关键词： 三维目标检测   双目相机   高斯置信度   Pseudo-LiDAR算法  

摘要： Pseudo-LiDAR算法作为双目相机三维目标检测的通用算法之一,因其低成本的立体视觉方案及出色的适应性被广泛应用于在自动驾驶、机器人等领域。但该算法在预测物体边缘会产生过多畸变点从而导致目标与背景之间过渡区域估计误差大;且深度估计网络采用四分支结构,计算量大影响运行速度。对以上问题,将Pseudo-LiDAR算法中的Spatial Pyramid Pooling(SPP)四分支结构优化为单分支结构,提高运行速度;创新性构造高斯置信度滤波模块,滤除过渡区域误差大的数据;引入PointVoxel-RCNN(PV-RCNN)作为Pseudo-LiDAR算法中的三维目标检测网络,提升检测精度。在KITTI数据集上的实验结果表明,相较于原算法,在简单、中等和困难等级下的车辆目标三维检测平均精度分别提升了22.36%、26.48%和28.55%。

关键词： 无人机图像   车辆检测   小目标检测   可变形卷积   损失函数   非极大值抑制  

摘要： 在无人机航拍图像中,车辆目标较小,尺度变化大,背景复杂且分布密集,导致精度过低的问题。因此,提出一种基于改进的YOLOv5的无人机航拍图像车辆目标检测算法。增加小目标检测层,减少小目标特征丢失,从而提高小目标检测精度;设计了一个名为DAC的新特征提取模块,它融合了标准卷积、可变形卷积和通道空间注意力机制,旨在增强模型对车辆尺度变化的感知能力,并让模型聚焦于复杂背景下的车辆目标;将损失函数更改为Focal-EIoU,以加速模型收敛速度,同时提高小目标车辆的检测精度。使用Soft-NMS代替YOLOv5中采用的非极大值抑制,从而改善目标密集场景下的漏检和误检情况。在VisDrone2019数据集上进行了消融实验、对比实验和结果可视化。改进后的模型平均精度(mAP)比基线模型提高了8.4%,参数量和GFLOPs仅增加了4.8%和3.79%,验证了改进策略的有效性和优越性。

关键词： 智慧养殖   猪身份识别   猪特征提取  

摘要： 随着智能养殖的快速发展,传统的耳标识别方式因成本高和易感染等问题,逐渐被基于计算机视觉的识别技术所取代。猪身份识别的主要原理是通过提取猪的面部特征、颜色和花纹、体型等生物特征,并计算这些特征的相似度,从而实现对猪只的精准识别。

关键词： 图像处理   边缘检测   中智集   自适应阈值  

摘要： 为提升边缘检测的速度、精度及抗噪性,提出了一种基于中智集的自适应阈值边缘检测算法,该算法通过边窗滤波算法代替传统滤波算法进行去噪;改进中智集获取算法,将图像分割为T、F、I 3个子集,缩短处理时间;提出自适应阈值提取算法,缩短阈值提取时间;最后融合分割信息,获取边缘特征。试验表明,该算法在处理不同噪声时效果优于最新研究的基于最大熵的中智集边缘检测算法(NMNE),在保证精度的同时显著提升了检测速度。

关键词： 目标检测   ShuffleNetv2   YOLOv5s   损失函数  

摘要： 针对矿井复杂环境光照不均、粉尘干扰、目标遮挡及传统的目标检测模型检测效果差、模型不易部署等问题,基于YOLOv5s提出了SDW-YOLOv5s目标检测模型。使用ShuffleNetv2作为特征提取网络,大幅度提升了模型的检测速度;在Ncek区域引入深度可分离卷积,提升模型检测精度的同时降低了模型的参数量和计算量;采用Wise-IoU损失函数提高了模型检测精度。实验结果表明:相比YOLOv5s模型,改进模型检测速度达到111帧/s,提高了70.7%,参数量降低了64.5%,计算量降低了90.5%,模型大小降低了88.8%,mAP达到89.2%,改进模型在模型轻量化和检测精度方面达到了很好的平衡,为模型在移动端轻量化部署提供了技术参考。

关键词： YOLOv8算法   目标检测   枸杞  

摘要： 针对枸杞果实较小、遮挡严重等问题,提出一种改进YOLOv8算法对枸杞红果进行识别。引入Inner-IoU提升网络收敛速度;嵌入DAT模块,对提取到的冗余特征进行筛选;引入DBB模块来扩大感受野;增加一个更小尺寸的检测头提高检测精度。实验表明,改进后的YOLOv8算法的mAP达到90.2%。

关键词： 采摘机械臂   计算机视觉   卷积神经网络   迁移学习  

摘要： 为了提高机械臂采摘的效率及增强安全自主性,提出了一种基于改进卷积神经网络和迁移学习的计算机图像识别模型。首先,建立了由可采摘与不可采摘图像组成的样本数据集,将每幅图像的像素设置为256×256;然后,构建基于改进卷积神经网络和迁移学习的计算机图像识别模型,并将自动编码机网络结构与卷积神经网络运算方法相结合,利用自动编码机网络结构具有编码和解码的环节,通过卷积神经网络运算方式构建出一种改进的卷积神经网络;通过卷积层挖掘图片信息中具有采摘信息的特征,同时消除随机环境对图片的干扰,解码部分能够对特征图像进行上采样并判断是否应该进行采摘与采摘姿势;最后,将构建网络模型与迁移学习相结合进行实验,分析迁移学习方法、数据集样本大小、网络参数对实验结果的影响。结果表明:采摘机械臂识别模型整体识别率更高,能够构建出效率更高、鲁棒性更强的采摘控制系统。

关键词： SIFT   特征提取   图像匹配   图像融合   图像拼接   计算机视觉  

摘要： 图像匹配与融合是图像拼接的核心环节,分别影响着图像拼接后的精确度和自然度。尺度不变特征转换SIFT(Scale Invariant Feature Transform)因其具有旋转不变性和良好的鲁棒性广泛应用于图像处理领域,但会导致特征提取匹配耗时长、误匹配等问题。鉴于此,提出了一种结合SIFT和AGAST算法的新方法,通过KNN和RANSAC进行特征点提纯,最后通过改进的加权平均法进行融合拼接。结果表明,该方法可以极大地提升特征提取效率和匹配效率,图像融合效果较好。

关键词： 无人机   降落区域检测   动态场景   目标检测   同步定位与制图  

摘要： 提升无人机的自主着陆能力对于提高无人机的作业效率和野外生存能力具有重要意义。本文提出了一种基于机载视频的无人机降落区域自动检测方法,目的是在缺乏场景先验知识的情况下,提高无人机的自主避障着陆能力。本文将多视图几何约束方法的深度学习网络融入到视觉同步定位与制图(Simultaneous localization and mapping,SLAM)算法中,旨在构建场景的三维地图,同时主动判别潜在障碍物。随后,提出了一种顾及降落区域面积及平坦度等因素的降落区域检测算法,通过体素网格地图的空间分析方式,判别出无人机着陆区域。在不同类别场景中分别进行实验,结果表明了提出方法的准确性。

关键词： 强夯施工   夯次监测   时序影像   深度学习   目标检测  

摘要： 强夯施工是土石方工程的重要加固方式,传统的人工测量方式存在效率不高、误差较大的问题。本文提出了一种基于时序影像的强夯施工夯次智能监测方法,该方法利用深度学习技术,对强夯施工过程中的图像进行分析,并根据强夯运动特征和时序模式,自动识别夯击运动轨迹和夯击信息,很大程度上提高了强夯施工的精度和智能化施工水平,为今后的强夯施工提供了参考,具有较高的实用价值。