关键词： 视觉大模型   铁路场景   目标检测   模型剪枝   多尺度推理   铁路人工智能平台  

摘要： 研究铁路计算机视觉大模型关键技术及其应用,对统筹和促进铁路人工智能发展具有深远意义。文章依托铁路人工智能平台的算力与大模型支撑组件,提出从基础大模型到铁路计算机视觉大模型,再到铁路计算机视觉场景大模型的架构设计思路。基于基础大模型,设计模型训练框架,运用模型剪枝和多尺度推理技术保障推理速度与精度,完成铁路计算机视觉大模型的构建;提出铁路计算机视觉大模型的应用场景,并选取线路环境安全管控智能识别场景对该大模型能力进行验证。实验结果表明,铁路计算机视觉大模型在复杂背景下的微小目标检测方面表现卓越,具有较好的应用前景,将在铁路运输安全、移动装备检测、铁路客货运服务等业务领域发挥更加重要的作用。

关键词： 道路工程   排水沥青路面   空隙特征   图像处理   吸声系数   预测模型  

摘要： 为研究排水沥青路面空隙特征对其吸声性能的影响,以单双层排水沥青车辙板试件为研究对象,采用传递函数法测定其吸声系数,通过CT扫描以及软件三维重构等技术手段获取了空隙特征参数,经相关性分析提出了基于空隙特征参数预测吸声系数的关系模型。研究表明:排水沥青试件吸声频带宽度随空隙率增大而逐渐变宽,单层试件存在一个吸收峰,双层试件存在两个吸收峰,峰值均随空隙率的增加而增大且位置逐渐向高频移动;空隙率接近时,双层排水沥青试件吸声能力强于单层排水试件;计算空隙率、重构空隙率、平均体积、平均表面积以及空隙总体积对吸声性能具有较大影响,其中计算空隙率影响最大。

关键词： 多普勒雷达   三维目标跟踪   非线性滤波   状态转换卡尔曼滤波  

摘要： 雷达及声呐系统采集的三维球坐标量测与运动目标的笛卡尔坐标状态呈非线性,导致跟踪精度受限,而具有强非线性的多普勒量测更难以高效利用。针对上述问题,构造由距离、俯仰角、方位角及其微分组成的状态向量,使测量方程线性化;在距离、俯仰角构成二维时变极坐标系中对常微分动力学方程离散化,再基于投影关系引入方位角,建立球坐标系中的典型三维常速度和常加速度运动模型;结合标准卡尔曼滤波在线性高斯框架下,实现跟踪以避免非线性误差。通过仿真验证了在包括多普勒雷达等若干三维跟踪场景下提出方法的有效性与性能优势。

关键词： 人工智能技术   红外激光   激光成像   目标跟踪   跟踪方法   方法设计  

摘要： 以往的红外激光成像目标跟踪方法由于仅提取了红外激光成像目标的单一特征,导致方法的跟踪效果较差。因此,设计了基于人工智能技术的红外激光成像目标跟踪方法。利用红外激光成像设备,获取大量的目标数据,并对目标数据进行修正处理,由此构建红外激光成像目标模型,在人工智能技术的作用下,提取出红外激光成像目标的形状特征、边缘特征、纹理特征等多个特征,并计算特征相似量,对提取特征和候选特征进行匹配,通过计算特征的均值偏移量,确定红外激光成像目标的位置。通过上述的设计,完成对红外激光成像目标跟踪方法的设计。实验测试结果表明,本方法的跟踪鲁棒性可达99.11%,EAO可达99%,红外激光成像目标跟踪效果较好。

关键词： 跌倒检测   YOLOv5   双摄像头   人体关键点检测   图像处理  

摘要： 为解决传统跌倒检测算法受光线影响,不能对独居老人实施昼夜持续检测,且误检率、漏检率高等问题,提出一种结合轻量化YOLOv5和双摄像头的跌倒检测系统。首先,通过改进YOLOv5对室内老人进行检测,定位老人在室内的位置;其次,使用单目摄像头和红外热摄像头昼夜交替地对室内老人进行跌倒检测。通过目标定位与跌倒检测系统,在大幅度提高老人跌倒检测准确率的同时,提高了模型轻量化程度,降低了跌倒误检率、漏检率。结果表明,改进后的老人跌倒检测模型漏检率低至1.6%、误检率仅1.2%,具有较好的准确性和实时性。可见该系统可以有效实现昼夜检测,解决传统算法的局限性。

关键词： 目标跟踪   多模态   可见光-深度特征融合  

摘要： 近年来,随着深度学习的不断发展,已有许多基于深度学习的RGB目标跟踪算法被提出且取得较为显著的性能提升,但纯粹依靠可见光进行跟踪的算法在光照变化、背景干扰、严重遮挡等复杂场景下仍难以实现鲁棒跟踪.为应对高难度场景下的挑战,实现高效鲁棒的目标跟踪,多模态目标跟踪应运而生.以RGB-D目标跟踪算法为主,详细列举了当前可见光-深度的多模态目标跟踪算法,对各类算法的优缺点进行分析和比较;并介绍了主流的RGB-D目标跟踪数据集,挑战赛及其评价指标;最后总结了RGB-D目标跟踪技术的发展趋势和挑战,并展望其未来的发展方向:特殊场景RGB-D数据集建设、全新RGB-D目标跟踪评估范式和有效模态融合的RGB-D模型范式.

