关键词： YOLO   多目标   检测   识别   车道  

摘要： 为了解决人眼视力范围有限、疏忽等问题所引发的碰撞等交通事故,采用计算机视觉进行目标智能检测和识别,目前深度学习算法是目标检测识别的热门研究方向,主要有YOLO(You Only Look Once)、VGG、SSD(Single Shot MultiBox Detector)、CornerNet等算法,其中YOLO网络容易训练和调整,运行速度快,可达到实时检测效果,针对车道多目标检测的时效性等问题,文中提出基于YOLO车道多目标检测识别系统。该系统可以实时地检测出车道目标及类型的概率,同时通过多次实验,设置合适置信度,提高识别准确性,对于车辆和行人识别准确率在0.85以上,如果训练样本库数量继续增加,准确率还会提高,有效避免因人为疏忽发生碰撞等问题,对智能车道偏离辅助系统有一定的应用价值。

关键词： 特征融合   Transformer   目标跟踪   特征优化   目标分类  

摘要： 近年来判别相关滤波器(DCF)在视觉跟踪领域取得了巨大的成功,然而大多数相关滤波跟踪器仅依赖主干网提取的最后一层特征,忽视了低层丰富的目标结构信息。基于此,提出了一种基于特征融合模块和Transformer结构模型预测器的目标跟踪算法。引入了一个金字塔形的特征融合模块,能有效整合低层特征和高层特征。使用采用非对称位置编码方案的Transformer结构预测目标模型权重,以释放模型的表达能力。提出了一个特征优化模块以根据模型权重优化搜索特征。与现有的方法相比,该算法实现了更优的特征表示和更准确的目标定位。在Tracking-Net、LaSOT和UAV123三个主流数据集上的实验结果表明,跟踪器获得了突出性能。

关键词： YOLOv7   情绪识别   目标检测   CBAM   Ghost Conv  

摘要： 针对飞行员情绪识别中存在的精度不足和效率受限问题,文章提出了一种基于改进深度学习模型的情绪检测算法。首先,在现有模型中引入了CBAM注意力机制,以增强模型对关键特征的关注,抑制非关键区域的干扰;其次,采用Ghost Conv模块进行轻量化设计,在显著降低模型参数量和计算复杂度的同时保持高效的特征提取能力。通过实验对比分析了单独引入CBAM模块、Ghost Conv模块以及两者结合使用的效果。实验结果表明,改进后的算法在情绪识别的检测精度上提升了3.1%,计算复杂度(GFLOPs)降低了21%,模型参数量减少了10%,在准确性和实时性方面均取得了显著提升。该算法为飞行员情绪监测提供了一种高效、准确的解决方案。

关键词： 自动驾驶   目标检测   YOLO算法   深度学习  

摘要： 随着自动驾驶技术的迅速发展,准确高效的目标检测已成为环境感知技术中的关键研究方向。YOLO系列算法作为一种单阶段算法,不仅在自动驾驶中展现了巨大的潜力,还被广泛应用于各个领域。文章首先总结了基于深度学习的目标检测算法,并回顾了YOLO算法的发展历程;然后,概述了目标检测领域常用的评估指标,并讨论了YOLOv1至YOLOv10算法在自动驾驶场景中的应用,重点分析了YOLO算法在交通标志、车辆与行人、路面状态及车道线检测中的应用情况。最后,展望了YOLO检测算法在未来自动驾驶领域的发展趋势及潜在优化方向。

