摘要：针对传统鱼体头尾及腹背定向输送由人工操作完成,劳动强度大、生产效率低等问题,该研究探索了利用机器视觉技术结合输送装置实现鱼体头尾及腹背定向排列输送的方法。该研究以鲐鱼(scomber japonicus)为研究对象,在对鱼体形态特征及物理特性检测的基础上,设计了由鱼体提升装置、鱼体分离输送装置、鱼体头尾及腹背定向输送装置、鱼体返回输送装置、定向控制系统等部件组成的鲐鱼鱼体定向排列输送装置;构建yolov5s目标检测模型对鲐鱼的头尾朝向和腹背朝向进行识别,并根据识别结果控制鱼体定向排列输送完成鲐鱼的头尾和腹背定向作业,检测模型在测试集上的精确率为99.76%,召回率为99.59%,平均检测精度值为99.5%;试制了鱼体定向排列输送装置样机,以单条鱼体提升成功率为评价指标,对不同输送速度下鱼体提升装置的输送效果进行试验;同时以鱼体的头尾定向成功率和腹背定向成功率作为评价指标,以鱼体提升装置输送速度、鱼体分离输送装置输送速度、鱼体头尾及腹背定向输送装置输送速度为试验因素,对鱼体定向排列输送装置的定向输送效果进行试验。试验结果表明:鱼体提升装置在不同输送速度下,都能有效实现鱼体单条分离并向上提升,且不存在鱼体重叠向上输送的情况;当鱼体提升装置输送速度为0.05 m/s、鱼体分离输送装置输送速度为0.45 m/s、鱼体头尾及腹背定向输送装置输送速度为0.60 m/s时,鲐鱼鱼体的头尾定向成功率平均为97.2%,腹背定向成功率平均为95.6%,鱼体定向输送速度可达15条/min。研究结果可为其他淡水鱼鱼体定向排列输送装置的研制提供参考。

摘要：在合成孔径雷达(sAR)图像飞机目标检测识别中,飞机目标图像呈现离散特性以及结构之间的相似性会降低飞机检测与识别的准确率。为此该文设计了一种目标区域特征增强的sAR图像飞机目标检测与识别网络。网络由3部分组成:保护飞机特征的跨阶段部分网络(FP-CsPDarnet)、自适应特征融合的特征金字塔(FPN-A)以及目标区域散射特征提取与增强的检测头(D-Head)。FP-CsPDarnet在提取特征的同时可以有效保护sAR图像飞机特征;FPN-A采用多层次特征自适应融合、细化,来增强飞机特征;D-Head在检测前有效增强飞机可辨别特征,提升飞机检测与识别精度。利用sAR-ADRD数据集的实验结果证明了该文所提方法有效性,其平均精度相对与基线网络yolov5s提升了2.0%。

摘要：针对星载或机载高分辨率合成孔径雷达(synthetic aperture radar,sAR)实时成像后的大幅宽sAR图像舰船实时检测的应用需求,传统的基于FPGA+DsP的嵌入式系统很难同时实现sAR成像处理和基于人工智能技术的大幅宽sAR图像舰船实时检测,为此设计了一种基于3U VPX FPGA+GPU架构的大幅宽sAR图像嵌入式舰船实时检测系统;提出了一种基于yolov5s的舰船检测模型,采用基于L2-范数稀疏性惩罚的缩放因子控制法进行轻量化,轻量化舰船检测模型的参数量减小了47.39%,计算量减少了18.67%,平均检测精度为0.968;将轻量化舰船检测模型应用于大幅宽sAR图像嵌入式舰船实时检测系统,并针对典型的10 km5;10 km的大幅宽图像应用场景,设计开发基于多线程技术和基于GPU的众核并行计算技术的大幅宽sAR图像嵌入式实时检测系统软件;通过公开的sAR数据集进行功能验证和性能评估,该系统能够满足不同分辨率的大幅宽sAR图像舰船实时检测需求。

摘要：由于目标视频中存在目标小、距离远等影响检测效果的因素,对小目标的捕捉难度较大,提出一种面向小目标的多空间层次安全帽佩戴检测算法,该算法将在yolov5s的网络模型基础上进行个性化改进。设计一种多空间注意力模块,从不同角度考虑空间特征的效果并加以融合,加强显著性特征的空间位置关系;融合多空间尺度的特征,同时结合特征提取过程中的多种特征,适应对不同空间层次目标的捕捉,提高对小目标的检测能力;利用数据增强提高数据集的泛用性,使训练目标适应更多样的情景;优化损失函数,增强回归能力,提高训练效果。实验结果表明,所提算法的平均准确率达到91.5%,明显地减少了漏检情况。除此之外,将其部署到实际施工现场,展现了出对小目标优越的检测性能,具有极大的应用价值。

