关键词： 图像三维目标检测   深度学习   自动驾驶   多模态融合   计算机视觉  

摘要： 二维目标检测技术由于缺乏对物理世界尺寸、深度等信息的描述,在自动驾驶场景中应用还存在较大的局限性。许多研究者结合自动驾驶实际需要,在图像三维目标检测上做了许多探索。为了对该领域进行全面研究,文中对近年来国内外发表的相关文献进行综述,介绍了基于图像的三维目标检测以及图像与点云融合的三维目标检测两类方法,并根据网络对输入数据的不同处理方式,对两类方法进一步细分,阐述了各个类别中的代表性方法,对各类方法的优劣进行总结,对比并分析了各算法的性能。此外,详细介绍了自动驾驶场景下三维目标检测的相关数据集和评价指标。最后,对图像三维目标检测领域中存在的挑战和困难进行了分析,并对未来可能的研究方向进行了展望。

关键词： 目标检测   地下矿山   yolov7   深度学习  

摘要： 面对地下矿山无人驾驶电机车运行过程中的复杂环境,如何高效、迅速、精准的识别出机车前进方向上的人员、矿石等潜在碰撞体,对提升矿山运输效率、增长矿山经济效益具有重要意义。Yolov7算法作为yolo系列较新且应用十分广泛的算法,具有响应速度快、准确率高、运行稳定等特点,因此本文尝试使用yolov7算法来进行潜在碰撞体检测实验。试验结果表明,yolov7算法精确度符合要求,mAP达到96.5%,且在低光照、远距离等环境下均可对潜在碰撞体进行精准检测。

关键词： 车牌号识别   目标检测   YOLOv5  

摘要： 当前车牌定位与识别技术在面对不同视角和周围复杂背景环境的挑战时,在实际应用中遇到了一些瓶颈,导致识别检测的结果精度和效率不高。为此,需要寻找更为先进和有效的方法来解决车牌识别问题。本文基于计算机视觉的车牌号识别技术,采用了基于YOLOv5s的识别定位算法,并结合CBAM(Convolutional Block Attention Module)注意力机制,以更加聚焦和精准的方式识别和定位车辆及其牌照;采用了调整学习率、引入正则化方法,以及使用数据增强技术等一系列训练和优化策略,构建了一种基于LPRNet的车牌字符识别算法模型,设计基于计算机视觉的车牌号识别系统。实验结果表明,该系统能够适应不同的街景环境和光线条件等复杂环境,在识别精度和泛化能力上都有较好的识别效果。

关键词： 红外弱小目标检测   K-means   空间金字塔池化   特征融合   EIoU   YOLOv3   损失函数  

摘要： 为解决在红外场景下小目标携带的特征信息较少,导致检测结果精度较低且容易出现漏检等问题,建立一种红外弱小目标检测模型。使用改进的K-means聚类算法对YOLOv3的anchor进行重新聚类,聚类中心点的迭代以交并比代替原来的欧氏距离。通过改进的空间金字塔池化模块将浅层空间特征与深层语义特征相融合,丰富红外弱小目标的特征信息。将EIoU引入到YOLOv3中,使目标框和锚框的宽度和高度的差异最小化。实验结果表明,该模型在SAITD数据集上的查准率达到了94.83%,平均查准率达到了89.26%,检测精度优于传统红外目标检测网络及部分深度目标检测网络。

关键词： 目标跟踪   深度学习   去噪自编码器  

摘要： 深度学习模型拥有对复杂模式强大的学习能力,被应用于目标跟踪任务中并取得了显著的进步。然而,现有的基于深度学习的目标跟踪模型采用循环神经网络的方法,这种建模方式存在着对高噪声目标观测数据中的噪声处理能力不足以及真实轨迹恢复能力不足的问题。针对上述问题,论文提出了一种基于去噪自编码器的轨迹跟踪模型Deep Denois⁃ing,该模型采取了一种编-解码架构的数据处理方式,带有噪声的目标观测轨迹数据首先经过一个编码网络去除数据中噪声,并且学习一个隐向量表示目标运动特征,然后采用一个解码网络根据目标运动特征还原目标真实运动轨迹。论文采用模拟仿真的轨迹数据进行实验验证,结果显示论文所提的方法可以有效降低目标跟踪的均方误差,提高跟踪效果。

