关键词： 三七   复杂收获作业工况   目标检测   通道剪枝   Jetson Nano   YOLO v8s  

摘要： 为实现三七联合收获作业过程中的自适应分级输送和收获状态实时监测,本文针对三七根土复合体特征和复杂田间收获工况,提出一种基于YOLO v8s并适用于Jetson Nano端部署的三七目标检测方法。在YOLO v8s对三七准确识别的基础上,针对其新的模型结构特性,利用通道剪枝算法,制定相应剪枝策略,保证模型精度的同时提升实时检测性能。采用TensorRT推理加速框架将改进模型部署至Jetson Nano,实现了三七目标检测模型的灵活部署。试验结果表明,改进后的PN-YOLO v8s-Pruned模型在主机端的平均精度均值为93.71%,参数量、计算量、模型内存占用量分别为原始模型的39.75%、57.69%、40.25%,检测速度提升44.26%,与其他目标检测模型相比,本文改进模型在计算复杂度、检测精度和实时性方面具有更好的综合检测性能。在Jetson Nano端部署后,改进模型检测速度达18.9 f/s,较加速前提升2.7倍,较原始模型提升5.8 f/s。台架试验结果表明,4种输送分离收获作业工况下三七目标检测的平均精度均值达87%以上,不同输送分离收获作业工况和不同流量等级下的目标三七计数平均正确率分别达92.61%、91.76%。田间试验结果表明,三七目标检测平均精度均值达84%,计数平均正确率达88.11%,图像推理速度达31.0 f/s。模型检测性能和计数效果能够满足复杂田间收获工况下目标三七的检测需求,可为基于边缘计算设备的三七联合收获作业自适应分级输送系统和收获作业质量监测系统提供技术支撑。

关键词： 目标跟踪   孪生网路   外观特征   信息熵  

摘要： 目标跟踪通常只能使用视频第1帧的外观信息,在线学习目标的外观特征,并预测后续帧中该目标的位置和大小.然而,跟踪过程中目标外观时刻变化,仅通过第1帧并不能准确描述后续目标的外观.针对上述问题,提出一种基于并行多外观特征的孪生网络目标跟踪算法.首先,引入包含目标近期外观信息的动态模板帧,同时提出3种方法:多外观特征、并行外观特征、并行多外观特征,利用动态模板帧进行目标跟踪.与简单地使用动态模板帧替换初始模板帧不同,所提出的方法可解决由动态模板帧中目标容易漂移导致的跟踪算法性能下降的问题.其次引入评价模块,使用基于信息熵的评价方法或基于IOU-Net的评价方法,对得到的多个预测结果分别进行打分,选择得分最高的预测结果作为最终的预测结果.最后提出更新模块,对评价模块得到的得分进行分析,当得分满足更新模块设立的更新条件时,用最终的预测结果更新动态模板帧,使用新的外观信息指导下一帧跟踪.实验结果显示,该算法在GOT-10k、OTB100等标准数据集上取得较好效果,验证了所提算法的有效性.

关键词： 计算机视觉   目标检测   深度学习   YOLOv7算法  

摘要： 道路环境感知是自动驾驶任务中的重要组成部分,为解决道路环境感知中小目标检测困难、检测目标尺寸不一致以及检测目标的遮挡给检测任务带来的困难,提出一种深度学习增强方法以提高目标检测性能。设计了Bottleneck-ELAN(bottleneck-efficient layer aggregation networks)模块作为主干,加强了模型的特征提取能力。使用Gather-and-Distribute(GD)机制实现了特征图之间跨尺度的直接融合,解决了颈部网络的信息丢失问题。此外,采用Complete-IOU(CIOU)和Normalized Wasserstein Distance(NWD)相结合的损失函数组,解决了单一IOU损失函数对不同尺度物体位移敏感性不一致和平滑性差的问题。结果表明,改进后的模型在BDD100K数据集上的平均精度均值达到了43.4%,相较于原始的YOLOv7算法提高了3.1%,并且在小目标检测中精度提升更为明显,达到10%。

关键词： 移动机器人   视觉定位与建图   动态场景   目标检测   图像匹配  

摘要： 移动机器人可替代或辅助人类的生产和生活,并深入复杂或危险的环境,需随时感知周围场景。传统的ORB-SLAM2方法在动态场景中定位不准确,由此提出一种动态场景感知下的移动机器人视觉定位与建图方法。SLAM方法通过光学传感器采集环境信息完成建图,以ORB-SLAM2作为基本框架,在其跟踪线程中添加一个动态目标检测模块,该模块采用YOLOv4网络检测目标,使用的CSPDarknet53结构在减轻骨干网络权重的同时保持检测准确性;采用改进四叉树算法提取特征,并采用改进型形状上下文的图像匹配方法完成特征匹配。在TUM RGB-D数据集上进行实验,所提算法在walking_xyz场景序列的RMSE相对ORB-SLAM2算法增加97.6%,walking_rpy场景序列的RTE和RRE分别改进97.1%和96%。比较所提算法与ORB-SLAM2算法在高、低动态场景中的客观指标和估计轨迹误差,所提算法的RMSE、均值、中间值以及性能提升的改进百分比较优,所估计出的轨迹能够更好地拟合真实情况。

