关键词： 小目标检测   特征融合   空洞卷积   无人机图像   Swin Transformer  

摘要： 针对无人机(UAV)航拍图像中目标场景复杂、目标尺度多样、小目标密集和目标遮挡严重的问题,提出一种多尺度空洞卷积的UAV图像目标检测算法Swin-Det。首先,采用Swin Transformer作为主干特征提取网络,并在主干网络中引入空间信息交融模块(SIBM),从而解决因物体间遮挡而导致的目标信息模糊的问题;其次,提出一种融合空洞特征金字塔网络(FDFPN),通过多分支的空洞卷积融合特征信息,以有效提高网络的感受野以及特征信息的复用,使模型可以学习到不同维度的细节特征;最后,采用线性插值法和多任务损失函数解决预测区域不匹配和样本不平衡的问题,提升模型的检测精度。在VisDrone数据集上的实验结果表明,Swin-Det算法的平均精度均值(mAP)达到了27.2%,与原始Swin Transformer相比,提高了4.1个百分点,且在同一训练批次下收敛更快。可见,Swin-Det算法可在复杂场景下实现对无人机图像目标的高精度检测。

关键词： 群目标跟踪   势均衡多目标多伯努利滤波器   邻接矩阵   高斯分量   随机有限集  

摘要： 群目标跟踪已被广泛应用于作战对抗、自动驾驶、低空防御等各个军民领域。群目标是指由多个单目标组成,并以相同的速度或方向进行移动的一组或多组目标集群。鉴于随机有限集(Random Finite Set,RFS)滤波器在处理多目标数据关联方面的优势,现有的群目标跟踪算法大多基于RFS滤波器。然而,这些滤波器在对群目标进行跟踪时大多忽略了各目标之间的关联、依赖关系等问题,为此,提出了一种基于群结构集成的势均衡多目标多伯努利(Cardinality Balanced Multi-target Multi-Bernoulli,CBMeMBer)滤波器的群目标跟踪算法。具体而言,首先通过邻接矩阵对目标群结构进行估计,即将群目标看作无向图,利用各目标之间的距离来估计群目标的邻接矩阵,进而将群目标划分为多个子群。并根据各子群中目标的运动状态,将其划分为群中心和群成员两种类别,分别建立了运动方程。而后在预测步骤中,利用估计的群结构来对目标状态进行预测。特别地,在滤波器的高斯混合实现步骤中,多个高斯分量被用来拟合相对应的各伯努利分量,但过多高斯分量的存在会降低对群目标状态估计的准确性,从而降低群结构估计的准确性,因此,在状态提取阶段,本文所提算法对高斯分量进行修剪,即对更新步骤后的每个伯努利分量中所包含的高斯分量进行筛选,只保留一个权重最大的高斯分量。最后,仿真结果表明,本文所提算法实现了对群目标的稳定跟踪,且跟踪性能优于传统的CBMeMBer滤波器。

关键词： YOLOv5   玉米   无损检测   自动化方法  

摘要： 玉米是我国三大主粮作物之一,其表型参数的获取在作物遗传解析和新品种选育等研究领域意义重大。目前,玉米考种主要依靠肉眼和传统机器视觉方法完成,为提高玉米籽粒识别的速度和精度,建立了基于YOLOv5的籽粒目标检测模型,用不同环境下采集的数据训练并选择最优模型。试验结果表明,YOLOv5s的时间复杂度最低,其精确率、召回率和mAP@0.5的均值分别达到90.4%,85.9%和91.4%,实现了对密集黏连目标较理想的检测效果。

关键词： 二维激光雷达   甘蔗收割   垄高检测   图像处理  

摘要： 为提高丘陵地带甘蔗收割机收割质量,研究能够跟随地形的起伏变化而调节收割刀盘高度的技术显得尤为重要,解决该问题的关键是对于蔗田地面高度的检测,因此设计一台蔗田垄高建图机器人。该机器人能适应按标准化种植的蔗田地形,通过机载二维激光雷达扫描收集蔗田地形轮廓信息,远程计算机对数据进行多维度形态学特征分析,提取蔗田数据点并建立蔗田三维地形图。仿真结果表明:该机器人能够对蔗田地形进行建图,建图分辨率为0.005 m,准确率为96.4%,为收割机的刀盘高度调节提供可靠的数据支持。

关键词： 目标检测   视频目标检测   可变形卷积   GAM全局注意机制   YOLOv8  

摘要： 视频帧中目标模糊、遮挡和形变是影响视频目标检测精度的重要原因,针对此类问题,提出一种DG-YOLOv8n算法。首先,基于可变形卷积对骨干网络中的C2f模块进行了重新设计,以增强骨干网络对于目标变化的处理能力;其次,在颈部网络引入GAM全局注意机制,放大全局交互表示来提高算法的性能;最后,在ImageNet VID数据集上的实验结果表明,改进的DG-YOLOv8n算法的平均精度为84.5%,较原YOLOv8n算法提高了6.1个百分点,验证了改进算法的有效性。

