基于计算机视觉的大豆与玉米种子计数方法研究

【目的】作物种子的重量是产量构成的重要因素之一,而传统百粒重/千粒重计算过程耗时、费力,急需一种快速测定作物种子数量、计算重量的方法。【方法】以大豆和玉米为研究对象,首先针对种子计数环境复杂、目标小以及密度大等问题,采用Albumentations库对数据集进行增强处理;然后通过对比YOLOv8的5个子模型,筛选出表现最佳的YOLOv8n模型,在此基础上用Focal-IOU替代CIOU损失函数,得到改进后的模型;最后将改进后的模型与多种经典目标检测模型作对比。【结果】改进后的模型在大豆和玉米种子计数上的平均精度mAP50-95分别达到88.78%和86.89%,比原模型提高了1.29%和0.51%,且性能显著优于YOLOv5、SSD等目标检测模型。此外,改进后的模型在2种作物测试集上的平均绝对百分比误差(MAPE)分别为0.035%和0.045%,每秒帧率分别达到70.17和100.41。【结论】改进后的模型在大豆玉米种子计数上的结果与实际数量差异不显著,实时处理速度快,研究结果可以满足考种中百粒重和千粒重计算对种子的计数需求。

基于改进YOLOX-S的足球比赛视频目标检测方法

为了提升足球赛事水平,催生出足球新战术,识别足球巨星梅西和足球的位置,为进一步的跟踪提供良好的基础,提出了一种基于改进YOLOX-S的足球赛事目标检测方法.使用Pseudo-IoU度量,改进了YOLOX-S中的正样本初步筛选机制,将更标准化和准确的分配规则引入到YOLOX-S无锚检测框架.在损失函数中使用了Focal Loss,以平衡难易样本.实验结果表明,相较于YOLOX-S模型,所提模型具有更好的综合表现,足球类别平均精度为79.8%,梅西类别平均精度为72.6%,平均精度均值为76.2%.

基于自适应聚焦CRIoU损失的目标检测算法

在目标检测任务中,传统的边界框回归损失函数所回归的内容与评价标准IoU(Intersection over Union)之间存在不相关性,并且对于边界框的回归属性存在一定不合理性,使得回归属性不完整,降低了检测精度和收敛速度,甚至还会造成回归阻碍的情况。并且在回归任务中也存在样本不均衡的情况,大量的低质量样本影响了损失收敛。为了提高检测精度和回归收敛速度提出了一种新的边界框回归损失函数。首先确定设计思想并设计IoU系列损失函数的范式;其次在IoU损失的基础上引入两中心点形成矩形的周长和两框形成的最小闭包矩形周长的比值作为边界框中心点距离惩罚项,并且将改进的IoU损失应用到非极大值抑制(Non-Maximum Suppression,NMS)处理中。接着引入两框的宽高误差和最小外包框的宽高平方作为宽高惩罚项,确定CRIoU(Complete Relativity IoU,CRIoU)损失函数。最后在CRIoU的基础上加入自适应加权因子,对高质量样本的回归损失加权,定义了自适应聚焦CRIoU(Adaptive focal CRIoU,AF-CRIoU)。实验结果表明,使用AF-CRIoU损失函数对比传统非IoU系列损失的检测精度最高相对提升了8.52%,对比CIoU系列损失的检测精度最高相对提升了2.69%,使用A-CRIoU-NMS(Around CRIoU NMS)方法对比原NMS方法的检测精度提升0.14%。将AF-CRIoU损失应用到安全帽检测中,也达到了很好的检测效果。