关键词： 井下不安全行为识别   目标检测   深度学习   自注意力机制   YOLOv5s   高分辨率特征提取网络   时空图卷积网络  

摘要： 针对井下目标发生多尺度变化、运动目标遮挡及目标与环境过于相似等问题,提出了一种基于深度学习的煤矿井下人员不安全行为检测与识别方法。采用自上而下的策略,构建了一种基于自注意力机制的目标检测模型YOLOv5s_swin:在基于自注意力机制的模型Transformer基础上引入滑动窗口操作,得到Swin-Transformer,再利用Swin-Transformer对传统YOLOv5s模型进行改进,得到YOLOv5s_swin。针对井下人员与监控探头间距不定导致的人体检测框多尺度变化问题,在检测出人员目标的基础上,使用高分辨率特征提取网络对人体的关节点进行提取,再通过时空图卷积网络(ST-GCN)进行行为识别。实验结果表明:YOLOv5s_swin的精确度达98.9%,在YOLOv5s的基础上提升了1.5%,推理速度达102帧/s,满足实时性检测要求;高分辨率特征提取网络能够准确提取不同尺度的目标人体关节点,特征通道数更多的HRNet_w48网络性能优于HRNet_w32;在复杂工矿条件下,ST-GCN模型的准确率和召回率都较高,可准确地对矿工行为进行分类,推理速度达31帧/s,满足井下监测需求。

关键词： 合成孔径雷达(SAR)   目标检测   YOLOv8   卷积注意力模块(CBAM)   可变形卷积   EIoU  

摘要： 目的针对合成孔径雷达(synthetic aperture radar,SAR)图像舰船检测中因背景复杂、目标尺寸各异等因素导致的漏检、误检结果,提出一种基于YOLOv8(you only look once v8)的改进算法。方法首先,轻量化处理YOLOv8的原有网络结构,大幅降低网络的冗余度,使轻量化的网络更适合SAR图像舰船检测任务。其次,在主干网络中融入可变形卷积,增强模型对目标的感知能力,能更好地适应目标形变和复杂背景;同时,在颈部网络融入卷积注意力模块,减弱背景信息的干扰,使网络更专注舰船目标的特征。最后,采用EIoU(efficient intersection over union)损失函数,最小化预测框与真实框间的差值(包括宽度和高度),实现更快的收敛速度。结果分别在SSDD(SAR ship detection dataset)和HRSID(high-resolution SAR images dataset)上进行测试,结果表明,改进算法的检测性能优于当前几种流行的目标检测算法。其中,与YOLOv8相比,在两个公开数据集上,改进算法的精度评估指标mAP(mean average precision)@0.5分别提升0.68%和1.29%,mAP@0.75分别提升3.32%和3.10%,其处理速度FPS(frames per second)分别提升22帧/s和18帧/s。结论本文在轻量化处理YOLOv8基础上融合可变形卷积与注意力机制构建的改进算法,能实现SAR舰船检测精度和速度的双重提升。

关键词： 目标跟踪   自注意力机制   ROS   位姿检测  

摘要： 针对传统方法在移动机器人位姿检测过程中存在的目标丢失和数据漂移等问题,提出了一种基于ViT深度学习框架的视觉跟踪器,优化了利用ArUco码作为辅助特征标识的位姿检测方法,有效改善了检测效果。通过ROS系统分布式通信方法构建视觉处理平台和移动机器人之间桥梁,测试了不同数据集下跟踪器的性能和跟踪器的加入对整个位姿检测方法的提升效果,实验结果验证了提出的基于视觉优化的移动机器人位姿检测方法的可行性,可以较好地支撑移动机器人展开实时任务。

关键词： 目标检测   深度半监督学习   半监督学习   深度学习  

摘要： 基于深度半监督学习的目标检测技术利用少量带标注信息的样本和大量无标注信息的样本进行模型训练,可减少对标注样本的依赖,提高准确性和效率。首先介绍了基于深度半监督学习的目标检测理论,依据损失函数和模式设计方式的不同对其方法进行了分类,然后基于MS-COCO和Pascal VOC数据集对典型方法进行了性能对比,最后分析了其挑战和发展趋势,旨在为相关研究提供参考。

