以及62.27%、58.89%、71.91%,可为目标检测模型的超参数智能优化提供一种新方法。

摘要：印刷电路板作为电子信息产业的基础,其产品质量对后续生产的电子产品有着决定性影响.印刷电路板背景复杂、缺陷细微以及形状不规则的影响,导致现有的印刷电路板缺陷检测存在检测遗漏和误报等问题.针对上述问题,提出了一种改进的印刷电路板缺陷检测算法ECARA-yolo.引入了高效通道注意力机制,利用自适应的局部交互策略捕获空间信息,增强对小目标缺陷特征的提取能力.将高效通道注意力机制和内容感知特征重组模块相结合,设计了一种特征融合网络ARANeck.内容感知特征重组模块将语义信息与内容信息结合并采样,同时通过高效注意力机制实现目标聚焦,使得小目标缺陷检测更加全面且高效.实验结果表明,改进后的算法在mAP指数上达到96.2%,相较于四种经典模型Faster-RCNN,yolov4,yolov5s和yolov8,分别提高了7.1%,9.2%,3.9%和1.9%.在六种类型缺陷的检测上,与四种经典模型分类对比,ECARA-yolo具有显著优势.与现有的方法相比,该算法有效提升了复杂环境下印刷电路板微小缺陷的检测精度,在工业检测领域研究上具有一定的参考价值.

摘要：针对当前扣件拆装作业自动化程度较低以及扣件道钉安装扭矩难以控制的问题,设计了一种扣件自动拆装机器人。该机器人具备基于机器视觉的道钉识别定位、电动扳手定扭矩和自动走行功能,可同时拆装8个道钉。文章就扣件自动拆装机器人的工作原理与总体设计方案进行了介绍,详细阐述了该设备电气系统各主要模块的设计方案,阐明了机器人的控制策略,表明该扣件自动拆装机器人能够满足扣件拆装作业的自动化需求。

摘要：针对传统探地雷达管线目标检测方法存在的无法精确定位管线、解译过程耗时长效率低下、复杂背景噪声干扰等问题,本文设计一种基于yolov8的探地雷达图像管线目标检测方法,对原yolov8网络进行改进。首先,在主干网络中引入PConv算子,使网络结构更加轻量化,加快模型处理速度,减少冗余计算和内存访问。其次,引入Triplet Attention模块以增强模型在不同维度间的特征提取能力,提高复杂背景下的目标检测精度。最后,将边界框损失函数替换为WiseIoU,提升边界框的回归性能和鲁棒性。以探地雷达管线数据集为例进行实验,结果表明,本文提出的改进模型在检测精度与计算开销上取得了更好的效果。

摘要：目前在工业流水线生产过程中主要采用人工检测的方法来剔除不合格纸板,这种方法效率低下,因此在生产过程中实现高能效的、准确的对纸板表面缺陷进行自动检测具有实际意义;依据yolo系列网络在目标检测领域的优异表现和FPGA部署网络模型的高能效性,提出了一种基于FPGA的高能效纸板缺陷检测系统,通过yolov7-Tiny网络训练纸板缺陷数据集,并采用QAT对网络模型进行再训练和量化,在检测精度仅损失0.36%前提下,将权重和特征图数据量化为8位,降低了硬件资源的消耗;设计了一种复用型多节点可配置架构的硬件加速器,通过多个配置节点实现对不同网络层的推理加速,对各个网络层在硬件层面进行了优化设计,并采用了层内和层间协同的流水线化设计;整个硬件加速系统通过软硬件协同设计实现,合理划分软硬件任务,实现了硬件加速器与软核处理器高度并行工作;最终在Xilinx VC707 FPGA评估板上,以200 MHz的工作频率实现了177.96 GOPS的吞吐量,同时仅消耗了6.5 W的功耗,实现了27.38 GOPS/W的高能效,分别为I5-10400F CPU的19.7倍和GTX 2070S GPU的8.6倍,兼顾了检测速度和功耗,满足了纸板生产的工业环境需求。

摘要：针对现有的水面清洁装置大多无法实现全水面自主清洁的问题,设计了一种基于深度学习的水面清洁机器人。该机器人配合双螺旋桨电动机驱动、连杆聚拢垃圾结构、曲轴递推结构,能较好地完成水面自主清洁巡航。配合视觉系统,应用卷积神经网络进行训练,通过骨干网络、Ancher-Free检测头和损失函数等算法,使用yolo PT模型,经过300次迭代,在自建数据集中,垃圾识别准确率达87%以上。该机器人同时提供方位数据,可实现无人自主系泊,为城市小型水面的治理提供了解决方案,并提高了垃圾回收利用率。

摘要：为了提高yolo识别较小目标的能力,解决其在特征提取过程中的信息丢失问题,提出改进的yolo特征提取算法.将目标检测方法 DPM与R-FCN融入到yolo中,设计一种改进的神经网络结构,包含一个全连接层以及先池化再卷积的特征提取模式以减少特征信息的丢失.然后,设计基于RPN的滑动窗口合并算法,进而形成基于改进yolo的特征提取算法.搭建服务机器人情境检测平台,给出服务机器人情境检测的总体工作流程.设计家居环境下的六类情境,建立训练数据集、验证数据集和4类测试数据集.测试分析训练步骤与预测概率估计值、学习率与识别准确性之间的关系,找出了适合所提出算法的训练步骤与学习率的经验值.测试结果表明:所提出的算法隐私情境检测准确率为94.48%,有较强的识别鲁棒性.最后,与yolo算法的比较结果表明,本文算法在识别准确率方面优于yolo算法.

摘要：动植物表型是动植物特征与性状的定量描述,表型特征的精准计算与分析是推进数字农业发展的重要基础。得益于深度学习技术的迅猛发展,以yolo系列算法为代表的计算机视觉模型在动植物表型分析任务中展现出了优良性能和巨大潜力。以家畜类、家禽类、作物类、果蔬类等动植物为对象,分别从目标检测、关键点检测、目标分割3方面概述了yolo系列算法应用研究进展。最后指出yolo系列算法未来发展趋势,包括轻量化架构设计、小目标精准检测、弱监督学习、复杂场景部署、大模型目标检测等。

摘要：随着空中加油技术的发展,自主空中加油(autonomous aerial refueling,AAR)成为未来战场上的重要技术,是具有前瞻性和挑战性的前沿课题。受油机和锥套之间的位置关系对于AAR十分重要,故此提出一种基于神经网络的锥套图像识别方法。针对硬件要求,使用以C语言为基础的yolo网络作为初始网络,使其符合机载操作系统VxWorks的要求,可直接在嵌入式系统上运行。针对锥套的物理特点,设计了多维度的anchor box,优化了网络结构以适应锥套的多尺寸情况。针对识别结果漂移的问题,参考金字塔结构使用了多种大小的特征图,优化了网络的损失函数。测试结果表明,经过优化设计的卷积神经网络模型在锥套图像数据集上能够更准确、更快速地识别所需目标。