关键词： 寿命评估   局部低硬度   P91   图像处理  

摘要： 以某电厂A修金属检验中发现局部低硬度P91封头为研究对象,采用等温线外推法对其剩余寿命进行评估并对其计算结果的精确性进行了分析。结果表明:封头的硬度与应力对其剩余寿命评估有很强的敏感性。为提高局部低硬度封头剩余寿命的评估精度,此次分析通过封头的网格化硬度检测与数据采集并对封头的整体硬度进行非线拟合,利用图像方法对封头的低硬度区进行提取及量化;结合有限元对其应力分析的结果,可计算封头低硬度区在该位置应力作用下的剩余寿命。这种基于图像处理方法的寿命评估手段相较于传统的等温线外推法对承压部件进行寿命评估具有更高的精确性且适用于局部低硬度承压管件,为广大技术人员处理局部低硬度管件提供了新思路。

关键词： 光学相机通信   目标跟踪   特征融合   多尺度   遮挡判断   目标重检测  

摘要： 在光学相机通信(OCC)系统对目标发光二极管(LED)阵列跟踪过程中,复杂的室外环境会严重影响其性能;同时,由于目标LED阵列持续不断发送信息,即每一帧目标LED阵列明暗闪烁状态都有可能不同,这对目标LED陈列跟踪算法的研究带来了极大的挑战。论文针对此问题提出了一种基于遮挡重检测的跟踪算法。该算法在核相关滤波算法的基础上采用2种特征融合互补和加入尺度滤波器的方式提升算法的抗干扰能力,同时结合目标遮挡判别机制和改进轻量化Yolov5目标检测算法提升算法的抗遮挡能力。实验结果表明,该算法在室外光照变化、尺度变化和遮挡场景下,平均中心位置误差最大为8.94个像素,跟踪成功率最低为92.4%,平均帧率最低为98.18帧/s。

关键词： 无监督   滑动窗口   隐空间   模板匹配   目标跟踪  

摘要： 目标跟踪是计算机视觉领域的一个基础研究问题。随着跟踪技术的发展,现存的跟踪器主要存在两个挑战,即依赖于大量的数据标注信息和跟踪漂移,它们严重限制了跟踪器性能的提升。为了应对以上挑战,提出了无监督目标跟踪和隐空间匹配的方法。首先,通过可校正光流方法在前景中生成图像对;其次,利用生成的图像对从头开始训练孪生跟踪器;最后,使用隐空间匹配的方法,解决了跟踪器在目标形变较大、遮挡、出视野和漂移等情况下跟丢的问题。实验结果表明,算法UHOT的性能在多个数据集上有显著提升,在困难场景下展现出了较强的鲁棒性。与最新的无监督算法SiamDF相比,UHOT在VOT数据集上取得了8%的增益,与最新的监督孪生跟踪器相当。

关键词： 电路板元器件   识别技术   深度学习   YOLOv5网络  

摘要： 为了研究基于深度学习的电路板元器件目标检测及标识字符识别技术,解决电子设备检测与维护中的自动识别与分类问题。本文提出改进的YOLOv5(you only look once version 5)网络用于电路板元器件识别,包括结构设计、轻量化网络以及特征融合策略。同时,利用卷积循环神经网络(convolutional recurrent neural network,CRNN)实现电路板元器件标识识别,包括框架设计、算法改进等。开展多项实验,分析其效果与性能。通过MobileNet v3、ShuffleNet v2和Ghostnet等轻量化网络改进YOLOv5,实现了高效元器件识别;通过双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)特征融合策略进一步提升识别性能。实验显示,该改进网络在电路板元器件检测中具有优异表现。利用CRNN及其改建算法,对电路板标识进行准确识别,实验结果验证了其有效性。基于深度学习的电路板元器件目标检测及标识字符识别技术取得了显著成果,证明了改进网络及策略的有效性与适用性。

关键词： YOLO   飞机货舱   目标检测   WIoU   火焰红外图像  

摘要： 由于信息技术的快速发展,红外检测技术和视频监控系统得到了广泛应用,图像型火灾探测器在火灾探测中的优势逐渐凸显。在飞机货舱火灾探测领域,尽管基于图像识别的火灾探测技术已展现出一定潜力,但在准确性与响应速度之间的平衡仍须进一步优化。为提升飞机货舱早期火灾的识别与判断能力,增强红外火焰图像目标检测的准确性,本文提出了一种结合改进损失函数的YOLO目标检测算法。首先对比了多种典型目标检测算法在红外火焰图像检测任务中的性能表现,进而选择了合适的算法框架进行损失函数的改进。通过在计算损失时综合考虑目标中心点的距离、重叠面积及长宽比等因素,设计了一种改进的损失函数,并成功将基于动态非单调聚焦机制的边界框损失(WIoU)函数引入YOLO目标检测网络中,以实现检测准确率的提升。训练红外火焰图像数据集的对比试验表明,改进后的YOLOv5算法在性能上并未取得显著提升,而YOLOv7算法在引入改进损失函数后,其检测精度相较于原算法提高了2.1%,平均精度值(mAP)提升了6.5%,同时每秒传输帧数(FPS)也增加了2.68帧。在关键的性能指标(如目标边框损失、置信度损失及总损失)上,采用WIoU损失函数的YOLOv7模型优于其他模型,达到了最低损失值。因此,本文提出的基于改进损失函数的YOLOv7算法在飞机模拟货舱红外火焰图像检测识别任务中展现出了更高的准确性和更快的处理速度,为飞机货舱火灾探测提供了一种有效的技术途径。

关键词： 人工智能   图像处理算法   信息技术   计算机   信息化   行为特征   思考方式   电脑  

摘要： 21世纪是一个信息化的时代,信息技术已经渗透到社会的各个领域,成为人们生活和生产的重要组成部分。人工智能算法是人类根据自己的行为特征和思考方式,模拟已有的自然规则来解决某些问题的一种算法,该算法是一种先进的电脑技术。本文在图像处理领域引进人工智能算法。