关键词： 目标检测   交通场景   特征增强   注意力机制   YOLOv5  

摘要： 交通场景下快速、准确的目标检测对智慧交通管理、智能驾驶路径决策具有重要意义。由于交通环境的复杂多变性及目标特征的多样性和稀疏性,传统的目标检测模型往往面临检测精度不足、漏检与误检率高的问题。为了克服这些困难,本文提出一种基于HcPAN特征融合网络的YOLOv5目标检测模型HCAM-YOLO。该方法的核心是针对PAN网络特征融合过程中局部信息易丢失的问题,设计了一种混合卷积注意力机制(HCAM),用于特征融合网络中的多尺度信息增强提取。将HCAM模块嵌入PAN底层结构,以提升局部关键特征敏感性,强化深层语义信息与浅层位置信息的融合效果。该方法的创新性在于利用注意力机制优化特征融合过程,从而提升模型在复杂交通环境中对行人、机动车辆等目标的检测性能。试验数据集由Rope 3D数据集与自制车流数据集Road Veh、自制行人数据集Road Ped联合组成。试验结果表明,HCAM模块比其他注意力机制更适合嵌入PAN底层网络中,最终算法模型HCAM-YOLO相比于基础模型YOLOv5,精确率和召回率分别提高3.4%和3.2%;平均精度均值提高3.8%。本文算法模型对复杂背景下交通场景目标检测任务具有良好的适应性。

关键词： 现代化农业机械   计算机视觉技术   应用效果  

摘要： 为了研究计算机视觉技术在现代化农业机械中的应用效果,以采摘机器人为研究对象,通过对比是否使用计算机视觉技术的农业机械作业效率和质量,论证计算机视觉技术在现代化农业机械中的应用价值。经过分析和研究发现,使用计算机视觉技术的采摘机器人作业效率和质量均高于不使用计算机视觉技术的机械设备。由此表明计算机视觉技术的应用价值,为推广普及这项技术提供科学合理的参考。

关键词： 深度学习   目标检测   YOLOv5   螺母与引线质量通病检测  

摘要： 输变电杆塔工程中存在的螺母与引线质量通病问题可能会导致电力系统存在安全隐患,造成难以估计的损失,是电力系统安全维护任务中非常重要的一部分。人工巡检的检测效率低下且人力成本较高,而传统的图像检测算法在实际应用中易受环境因素影响,检测性能较差。针对这一问题,通过研究输变电杆塔工程螺母与引线质量通病问题的特点,这里提出基于YOLOv5目标检测算法的输变电杆塔工程螺母与引线质量通病智能检测方法,使用CSPNet作为网络模型的Backbone,PANet作为网络模型的Neck,并使用Mixup、Mosaic数据增强等方法增加数据样本,实现了YOLOv5算法对输变电杆塔工程质量通病问题的检测。实验结果表明,基于YOLOv5目标检测算法的输变电杆塔工程质量通病检测拥有较高的检测精度,mAP达到了87.6%,检测速度达到了90fps,可用于Jet Nano等嵌入式设备和手机等移动端设备,取得了良好的检测效果。

关键词： 计算机视觉   目标跟踪   目标检测   边界框估计   判别相关滤波器  

摘要： 针对视频序列中外观变化、背景杂波和严重遮挡等因素导致的目标跟踪精确度低的问题,提出一种新型的双阶段自适应跟踪模型。该模型包含目标检测和边界框估计2个阶段:在目标检测阶段,模型对目标进行粗略定位;在边界框估计阶段,精确确定目标位置。为应对视频场景复杂性及小目标跟踪的挑战,采用了多特征融合技术构建丰富的目标表示。实验结果表明,与在线和实时跟踪(SORT)、Tracktor++、FairMOT、Transformer等模型相比,本模型表现出最优的综合性能,有效平衡了计算速度与跟踪精确度之间的关系,展现出良好的应用潜力。

关键词： 无人机   目标识别   图像处理   深度学习  

摘要： 随着无人机技术的快速发展,其在农业监测、交通管理、自然灾害监测与救援以及环境保护等领域的广泛应用日益显著。在这些应用中,准确的目标识别技术是无人机执行任务的关键能力之一。本文深入探讨了无人机应用中的目标识别方法,包括传统图像处理和基于深度学习的智能识别技术。通过详细分析不同方法的原理、技术特点以及应用案例,揭示了目标识别在提升无人机自动化水平、支持数据驱动决策方面的重要作用,旨在为无人机目标识别技术的进一步研究和应用提供理论与实践的指导。