关键词： 小目标检测   特征金字塔网络   注意力机制   特征融合  

摘要： 小目标在图像中占有很少的像素,导致目标严重缺乏特征信息,小目标检测是目标检测的一大挑战。为解决这一问题,设计一种面向小目标检测的自适应多维度特征融合网络(AMDFF-Net)算法以提高小目标检测的准确率。首先,整合池化层和注意力机制,构建池化注意力模块,使模型获得更大的接受域以实现自我注意中的自适应和长程相关性;其次,设计自适应选择多维度特征融合模块(ASMFF),并基于ASMFF模块设计自适应多维度特征金字塔网络,自适应融合不同尺度的图像特征,强化小目标的信息。为了验证模型的性能和泛用性,分别在VisDrone2019数据集、AI-TOD数据集以及TinyPerson数据集上进行实验,实验结果表明,AMDFF-Net提高了小目标检测的精度,通过与其他主流算法对比,验证了本文模型在小目标检测方面的有效性。

关键词： 随机PRI   距离单元走动   Keystone变换  

摘要： 随机PRI信号雷达可以解决高速运动目标测速模糊问题,但针对高速运动目标,由于速度、加速度带来的距离走动和距离弯曲会给后续相参积累带来问题,影响目标检测性能。Keystone变换可以校正雷达回波信号的距离单元走动问题,本文介绍了Keystone变换原理,分析了实现Keystone变换常用的三种方法,最后结合随机PRI信号非均匀相参处理方法验证了Keystone变换前后的性能。

关键词： 目标检测   注意力机制   知识蒸馏   异常行为识别  

摘要： 在实际监控的边缘设备中使用GAN或者3DCNN等网络很难实现实时的、相对准确的监控任务。提出一种基于知识蒸馏的考场异常行为识别算法。相对于以提取空间、时序特征并进行融合为主流思想的异常行为识别,利用视频帧进行目标检测和知识蒸馏的异常行为识别方法更加快速准确。算法借助知识蒸馏策略使用预训练的teacher网络监督student网络学习,进行正常行为的推理并检测异常行为。结果表明该算法达到了主流数据集的中上水平,并在考场环境具有良好的高效性与准确性。

关键词： 多源目标检测   分组特征提取   注意力多尺度   非极大值抑制  

摘要： 为兼顾多源目标检测网络的精度与效率,将分组卷积作用于目标多模态特征中,并配合注意力多尺度结构以及改进的目标框筛选策略,设计了一种轻量级的红外与可见光目标检测模型。模型先以多种特征降维策略对输入图像进行采样,降低噪声及冗余信息的影响;其次,根据特征通道所属模态进行分组,并利用深度可分离卷积分别对红外特征、可见光特征以及融合特征进行提取,提升多源特征提取结构的多样性以及高效性;然后,针对各维度多模态特征,引入改进的注意力机制来增强关键特征,再结合邻域多尺度融合结构保障网络的尺度不变性;最后,利用优化后的非极大值抑制算法来综合各尺度目标预测结果,精确检测出各个目标。通过在KAIST、FLIR、RGBT公开数据集上的测试结果表明,所提模型有效提升了目标检测性能,并且相对于同类型多源目标检测方法,该模型也体现出较高的鲁棒性和泛化性,可以更好地实现目标检测。

关键词： 漆面缺陷   图像处理   深度学习   缺陷检测法  

摘要： 旨在通过机器视觉技术提高汽车漆面缺陷检测的效率和准确性,提出一种基于机器视觉的改进的汽车漆面缺陷检测算法,主要通过比较深度学习方法,设计高效、稳定的检测系统,为汽车制造企业提供智能化检测解决方案,提升漆面质量和生产效率。该算法结合传统图像处理和深度学习方法,采用了多尺度图像金字塔、快速预筛选、轻量级深度网络、上下文感知模块和注意力机制等技术。在包含10000张图像的数据集上进行了试验,算法准确率达到96.8%,同时保持较低的计算复杂度。结果表明:该算法在准确性、效率和鲁棒性均优于现有方法。

关键词： YOLOv8算法   藏式壁画   佛脸   目标检测   PyQt5图形界面框架  

摘要： 壁画和佛像常常位于难以到达或脆弱的环境中,其保护与研究工作至关重要。YOLO目标检测可以高效地记录这些艺术品的详细信息,生成数字化档案,以便于长期保存和研究。研究提出了一种基于YOLOv8目标检测网络模型的壁画佛像目标检测系统,旨在利用先进的计算机视觉技术,实现对壁画佛脸的快速、准确检测,同时结合了PyQt5图形界面框架具有检测图片文件、视频文件及检测结果统计等功能。