摘要：交通标志检测对于无人驾驶系统来说是一项具有挑战性的任务。针对交通标志检测过程中,目标小、受背景环境影响等难点,提出一种基于改进yolox-s的算法。设计ResNet50-vd-dcn替换原yolox-s中的CsPDarknet53主干网络,使用ResNet-D结合可变性卷积,减少了模型的计算量同时也保证了网络的学习能力。提出增强特征图模块,该模块利用特征图连接流和注意力机制流来减少特征图生成过程中的信息丢失,进而提高模型的表示能力。提出一种三通道加权双向特征金字塔网络替换原有特征金字塔结构,可以有效加强特征融合,提高多尺度目标识别能力。为增加模型对正样本的学习,在后处理阶段引入Focal Loss损失函数。实验结果表明,与原yolox-s算法相比,在TT100K数据集上小目标精度、小目标召回率以及mAP分别提升了2.8、4.1、2.1个百分点,同时检测速度快了2.3 FPs。在CCTsDB数据上mAP提升了1.1个百分点,检测速度为120 FPs,满足实时检测的要求。

摘要：麦穗检测与计数关乎小麦的产量预估与育种,估算小麦产量的重要指标之一就是单位面积穗数,如何准确检测单位面积穗数对于农业生产管理决策有着重要的指导作用。因此本研究提出了基于改进的yolox-s的田间麦穗检测方法对麦穗进行精准识别与计数。首先,选取多个国家的不同品种小麦图像,使用图像增强、数据清洗等方法建立全球小麦图像数据集。其次,在yolox-s的基础上根据麦穗图像的特点,重新设计了特征提取网络的深度,同时加入注意力机制,充分提取麦穗特征。将sPP模块替换为sPPF模块,在提升推理速度的同时,不降低模型性能。通过全球小麦图像数据集进行模型训练,并使用实地拍摄的麦田图像对模型进行测试。试验结果表明:通过全球小麦图像数据集的训练,改进的yolox-s网络模型的mAP达到了89.03%,精确度达到了91.21%。在实拍的麦田图像中,计数准确率达到了97.93%,平均单幅图像计数为0.194 s,单株小麦识别速度为2.8 ms,检测速度较yolox-s提升30.2%,计数速度优异,麦穗定位准确。

摘要：矿山遥感图像普遍存在大量的噪点,给后续图像分析和处理带来了很大困难。提出了一种基于轻量化目标检测模型yolox-s和多阈值分割的矿山遥感图像去噪算法。首先使用yolox-s模型对矿山遥感图像进行目标检测,得到矿山目标的位置信息。然后针对矿山目标的特点,设计了一种多阈值分割方法消除图像中的噪声点。通过将图像分为若干个子区域,并对每个子区域采用不同的阈值进行二值化处理,最终将各子区域的二值化结果合并得到去噪后的图像。试验结果表明:该算法能够有效地去除矿山遥感图像中的噪声点,并且在保留目标特征的同时,大幅提升了图像质量。此外,由于采用了轻量化模型和多阈值分割算法,使得该算法具有较快的处理速度和较低的计算成本,适用于大规模图像数据的处理任务。

摘要：虫害是造成农作物减质减产的最主要原因,引入新一代信息技术可以及时有效防治虫害。本文基于农业物联网(Internet of Agriculture,IOA)技术与yolox-s目标检测算法设计并搭建了一套农作物虫害监测系统。系统整体框架由信息感知层、信息传输层、信息服务层和系统应用层组成,选用yolox-s目标检测算法实现虫害识别功能。实验结果表明,该算法提高了农作物虫害监测的识别准确率。本文所研究的系统有助于农作物虫害防治工作,为智能化虫害防治提供重要参考。

摘要：针对零售商品包装变形和重叠使得难以有效捕捉显著且多样化的特征信息,导致检测精度不高的问题,设计了位置可学习视觉中心(LLVC,location learnable visual center)机制,对yolox-s进行改进,取得了更高的检测精度。为有效应对商品包装变形和重叠现象,首先,通过轻量级多层感知机融合不同特征通道上的信息,以充分捕获全局上下文信息;接着,通过设计的LLVC增强局部特征表示能力,并利用空间信息为局部特征分配可学习的权重,提高辨别性局部特征的关注程度;最后,将交并比(IoU,intersection over union)损失函数替换为中心交并比(CIoU,centered intersection over union),并在此基础上引入功率参数α,有效降低了漏检率。实验结果表明,所提方法在零售商品识别(RPC,retail product checkout)数据集上取得91.3%的准确率,相比yolox-s提高了2.2%,并优于目前主流的轻量级目标检测算法;同时每秒帧率(FPs,frame per second)为97 frame/s,模型大小为9.48 MB,能够在计算资源受限的场景下,准确且实时地进行零售商品检测。