摘要：为解决智能交通系统中车标识别的问题,提出yolov5s网络车标定位多特征融合的车标图像识别方案。车标定位阶段选择yolov5s网络以满足对车标定位速度与精度等的需求。车标识别阶段通过调整扩展高斯差分中的参数得到具有不同效果的车标边缘,设计一组二维Gabor滤波器对边缘检测后的车标图像进行滤波处理并提取出对应的车标图像特征向量,通过计算待测车标图像特征与标准比对库中特征向量的欧几里德距离,取距离最小者对应的标签索引作为分类识别结果,该方案的最佳识别正确率为96.91%。采用随机森林算法进行分类后的最佳识别正确率可达99.33%。该方案的车标定位与识别最佳整体正确率超过了yolov5s网络直接一步到位识别车标的方案,且相较于传统图像处理方法有明显提升。

摘要：为了实现嵌入式除草机器人在玉米田间准确、快速的进行除草工作,提出了一种实时目标检测算法GBCyolov5s。使用15;1卷积和深度可分离卷积的组合替代普通卷积,在不改变输出特征图大小的情况下减少主干网络产生的杂草冗余特征。设计了一种双向特征融合网络(s-BiFPN)增强特征提取能力,充分利用不同尺度的特征提高杂草检测速度,并将多通道结构与自注意力机制结合,通过对输入特征进行压缩与再加权,以加强对小目标的关注度。针对不同的环境构建MWeed数据集进行测试,结果表明,与现有yolov5s、Faster RCNN等模型方法相比,GBC-yolov5s模型轻量化后的大小仅为3.3 MB,输入图像的检测耗时(GPU)达到15.6 ms,平均精度(mAP)达到96.3%,能够有效地提升目标检测速度和识别精度,为农业智能除草领域提供理论依据。

摘要：[目的]针对交通密集的港口、船舶聚集的渔船作业区以及船岸混合交通场景等复杂环境,提出一种基于YOLO-FNC模型的船舶检测方法。[方法]首先,设计一种基于FasterNet思想的神经网络模块FasterNeXt,并将该模块替换YOLO模型中的C3模块,在不影响准确性的条件下确保运行速度更快。其次,将NAM注意力机制融入网络结构中,通过利用稀疏的权重惩罚抑制特征权重确保权重的计算更加高效。最后,提出新的边界框回归损失以加快预测帧调整并增加帧回归率,提升网络模型收敛速度。[结果]实验结果表明,在自建的复杂场景下船舶数据集进行检测实验,与yolov5s算法相比,所提方法的mAP@0.5提升6.35%,参数量减少9.74%,计算量减少11.39%。[结论]该检测方法有效实现了轻量化、高精度的船舶检测。

摘要：[目的]针对苹果无损检测过程中表面缺陷检测精度低的问题,提出一种基于DsCs-YOLO的苹果表面缺陷检测方法。[方法]首先为提高网络对表面缺陷细节特征的提取能力,设计一种基于Dense模块以及sE模块的深浅特征选择模块DsCs(deep and shallow feature selection module),采用DsCs替换Backbone中的C3模块,在保留表面缺陷浅层信息的基础上强化对重要特征的学习,并起到削弱冗余特征的作用;针对Backbone与Neck部分输出信息过多导致的参数耦合问题,利用解耦头原理对Head层部分进行分层预测。其次采用ELU激活函数改进原有解耦头,简化末端结构,使网络训练更加容易。最后针对表面缺陷标注困难的问题,采用Wise-IoU损失函数代替CIoU损失函数,为不同质量的标注提供非线性增益,实现网络的动态聚焦学习。[结果]DsCs-YOLO提高了对小目标的检测能力,在苹果表面缺陷测试集上平均精度均值达到90.9%,相较于yolov3-tiny、yolov5s、YOLOX-s以及ssD分别提高了4.5%、1.9%、6.3%、16.3%,检测效果最优。同时模型参数量为9.54 M,推理时间仅为2.8 ms,检测速度快,满足实际应用需求。[结论]改进后的DsCs-YOLO提高了yolov5s算法的精度,实现了苹果表面缺陷的精准识别。

摘要：为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-yolov5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GsConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于yolov5s,RDM-yolov5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。

摘要：针对当前水稻穴播机缺乏实时监测和自主调节机制,无法对播种状态进行实时修正的弊端,为进一步提升穴播机的核心性能指标,提出一种基于深度学习的水稻精量穴播排种系统。采用yolov5检测模型在自制水稻种粒数据集上进行特征训练,通过增加检测尺度和优化初始锚框参数增强算法模型对小目标颗粒对象的检测精度,将训练好的水稻种粒检测器与DeepsORT算法连接,实现对水稻种粒的追踪计数。机具控制端将检测模型输出结果与农艺指标进行对比,通过计算种粒数量偏差实时修正振送器送种速率,运用PID控制技术实时对排种状态进行自我调节,最终实现智能排种。研究结果显示,经过优化后的yolov5水稻种粒检测器准确率为98.6%,召回率为98.8%,平均精度为99.1%,相较于原版yolov5准确率上升了3.0百分点,召回率提升了3.6百分点,平均精度提升了3.2百分点;本设计水稻排种系统空穴率为1.33%,穴粒合格率为95.6%,符合水稻直播机国家标准,相较于未引入深度学习的样机空穴率下降了2.12百分点,穴粒合格率提升了8.73百分点。结果表明,本设计的水稻穴播排钟系统在检测性能和核心指标上均有提升,可以为传统农机与人工智能结合提供参考借鉴。