关键词： 目标检测   GSConv   跨阶段局部网络   注意力机制   SK模块  

摘要： 为了改善复杂背景情况下火焰检测算法检测效果较差、对小目标不敏感和计算量过大等缺陷,该文设计出一种轻量化的目标检测算法——GS-YOLOv5s。研究将鬼影混洗卷积瓶颈模块(GS bottleneck)应用于特征提取网络,提出跨阶段特征提取网络——GS-C2,通过对局部区域进行特征分流,使模型能够更专注地学习目标周围的局部特征,从而提高复杂背景下的目标检测精度;然后在模型的颈部网络中使用轻量化卷积GSConv,在实现模型轻量化的同时提高检测精度;最后通过融入选择性注意力LSK模块扩大感受野,更好地捕捉到全局上下文信息,提供更全面的场景理解,使网络更好地理解和响应小目标。数据集测试结果表明,与YOLOv5s基准模型相比,该算法结构整体参数量和浮点运算量分别减少了约20%和21%,同时mAP_(0.5)相较于YOLOv5s提高了4.6百分点。实验结果表明,GS-YOLOv5s既提高了检测精度,又满足了轻量化以及实时检测的需求,极大提高了火焰检测算法的实用性。

关键词： 目标跟踪   目标分割   记忆更新   电力设备跟踪   无人机巡检  

摘要： 无人机巡检是保障新型电力系统安全运行的重要手段,视频目标跟踪技术能够有效提高巡检精度.针对实际电力场景中背景复杂、目标形变大等挑战,提出一种基于掩码记忆的无人机电力设备分割跟踪方法.首先,设计了基于掩码记忆的 L2 匹配分割方法,使用负平方欧几里得距离来计算帧间亲和度,利用构建的历史掩码信息进行目标匹配,提升设备的粗分割精度.其次,为了减少记忆冗余,提出变化感知的记忆更新机制,通过图像和掩码联合评估目标变化程度,设计变化度置信度阈值,以此决策是否进行记忆更新.最后,将分割技术融入判别式相关滤波的跟踪框架中,实现电力设备鲁棒分割跟踪.该方法分别在通用数据集 VOT2018、无人机数据集UAV123 和实际电力场景数据集中进行测试.实验结果表明所提方法能有效提升无人机巡检精度,并为电力设备安全运行提供技术参考.

关键词： 计算机视觉   多目标跟踪   门控循环单元   礼让行人  

摘要： 近年来,计算机视觉在交通监控领域取得了显著进展,但判断机动车是否礼让行人仍然依赖大量人力操作。为解决这一问题,本研究提出了一种用于智能交通系统的自动检测车辆是否礼让行人的方法。该方法利用多目标跟踪算法,通过分析车辆的颜色、纹理等外观特征以及车牌ID,对摄像头视野内的相关元素进行运动轨迹跟踪。同时,结合门控循环单元(GRU)模型,预测行人的预警点及车辆前方的潜在危险区域,从而判断车辆是否执行了礼让行人的行为。为了验证该方法的有效性和优越性,本研究在使用无人机收集的模拟交通摄像头视角的交通街景视频数据集和结合交通模拟工具SUMO的Unity3D虚拟仿真场景生成的数据集上进行了广泛的实验。实验结果表明,与当前最先进的方法相比,该方法在处理速度上显著提升,满足实时识别的需求。此外,本方法在保持高准确性的同时,显著减少了ID切换次数,提高了对违规行为归因的精确性。由于其高效的处理速度和准确的检测能力,该方法在智能交通系统中的实际应用前景广阔,有助于增强交通安全,降低行人伤亡风险,并为交通管理部门提供可靠的数据支持和决策依据。

关键词： 多传感器融合   体素   鸟瞰图   旋转等变   3D目标检测  

摘要： 随着自动驾驶系统的发展,针对道路场景下的3D目标检测受到研究人员的广泛关注。然而,大多数基于单一传感器或者多传感器融合的目标检测方法未考虑实际道路场景中车辆旋转,使得捕获的场景同步旋转,从而导致目标检测性能降低。针对这类问题,提出一种基于多传感器融合的多级全局旋转等变目标检测网络架构,以缓解场景旋转造成的目标检测困难,从而提高目标检测性能。首先,对体素内部进行各点之间距离编码,增强局部点云几何信息,并提取体素的全局旋转等变特征;其次,引入图像的语义信息并提取全局旋转等变特征,进一步提高网络性能;最后,将具有旋转等变性的点云和图像信息在鸟瞰图上进行融合,并嵌入群等变网络提取融合鸟瞰图级全局旋转等变特征。实验结果表明,该网络架构在nuScenes验证集上达到了68.7%的平均精度均值(mAP)和71.7的nuScenes检测分数(NDS),以及平均角度误差均值(mAOE)降低到0.288,相比主流的目标检测方法,其实现了网络架构本身的旋转等变性并在性能上得到了提升,此外,各个组件对于整体网络架构的目标检测性能提升都起到了重要作用。

关键词： 运动模糊图像复原   条件生成对抗网络   YOLOv8   输电线路小目标检测   多头自注意力机制  

摘要： 针对无人机巡检采集图像过程中受到气流扰动、旋翼振动、相对运动等因素影响,输电线路小目标图像易出现运动模糊,导致纹理细节丢失从而难以检测的问题,提出一种基于运动模糊图像复原的输电线路小目标检测算法。使用条件生成对抗网络(ViT-GAN)进行小目标运动模糊图像复原,强化其特征提取主干对图像全局和区域上的信息感知能力,提升图像复原质量便于后续进行目标检测;通过引入多头自注意力机制、增加小目标检测层并优化边界框损失函数改进YOLOv8网络,提升网络在背景复杂、目标尺度变化大的输电线路环境下对小目标的检测能力。实验结果表明,所提算法能准确检测输电线路小目标,线上6类小目标的平均查准率为92.77%,平均查全率为94.19%,平均F1-score为94.94%,漏检和误检情况得到改善,表现出较强的准确性和鲁棒性。