切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难...切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难点,提出了一种基于改进YOLOv5安装在切段式甘蔗机上的机收蔗含杂率检测的方法。首先,针对工业相机拍摄的蔗段目标为小目标的应用场景,增加小目标检测层,增强网络模型对其的专注;其次,将C3模块替换成C2f模块,提高网络模型对小物体、低对比度目标的检测速度和检测精度;最后,加入加权交并比WIoU(Weighted Intersection over Union)损失函数,提升预测框的回归精度,增强数据集训练效果。试验结果表明:基于改进YOLOv5的机收蔗含杂率检测模型,蔗段识别准确率达95.2%、mAP(mean Average Precision)值为62.5%,相较于原始YOLOv5模型分别提高了15.3、13.5个百分点,性能优于YOLOv7、YOLOv8等模型。在台架试验中,改进后模型检测的含杂率平均相对误差为19.58%,比改进前模型降低了38.12个百分点;含杂率平均值为7.31%,比人工测量的实际含杂率高出0.05个百分点。因此,此方法是一种实时性强、效率高、准确性高且能全量检测机收蔗含杂率的方法,能够为田间甘蔗收获作业质量提供技术支撑。展开更多
针对山区道路落石分布杂乱无序、小目标碎石难以识别等问题,提出一种基于YOLOv8(you only look once version 8)框架的山区道路落石检测模型。该模型将PPA(parallelized patch-aware attention)模块的特征融合策略及特征提取结构进行改...针对山区道路落石分布杂乱无序、小目标碎石难以识别等问题,提出一种基于YOLOv8(you only look once version 8)框架的山区道路落石检测模型。该模型将PPA(parallelized patch-aware attention)模块的特征融合策略及特征提取结构进行改进,完成EFF-PPA(enhance feature fusion-PPA)模块的设计,再利用其对基础模型的主卷积模块进行优化重构,提出EFP-C2f模块,使模型保留更丰富的特征信息;根据数据集特点,在颈部网络中加入大目标检测层,提升模型对大目标的检测精度;提出一种采用部分解耦结构设计的轻量级多尺度适应性LMSA(lightweight multi-scale adaptability)检测头,该检测头由使用组归一化层的EMSConv(efficient multi-scale conv)模块和分离出组归一化层的共享参数卷积组成,在进行适当轻量化的同时,提升检测精度。在自制落石数据集中,基础模型和改进模型的平均精度分别达到87.7%和89.8%,改进模型的精度更高,并保持高检测速度,帧率达到212.1帧/秒。在实地采集的不同场景任务中,改进模型能够准确识别各类目标,表现出良好的泛化能力。目前,关于山区道路落石检测的研究较少,本文设计中基于问题导向的模型改进思路具有很好的参考价值。展开更多
红外弱小目标检测任务是探测领域的重要课题。针对现有方法中存在的计算冗余问题,提出了基于高效层聚合网络的红外弱小目标检测模型,实现了高效精确的红外弱小目标检测。首先,在经典的U-Net结构网络上使用高效层聚合网络替换传统的残差...红外弱小目标检测任务是探测领域的重要课题。针对现有方法中存在的计算冗余问题,提出了基于高效层聚合网络的红外弱小目标检测模型,实现了高效精确的红外弱小目标检测。首先,在经典的U-Net结构网络上使用高效层聚合网络替换传统的残差结构,提高网络的特征提取能力,同时减少计算冗余。然后,对不同尺度的特征进行融合,优化深层网络的梯度传播。最后,通过混合损失函数提供不同的训练信号,提高模型收敛速度。实验结果表明,提出的基于高效层聚合网络的红外弱小目标检测方法能实现复杂场景下的红外弱小目标检测任务,在NUDT-SIRST数据集上交并比(Intersection over Union,IoU)达到了90.88%,检测率(Probability of Detection,PD)指标达到了99.36%,与主流模型对比,均达到了最优水平。展开更多
