关键词： 深度学习   目标检测   特征融合   注意力机制  

摘要： 针对自动驾驶感知任务中由于道路环境复杂、车载雷达和摄像头数据融合不充分导致的一些高危险性动目标检测效果过差的问题,本文在Centerfusion的基础之上设计了一种雷达和视觉多层级信息融合的目标检测网络MLFusionNet。首先在输入层增加了数据级融合,将雷达回波特征以像素值的形式和图像进行拼接后再通过一个二级残差融合模块输入到编解码网络,丰富了网络的输入信息;然后在骨干网络的编码器和解码器之间设计了一种瓶颈结构的上下文模块,通过多分支的卷积结构获取特征图中更广泛的上下文信息,并通过压缩通道的方式降低参数量;最后设计了一种并行注意力融合模块,解决了特征级模态融合不充分的问题。在nuScenes数据集上的实验结果表明MLFusionNet的NDS达到了46.6%,相比较多模态网络Centerfusion汽车、卡车和行人的mAP分别提升了1.4%、3.0%和1.5%,说明网络更加关注驾驶环境中的高危险性动态目标。

关键词： 图像识别   枸杞鲜果   成熟度检测   YOLOv8   目标检测  

摘要： 为实现高效、精准、实时的枸杞鲜果成熟度无损检测,保证枸杞鲜果处于最佳采摘期,提出一种改进的YOLOv8模型的枸杞鲜果成熟度检测方法,在主干网络中引入大型可分离核注意力模块(Large Separable Kernel Attention, LSKA)加强对被遮挡果实成熟度特征的提取能力,同时在特征融合层引入信息聚集-分发(gather-and-distribute, GD)机制以提高不同尺度的特征融合能力,增强对不同大小的枸杞鲜果的识别检测能力。最终试验结果表明,改进的YOLOv8模型在测试集下的精确率为87.8%,召回率为75.1%,平均精度均值mAP为81.8%,每秒检测帧数为22.40,模型大小为13.3 MB。与YOLOv5n、RT-DETR和原始YOLOv8n模型相比,平均精度均值mAP分别提升2.5%、12%和1.7%。改进的YOLOv8模型可以为后续高效、低损、智能化的枸杞采摘机械研究提供基础。

关键词： 计算机视觉   人工智能技术   数据中心   国际数据公司   网络连接   IDC   电子设备   多模态  

摘要： 随着大模型与人工智能技术的蓬勃发展,数字经济已迈入以算力为核心生产力的新时代。在此背景下,算力的供给与应用均离不开稳定可靠的网络连接,而光网络作为底层基础网络,已成为支撑算力服务及应用发展的关键。然而,智算业务的落地应用对光网络的架构、技术和能力均提出了新的挑战。首先,面对数据量的急剧增长,光网络需要提供更大的带宽。据国际数据公司(IDC)测算,预计到2025年,中国产生的数据总量将达48.6 ZB,在智算时代,这些原本存储在各类电子设备上的数据需要“入算”,每年在网络上转移和承载的数据量将达到ZB级。另一方面,随着计算机视觉、科学计算等多模态大模型的发展以及参数量的规模增长,模型的训练调用也将带动数据中心间海量带宽的增长。

关键词： 污水处理厂   智能巡检机器人   快速响应二维码   目标检测   精准定位   深度学习   单次多边框检测算法  

摘要： 为解决污水处理厂加盖封闭后带来的巡检难题,可利用巡检机器人精准定位标识有特征二维码的检测盖板,并打开盖板以获取被巡检区域内的关键信息。由于传统二维码检测技术无法满足高精度的定位需求,提出一种改进的单次多边框检测(SSD)算法。在SSD算法对快速响应(QR)二维码区域进行粗定位的基础上,通过中值滤波和自适应二值化处理,采用透视变换方法矫正变形图像,利用边缘提取和定位码筛选的方法实现对QR二维码的精准定位。构建污水处理厂检测盖板QR二维码数据集,选取图像采集中常见的5种工况进行试验。试验结果表明,相较于开源计算机视觉库(OpenCV)算法,改进SSD算法识别率平均提升约5%、开盖率平均提升约32%,大幅提高了智能巡检效率。该算法有效解决了复杂工业场景下的二维码图像定位问题。

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： PCB缺陷   BiFormer注意力机制   MPDIoU损失函数   上采样算子CARAFE   目标检测  