关键词： 三维目标检测   点云   PointRCNN   小目标检测   自注意力机制  

摘要： 针对当前在点云三维(3D)目标检测算法中存在的误检率高、远处物体与较小物体检测效果差等问题,在PointRCNN算法的基础上提出一种改进的三维目标检测算法。在训练阶段的数据预处理方面,利用空间自相关算法对数据进行降维处理,有效去除无关点与噪声点,优化了网络对关键目标的特征提取和识别能力。提出了MGSA-PointNet模块对PointRCNN的点云编码网络进行改进,引入了流形自注意力以更精确地提取原始点云中空间结构信息,同时还融入了分组自注意力机制,旨在减少自注意力权重编码层的参数数量,从而提高了模型的效率和泛化能力,增强了网络的特征提取能力。本文改进算法与基准网络PointRCNN在KITTI数据集上的对比表明,对汽车与骑行者目标在困难场景下3D检测的精度提升了2.10百分点和2.14百分点,对行人的3D检测精度提升了5.21百分点,证明了本文算法的有效性。

关键词： 智能视频监控   深度学习   安防   目标检测   行为分析   异常预警  

摘要： 针对传统视频监控系统在环境适应性、目标多样性识别及遮挡处理方面的不足,本研究设计了一种基于深度学习的智能视频监控系统。该系统通过自适应视频采集、改进的级联区域卷积神经网络(region-based convolutional neural network,R-CNN)目标检测、基于图卷积网络和长短期记忆网络的时空行为理解等关键技术,有效提升了监控系统的环境适应性、检测精度和智能分析能力。实验结果表明:该系统在目标检测、行为识别、异常预警等方面均优于传统方法,为智慧安防应用提供了新的思路和方案。

关键词： 机场鸟类检测   鸟击防范   YOLOv8s   特征融合   注意力机制  

摘要： 飞鸟对航空器的安全运行有着严重的威胁。常用探鸟方法中,人工探测精度较低,雷达探测成本较高。为解决上述问题,对中小型机场而言,提出基于改进YOLOv8的机场飞鸟实时检测方法。利用视频监控设备来检测飞鸟能以较低的成本实现高效的检测精度及速度。首先,设计特征融合C3(feature fusion C3,FFC3)模块,该模块在更细粒度的层次上实现多尺度特征融合,然后为模型选择合适的通道数,实现了检测速度和精度的平衡;其次,设计CSPPF(CBAM-spatial pyramid pooling fast)模块,在SPPF中引入CBAM(convolutional block attention module)模块,实现检测精度和速度的进一步提升;最后,发现了原AirBirds数据集的两点不足之处,对此改进了机场飞鸟数据集,同时利用了数据集增强技术。结果表明:改进YOLOv8的mAP@50达到0.820,相比原YOLOv8提升了0.015;改进YOLOv8的速度达到32帧/s。改进YOLOv8满足机场鸟类检测实时性和精确性的要求,为复杂环境下中小机场飞鸟检测提供了一种新思路。

关键词： 井壁裂缝   目标检测   YOLOv8   轻量化   注意力机制  

摘要： 针对井壁裂缝背景复杂,纵横比差异大,导致检测效率低、漏检等问题,提出了一种融合多尺度特征的裂缝缺陷检测模型EDG-YOLO。设计特征提取模块EIRBlock(efficient inverted residual block),并构建C2fEIR增强主干网络对井壁浅层裂缝特征信息的提取能力。在颈部融合CSP_EDRAN(CSP efficient dilated reparam aggregation network)实现对裂缝特征信息的复用,促进浅层与深层语义信息之间的交互。嵌入DAM(dual attention module)注意力机制,增强井壁裂缝特征的表达能力。构建轻量级检测头GDetect,借助GSConv模块进一步轻量化网络。在自制井壁裂缝数据集上的实验结果表明,与YOLOv8相比,EDG-YOLO的平均检测精度达到87.4%,提高了2.3个百分点,模型的参数量和计算量分别降低了33%和47%,单幅图像推理时间为13.2 ms,满足井下场景的实时检测需求。