关键词： 目标跟踪   多尺度窗口   Swin-Transformer   模板更新   多模型融合  

摘要： 基于STARK目标跟踪方法中采用ResNet为骨干网络,其特征提取能力不足,跟踪效果较差。针对此问题,本文基于Swin-Transformer网络,提出了一种改进的目标跟踪算法。首先,对Swin-Transformer内窗口注意力机制进行多尺度改进,设计多尺度窗口模块MW-MSA,旨在提取更为丰富的局部细节信息,与全局上下文信息共同构成多尺度判别性特征。接着,结合Transformer的编码-解码结构作为特征融合网络,采用优化的多层感知机作为更新分数判断网络构成状态感知模块。最后,针对目标消失、重现挑战,提出了一种多跟踪器融合方法。融合多尺度改进的跟踪算法和SuperDiMP跟踪算法,设计消失状态判断模块,综合考虑两种跟踪器的置信度分数及目标在预测框附近的可能性估计。实验结果表明,相较STARK跟踪算法,本文算法在GOT-10K数据集上的平均重叠率(AO)提升2.7%、成功率SR_(0.5)提高3.3%。在L-LaSOT数据集上,相较于STARK算法,成功率(AUC)提升0.8%,在目标消失重现挑战下成功率提升1%。

关键词： YOLOv8   居家环境   目标检测   跌倒特征   跌倒行为识别  

摘要： 对于现有跌倒行为识别算法在复杂的居家环境条件下,出现算法精度低、实时性差等问题,文章提出一种基于YOLOv8的居家环境跌倒行为识别方法。该方法通过网络摄像头获取视频图像,使用基于YOLOv8的目标检测算法识别监控视频中每一帧画面的人体与跌倒特征,再结合时序状态特征处理,设定规则判别跌倒行为,并进行跌倒预警。实验证明,改进的方法精确率达94.9%,召回率达95.7%,FPS为40,算法识别准确率高、实时性强,为跌倒行为识别提供了一种简单而有效的方法。

关键词： 驾驶员吸烟检测   跨阶段局部网络   特征融合   注意力机制   多尺度检测   目标检测   深度学习  

摘要： 由于香烟目标较小,图像分辨率较低,目前传统的目标检测算法不足以支撑对香烟的检测,为警戒驾驶员在驾驶时吸烟出现的安全问题,提出一种驾驶员吸烟检测算法。结合SSD目标检测模型,在其骨干网络中引入CSP架构;利用反卷积操作,将有效特征层进行融合;在GAM注意力机制上改进其通道子模块,结合最大池化和平均池化,抑制与香烟不相关的特征。模型在自制驾驶员吸烟数据集上的识别mAP达94.93%,具有较好的鲁棒性以及泛化能力。

关键词： 虚拟仿真   三维重建   特征提取   目标检测  

摘要： 虚拟仿真技术可以以极低的成本在虚拟环境中测试自动驾驶算法性能,为了进一步保障自动驾驶汽车的安全,研究设计并实现了一个基于卷积神经网络的多任务学习模型,用来提取图像特征,并输出点云数据,然后将点云数据处理为包含高度、强度和密度的三通道鸟瞰图,将模型在鸟瞰图中的预测结果映射回三维空间得到三维目标检测结果,最后根据语义分割结果在合适位置进行渲染,从而实现真实驾驶场景的三维重建。结果表明,研究所提模型在进行50次迭代学习后已经趋于稳定,模型精度平均达到了96%左右,在3种模型中的精度分别为48.13%和62.43%,75.69%,帧率为25,优于另外3种模型。此次研究提出的方法在复杂情况下,可以实现具有完备的结构和丰富细节纹理三维重建模型,并能对多种对象进行良好的建模。

关键词： 表面缺陷检测   目标检测   RT-DETR算法   ConvNeXt模型   通道注意力  

摘要： 液晶面板喷墨打印表面缺陷检测中存在目标小、样本少、纹理背景干扰等问题,应用传统图像处理算法检测精度低、泛化性差,针对以上问题提出了一种改进RT-DETR(real-time detection transformer)的目标检测算法。改进RT-DETR算法通过将主干网络ResNet模型替换为特征提取性能更优的ConvNeXt模型,提高算法整体检测精度。设计了基于通道注意力的增强通道压缩模块,使算法更有效地消除背景干扰专注于定位缺陷目标,加快算法收敛,提高小目标检测精度。在构建的喷墨打印缺陷数据集训练实验上,改进RT-DETR算法检测平均精度mAP(mean average precision)为80.58%,较原始RT-DETR算法提升了2.89%,较原始DETR算法提升了15.88%,检测速度达到20 FPS(frames per second),改进RT-DETR算法的综合检测性能更优。改进RT-DETR算法在小目标检测数据集VisDrone训练实验上表现出良好的通用性,为其他工业场景下的表面小目标缺陷检测提供了参考价值。