摘要： 在PCB缺陷检测领域中检测精度的提高一直是1个具有挑战性的任务。为了解决这个问题,提出一系列基于PCB缺陷检测的改进方法。首先,引入一种新的注意力机制,即BiFormer注意力机制,这种机制利用双层路由实现动态的稀疏注意力,从而减少计算量;其次,采用一种创新的上采样算子CARAFE,能够结合语义信息与内容信息进行上采样,使得上采样过程更加全面且高效;最后,基于MPDIoU度量采用一种新的损失函数,即LMPDIoU损失函数,能够有效地处理不平衡类别、小目标和密集性问题,从而进一步提高图像检测的性能。实验结果表明,所提改进后的模型在平均精度均值(mAP)方面取得了显著提高,达到了93.91%,与原YOLOv5模型相比提高了13.12个百分点,同时,在识别精度方面,所提改进后的模型表现也非常出色,达到了90.55%,与原YOLOv5模型相比提高了8.74个百分点。引入BiFormer注意力机制、CARAFE上采样算子以及LMPDIoU损失函数,对于提高PCB缺陷检测的精度和效率具有非常积极的作用,为工业检测领域的研究提供了有价值的参考。

关键词： 目标检测   卷积神经网络   特征融合   归一化   Transformer  

摘要： 为了进一步提高YOLOv4算法的目标检测精度,提出一种改进算法YOLOv4TB(YOLOv4+Transformer+BiFPN)。该算法利用Transformer提取同一特征图上的共同发生的对象特征来进行特征增强,利用BiFPN(Bi-directional Feature Pyramid Network)模型替换PAN模型,解决YOLOv4中存在的冗余计算和不同特征层贡献度相同的问题。并在此基础上采用Leaky-ReLU激活函数和可分离卷积技术,解决目标检测精度下降和参数量、运算量上升的问题。在PASCAL VOC数据集上实验结果表明,与YOLOv4相比,YOLOv4TB算法具有较高的检测精度和运行效率,参数数量和运算量有所减少。

关键词： 交通标志检测   重参数化   目标检测  

摘要： 针对现有的目标检测模型对复杂天气下的交通标志检测存在漏检与错检的情况,提出了一种改进YOLOv5s的交通标志识别算法。为提高算法在各种复杂场景下的适应性,设计了一种基于重参数化(Re-Parameterized, ReP)的C3模块,将其命名为C3_DB;在网络的Neck部分引入上下文聚合模块,使得算法可以聚焦于重点区域的特征,减少复杂背景造成的混淆,从而提升模型的特征提取能力;引入高效交并比(Efficient Intersection over Union, EIoU)损失函数代替传统的完全交并比(Complete Intersection over Union, CIoU)损失函数,提升模型训练时的收敛速度,进一步提升模型对复杂情景下目标的检测性能。在中国交通标志数据集CCTSDB 2021上的实验结果表明,改进后算法的平均精度均值(mean Average Precision, mAP)为79.8%,相较于YOLOv5s提升2.4%,检测速度达到128帧/秒,在检测性能与检测速度之间取得了较好的平衡。意味着改进后的算法能够满足更高精度的交通标志实时检测需求,为实际应用提供了可靠的解决方案。研究成果对未来的交通管理和自动驾驶系统的发展具有重要意义,为提高安全性和可靠性提供了新的前景。

关键词： 蚕茧分选   图像处理   球面斜切分段模型   数学建模   微积分  

摘要： 目的:针对蚕茧顶端直接采集图像存在曲面信息压缩的问题,提出一种斜切分段展开方法,用于获取蚕茧顶端信息。方法:首先,将蚕茧顶端投影图像还原至顶端球面图像,对球面进行切分及斜切分操作,实现顶端投影图像到斜切分段模型的转化;其次,对相应模型建立坐标系,推导出单一斜切分段的投影图像与展开图像间的坐标变换关系;最后,对单一斜切分段展开图像的底边归一化,实现蚕茧完整顶端图像的展开。结果:斜切分段展开在水平方向误差均值为2.714像素,垂直方向误差均值为3.786像素。结论:斜切分段模型能够有效实现蚕茧顶端图像的展开,进而获取顶端疵点信息,为获取蚕茧完整表面疵点提供良好基础。

关键词： 鱼类检测   计算机视觉   YOLOv5网络   膨胀卷积   参数重构   RepVGG模块  

摘要： 针对已有的目标检测方法在复杂场景中对鱼类目标检测效果不理想的问题,提出了一种基于膨胀卷积和参数重构的鱼类目标实时检测方法.先设计了一种四分支融合卷积结构,在引入少量参数量的情况下,扩大了目标检测的感受野,提升了目标检测的效果.再引入了RepVGG(重构VGG)并联辅助分支思想,在训练过程中使用复杂模型进行特征学习,而在推理过程中对模型中的BN(Batch Normalization)层以及1×1的辅助分支中的参数进行融合,利用参数重构对训练过程的冗余参量进行合并,保证了模型的低参数量和实时推理.基于YOLOv5s进行实验,相比原始的YOLOv5s获得了更高的检测精度和召回率,平均精度(mean Average Precision,mAP)达到83.1%,超越了目前主流的目标检测算法.提出的算法在检测速度上相比原始模型无明显降低,处理速度上达到100FPS,在实现高精度检测的前提下保证了鱼类目标的实时检测,为基于视觉的鱼类检测方案提供了有效的技术支持.