针对露天矿生产场景中存在着目标像素低、小目标众多、背景复杂等问题,在YOLOv5s的基础上提出一种多尺度和超分辨率网络(multiscale and super-resolution network,MS_Net)。在特征融合模块,将PANet的三尺度检测升级为四尺度检测,提高...针对露天矿生产场景中存在着目标像素低、小目标众多、背景复杂等问题,在YOLOv5s的基础上提出一种多尺度和超分辨率网络(multiscale and super-resolution network,MS_Net)。在特征融合模块,将PANet的三尺度检测升级为四尺度检测,提高网络的多尺度学习能力,并使用子像素卷积作为上采样方法;提出一种多层融合(multi layer fusion,MLF)模块,融合了PANet 3个输出层的特征,得到一个具有丰富语义信息和空间信息的特征图;在预测层中,使用SIoU作为定位损失函数,优化模型的参数。实验结果表明:MS_Net网络在PASCALVOC数据集上mAP为79.4%,FPS为59;在矿山数据集上mAP为80.2%,FPS为64.5,模型可快速、准确、高效地对露天矿中的目标进行识别检测。展开更多
文摘切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难点,提出了一种基于改进YOLOv5安装在切段式甘蔗机上的机收蔗含杂率检测的方法。首先,针对工业相机拍摄的蔗段目标为小目标的应用场景,增加小目标检测层,增强网络模型对其的专注;其次,将C3模块替换成C2f模块,提高网络模型对小物体、低对比度目标的检测速度和检测精度;最后,加入加权交并比WIoU(Weighted Intersection over Union)损失函数,提升预测框的回归精度,增强数据集训练效果。试验结果表明:基于改进YOLOv5的机收蔗含杂率检测模型,蔗段识别准确率达95.2%、mAP(mean Average Precision)值为62.5%,相较于原始YOLOv5模型分别提高了15.3、13.5个百分点,性能优于YOLOv7、YOLOv8等模型。在台架试验中,改进后模型检测的含杂率平均相对误差为19.58%,比改进前模型降低了38.12个百分点;含杂率平均值为7.31%,比人工测量的实际含杂率高出0.05个百分点。因此,此方法是一种实时性强、效率高、准确性高且能全量检测机收蔗含杂率的方法,能够为田间甘蔗收获作业质量提供技术支撑。
文摘针对山区道路落石分布杂乱无序、小目标碎石难以识别等问题,提出一种基于YOLOv8(you only look once version 8)框架的山区道路落石检测模型。该模型将PPA(parallelized patch-aware attention)模块的特征融合策略及特征提取结构进行改进,完成EFF-PPA(enhance feature fusion-PPA)模块的设计,再利用其对基础模型的主卷积模块进行优化重构,提出EFP-C2f模块,使模型保留更丰富的特征信息;根据数据集特点,在颈部网络中加入大目标检测层,提升模型对大目标的检测精度;提出一种采用部分解耦结构设计的轻量级多尺度适应性LMSA(lightweight multi-scale adaptability)检测头,该检测头由使用组归一化层的EMSConv(efficient multi-scale conv)模块和分离出组归一化层的共享参数卷积组成,在进行适当轻量化的同时,提升检测精度。在自制落石数据集中,基础模型和改进模型的平均精度分别达到87.7%和89.8%,改进模型的精度更高,并保持高检测速度,帧率达到212.1帧/秒。在实地采集的不同场景任务中,改进模型能够准确识别各类目标,表现出良好的泛化能力。目前,关于山区道路落石检测的研究较少,本文设计中基于问题导向的模型改进思路具有很好的参考价值。
文摘红外弱小目标检测任务是探测领域的重要课题。针对现有方法中存在的计算冗余问题,提出了基于高效层聚合网络的红外弱小目标检测模型,实现了高效精确的红外弱小目标检测。首先,在经典的U-Net结构网络上使用高效层聚合网络替换传统的残差结构,提高网络的特征提取能力,同时减少计算冗余。然后,对不同尺度的特征进行融合,优化深层网络的梯度传播。最后,通过混合损失函数提供不同的训练信号,提高模型收敛速度。实验结果表明,提出的基于高效层聚合网络的红外弱小目标检测方法能实现复杂场景下的红外弱小目标检测任务,在NUDT-SIRST数据集上交并比(Intersection over Union,IoU)达到了90.88%,检测率(Probability of Detection,PD)指标达到了99.36%,与主流模型对比,均达到了最优水平。