关键词： 图像处理   空间坐标   预警监测  

摘要： 阐述基于一种空间化算法模型,设计露天矿山越界开采的预警系统,通过计算得出矿山采掘设备的坐标信息,并与矿山审批范围的图层坐标进行实时比对,实现对矿山越界开采行为的判定。

关键词： 精密测量   计算机视觉   深度学习   缺陷检测   高分辨率图片  

摘要： 针对增材制造零件表面小缺陷检测中存在的准确率低和尺寸测量困难的问题,基于改进的YOLO v8提出了一种缺陷检测方法。在YOLOv8模型的检测头部引入高效通道注意力机制模块,同时采用加权交并比损失函数替换原有损失函数,减少低质量样本影响,提升检测精度。针对高分辨率图像数据集训练困难且易出现过拟合的问题,在训练阶段对包含目标缺陷的局部特征以中心为基准进行裁剪的方法生成训练集。在推理阶段,采用滑窗切分法将待测高分辨率图像裁剪成一组小图像进行预测,从而得到缺陷图像块。检测后的缺陷图像块被视为感兴趣区域,并通过计算机视觉中的边缘检测方法实现缺陷尺寸的精密测量。实验证明,改进模型的准确率达94.3%,召回率为93.3%,mAP50达到97.3%,缺陷尺寸的测量精度可达到40μm,显著提升了增材制造零件表面缺陷的检测准确率。

关键词： YOLOv8s   目标检测   注意力机制   损失函数   细粒化卷积   红外图像  

摘要： 红外图像目标检测在交通领域中有很重要的应用价值,然而,由于红外图像存在分辨率低、缺乏颜色信息、对比度差、特征模糊的特点,导致现有模型在检测红外车辆与行人时精度不高。为此,文中对YOLOv8s进行了改进,首先对特征融合机制进行改进,在网络中添加小目标检测层,充分利用目标的浅层特征信息,提高对小目标检测的准确性。其次引入了SPD(Space to Depth)细粒化模块来代替YOLOv8s中的3×3卷积进行下采样,避免了3×3卷积下采样导致红外图像细粒度信息丢失。并且还设计了一个新的混合注意力机制,使网络更好地聚焦感兴趣的区域,减少背景对行人和车辆检测的干扰,增强模型对目标特征的关注度。最后使用Focal EIOU损失函数代替CIOU损失函数,改善了CIOU在特殊情况失效和正负样本不平衡的问题。在交通场景红外图像数据集FLIR_ADAS_v2上进了行实验,验证了算法的有效性。与YOLOv8s相比,改进后的模型mAP@0.5从83.4%提升到了89.3%。

关键词： 无人机   小目标检测   PPYOLOE  

摘要： 为提升无人机视角下车辆检测的性能,该实验利用无人机设备,采集地面和高空视角下的车辆视频数据。提出了PPYOLOE-IBN的检测算法,将主干网络浅层结构中BN层(Batch Normalization Layer)的一半通道结构替换为IN层(In⁃stance Normalization Layer),降低了光照、视角等客观因素的影响。在自建的车辆数据集上,算法的平均精度(Mean Aver⁃age Precision,mAP)达到了81.8%,相比改进前的PPYOLOE算法提升了2.6%;与以Transformer为架构的RT-DETR算法相比,高出3.3%。最后在公开数据集UA-DETRAC上作进一步对比,验证算法的有效性。

关键词： 遥感影像   目标检测   自动化处理   铁路外部环境监测  

摘要： 针对铁路遥感影像处理流程复杂、效率低下的问题,文章提出一种基于Python的自动化处理技术。该技术利用GDAL等开源图形库,实现了影像预处理、裁剪、配准、增强和切片等功能的自动化,有效提升了处理效率,并快速构建了目标检测算法所需的影像数据集。实验结果表明,该技术能够为铁路外部环境安全监测提供高质量的数据支撑。