摘要：随着城市化进程的不断加速,垃圾问题已经成为影响城市环境和居民生活质量的重要因素。为实现有效准确的垃圾分类检测,设计了yolov5s_CC模型。在骨干网络中加入CoordinateAttention注意力机制,通过关注特征图的空间信息和通道信息,可以帮助模型更好地捕捉到重要的特征。同时将Neck颈部结构的卷积方式更换为CoordConv,添加两个坐标通道,从而使其具备空间感知能力。将WIoU作为边框损失函数,通过考虑预测框和真实框之间的区域来对IoU进行加权,提升预测框的准确率。为验证算法的可行性,将数据集传入改进yolov5s_CC网络进行训练。结果表明,yolov5s_CC模型相较于原始的yolov5s模型mAP50提升3.5个百分点,FPs值为146,在高速识别图像的同时保证了识别的精度。

摘要：针对康乃馨自动化标准扦插作业需求,解决现有人工扦插模式劳动强度大的问题,该研究设计了一种抓取-扦插一体化作业的扦插机器人系统。以康乃馨生根用插穗为对象,根据插穗物料特性参数和高产栽培农艺要求,提出辅助栽植式末端执行器作业方式和抓插协同运动规划模型,基于yolov5s深度学习网络构建多目标插穗检测模型,建立扦插机器人运动学模型,提出基于MD-H(modified denavit-hartenberg)规则的逆运动学建模方法和时间最优轨迹规划算法。仿真结果表明,改进后的逆解算法和轨迹规划算法的运行时间与常规算法相比分别降低了38.3%和72.5%。搭建扦插机器人试验台,进行定位误差及整机性能试验。试验结果表明,抓取作业时X、Y方向的平均定位误差分别为2.33和2.38 mm;扦插作业时X、Y、Z方向的平均定位误差分别为2.21、2.25和2.05 mm;机器人单株平均作业总时间为14.787 s,其中识别抓取平均工作周期为6.803 s,占作业总时间的46.01%,扦插作业的平均工作时间为5.104 s,占作业总时间的34.52%;插深合格率为88%,扦插直立度为92%,漏插率和根部损伤率分别为5%和2%,基本满足自动化标准扦插作业要求。研究结果可为温室标准化扦插设备的研发与应用提供参考。

摘要：为了实现对电力输电线路中绝缘子缺陷实时快速的巡检需求,提出了一种结合FasterNet-tiny和yolov5-s-v6.1网络模型改进的缺陷快速检测算法FasterNet-yolov5。首先引入参数量小推理速度更快的FasterNet网络替换原先的CsPDarkNet53主干网络,加快网络的检测速度。然后结合由GhostNetv2网络提出的解耦全连接注意力机制(decoupled fully connected,DFC),在主干特征提取网络中设计了DFC-FasterNet模块,模块中的DFC Attention机制可以在特征提取过程中增大感受野,提升网络的检测精度。最后针对玻璃绝缘子自爆缺陷目标较小和背景较复杂的情况,重新设计Neck模块,提出BiFPN-F特征融合模块,使网络更精确地定位绝缘子缺陷区域。实验结果表明:改进后的算法可以快速精准定位,其均值平均精度(mean average precision,mAP)达到93.3%,相较于改进前提升5.67%,检测速度达到45.7 Hz,较改进前提升近1倍。同时与最新的yolov8n和yolov7-tiny相比,改进后的FasterNet-yolov5在自爆缺陷上的检测精度和速度更具优势,该文所提算法能够更快速地对绝缘子及其自爆缺陷实时定位识别。

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。