摘要：禁止开垦陡坡地范围内的违规耕种和开垦活动是水土保持法明令禁止的,针对目前对于违规耕种区的监管靠人工目视导致的检测效率低、时间成本高昂等问题,该研究设计一种基于改进yolov9的禁垦陡坡地违规耕种区遥感影像检测模型。首先,通过在yolov9的骨干网络中引入轻量级自注意力机制SimAM,验证获取全局信息和更丰富上下文信息在违规耕种区检测的作用;之后,将原有基于内核的动态上采样算子替换为超轻量化上采样算子DySample,以减少网络的参数量,提高识别速度和精度。消融试验结果表明,与原始模型相比,改进模型在权重大小、帧率基本一致的情况下,准确率、召回率、平均精度均值和F1得分分别提高了3.62、3.78、1.86、3.70个百分点。经过实地调查和遥感影像迁移试验,改进yolov9模型的平均识别精度为82.27%,优于FasterRCNN、yolov7、yolov8等主流目标检测算法,进一步验证了模型的可靠性和有效性,研究结果可为水土保持监管提供高质量数据支撑,对区域水土流失治理、生态环境保护及绿色低碳可持续发展具有重要决策意义。

摘要：针对印刷电路板生产时出现缺孔、开路、短路、毛刺和假铜等缺陷,由于缺陷尺寸微小和背景的相似性等问题造成的检测精度低,提出一种改进yolov9的电路板表面缺陷检测算法DySnake-YOLO。在特征提取部分,添加了一种动态的、查询感知的稀疏注意力机制BRA,来对印刷电路板的特征进行细粒度的提取。在特征融合部分设计了一种根据管状目标以适应电路板特性,以及关注区域连通性特征适合管状场景的RE4DConv卷积模块,提升了模型融合印刷电路板中的管状尺度特征的能力。通过在北京大学公开的PCB缺陷数据集上进行实验表明,改进后的算法相较于原型,mAP50提高了0.023,与yolov8n等主流目标检测算法相比,改进方法在mAP50、mAP50-95方面分别提升了0.071、0.085,在印刷电路板缺陷检测任务上的有着较高的应用价值。

摘要：针对钢板表面缺陷种类多、缺陷差异较大、漏检率高等问题,提出一种改进yolov9的缺陷检测算法。首先,算法通过FasterNet中的FasterBlock改进特征提取网络中的RepNCSPELAN4模块,设计了RepNCSPELAN4-FB模块,实现多尺度特征融合,从而降低模型的参数量,其次,利用iRMB的倒残差结构和一种高效多尺度注意力模块EMAttention相结合形成一种新的iEMA模块,提高网络的精确度,最后,使用Inner-WIOU损失函数,改善边界框回归损失,提高了模型对不均匀分布及不同尺度目标缺陷的检测性能。通过在GC10-DET数据集上进行实验,改进的算法在精确率、召回率和map@0.5方面相比原算法提高了3.5%、3%、2.1%。该模型在钢铁表面缺陷检测中表现有较好的性能。

摘要：针对计算资源有限的工厂化养殖对鱼群识别精度和速度之间的平衡要求,提出一种基于yolov9和FasterNet改进的轻量级养殖鱼群识别模型Fasteryolov9-Slim。首先在yolov9中引入轻量级骨干网络FasterNet以减少模型参数和计算量;其次利用高维检测头剪枝(HDPrune)降低网络深度以减少干扰信息积累;最后结合改进的特征融合模块FasterRepNCSPELAN4和下采样模块ADown、DownSimper,构建高效的颈部网络(DFA-Neck),增强特征表达同时降低计算需求。为验证所提出算法的有效性,设计了消融试验和对比试验,消融试验结果表明,FasterNet和HDPrune分别在降低参数和减弱干扰信息方面起到有效作用,DFA-Neck在整体网络中有效地协调了两者;对比试验结果显示,Fasteryolov9-Slim在工厂化养殖红鳍东方鲀数据集上的表现超越了yolov7、yolov8和yolov10系列模型中同等规模的先进识别模型,保证高精度的同时,参数值分别降低了34.14%、64.02%和22.22%。在与ShuffleNet、MobileNet和RepViT等先进轻量级网络的对比中展现出较好的综合性能。研究表明:该方法能够有效平衡模型在计算资源有限的工厂化养殖条件下鱼群识别的精度和速度。

摘要：为了解决采后苹果品质检测设备应用较少、评价参数单一及检测精度较低的问题。对机械手系统的硬件部分进行开发和测试,建立基于yolov9目标检测算法的苹果目标识别计算机视觉系统;为了便于苹果的抓取和内部质量检查,设计并制造一种末端执行器,以实现苹果的抓取和近红外光谱采集功能;采用不同的预处理方式,建立各指标预处理后的PLS模型。结果表明,苹果的目标识别准确率达到0.990 8,比较不同的光谱预处理方法,NSR和CARS的综合预处理取得最佳的糖度和硬度建模效果,MSC+CARS结合的预处理方法得到最优的酸度PLS模型,糖度模型的校正集相关系数Rc和预测集相关系数Rp分别达到0.978 9和0.976 9,校正集均方根误差RMSEC和预测集均方根误差RMSEP分别为0.300 6%和0.338 2%。选取40个苹果进行独立验证,糖度的验证集相关系数Rv为0.968 3,验证集均方根误差RMSEV达到0.430%。对机器手的分级功能进行验证,系统的整体分级精度达到95%。研究对苹果后期分选和相关领域的无损检测具有重要意义。