关键词： 电力设备检测   YOLOv7   红外图像   空洞卷积   注意力机制  

摘要： 针对变电站红外图像中目标数量多、外观相似、背景与目标颜色相近时容易出现漏检误检等问题,提出了一种改进YOLOv7的电力设备红外图像多目标检测方法。首先,为了更好地保留红外图像中的浅层信息,在SPPCSPC模块中引入空洞卷积与均值池化以扩大感受野的同时防止红外小目标淹没在背景中;其次,针对多目标检测中的误检漏检等问题,在头部网络中引入了轻量型SimAM注意力机制以重点关注感兴趣区域。最后,选择一个更适用于小目标检测的NWDloss损失与CIOU损失相结合的混合边框回归损失函数,它可以有效提高红外图像中不同尺度目标检测的准确性。我们在自建电力设备红外图像数据集上与其他7种具有代表性的检测方法进行了对比实验。实验结果表明,改进后的YOLO v7网络模型漏检误检等情况得到明显改善,m AP达到88.9%,相比其他有代表性的目标检测算法在电力设备红外多目标检测上的效果有明显提升。

关键词： 钢材表面缺陷检测   深度学习   目标检测   YOLOv5   空洞卷积   微小目标检测头  

摘要： 针对钢材表面缺陷检测的难点,提出一种基于YOLOv5算法的钢材表面缺陷检测方法。采用二等分的方法进行数据扩充,提高了模型的鲁棒性和泛化性;加入了通道注意力机制,提升了网络对重要特征的提取能力;增加了全局上下文特征提取模块,增强了模型对全局上下文特征的提取能力以及对不同尺寸缺陷的检测能力;增加了微小目标检测头,提升了网络对于微小瑕疵的检测能力。改进后的算法在NEU-DET数据集和GC10-DET数据集上的检测精度分别达到了83.1%和76.24%,较原YOLOv5算法提升了8.11个百分点和6.03个百分点。实验结果表明,改进后的算法性能优异,具有先进性,可以为钢材表面缺陷检测提供新的研究思路,助力于工业生产与发展。

关键词： YOLOv8   特征提取   轻量化   目标检测  

摘要： 为了解决传统PCB板缺陷检测效率低下,检测精度较低的情况,文章提出了一种改进YOLOv8的轻量化PCB板缺陷检测方法。骨干网络使用改进的感受野注意力卷积(Rceptive-Filed Attention Convolution,RFAConv)代替原模型中的标准卷积,克服了卷积核参数共享的难题,提高了检测精度;头部网络使用P2和ASF进行改进,因为小目标通常在图像中占据较少的像素,所以更容易被忽略或误判,引入P2小目标检测层使YOLOv8能够更有效地检测小目标物体;注意力尺度序列融合ASF可以有效地增强网络的多尺度信息提取能力。实验结果表明,相较于基准模型,改进后的算法参数量减少了15.9%,检测精度(mAP@50-95)提高了2.4%,有效地降低了模型的参数,提高了检测精度。

关键词： 矿用热风炉   火焰监控   图像处理   系统设计分类号:TF578  

摘要： 矿用热风炉在矿山行业中扮演着至关重要的角色,用于加热矿石或其他物料,以便在后续的生产过程中进行加工或提取所需的矿物资源。然而,矿用热风炉的安全性和效率却一直是矿山企业关注的重点。在运行过程中,热风炉内的火焰状态直接影响着其热能输出和燃烧效率,同时也关系到设备的稳定性和安全性。传统的热风炉监控方法往往依赖于人工巡检和经验判断,存在着监控不到位、实时性差等问题。而随着科技的发展,火焰监控系统作为一种自动化监测手段,逐渐成为提高热风炉安全性和生产效率的重要途径。先探讨了新型矿用热风炉的结构以及特点,分析传统矿用热风炉火焰检测方法的缺陷,结合火焰图像监测原理,并对系统的硬件以及软件设计做出探讨,希望能够准确监测热风炉内火焰的状态,并及时发现异常情况,以保障生产过程的安全稳定运行。

关键词： 智能交通   计算机视觉   事故检测   域适应双流网络  

摘要： 道路交通事故是导致财产损失、人员伤亡和交通拥堵的主要原因之一。快速准确地检测事故对于提高应急救援速度和降低人员伤亡率至关重要。近年来,基于视觉的事故检测方法成为主流,且随深度学习技术的应用取得了显著进展。然而,现有方法应用于国内监控场景时存在精度不高的问题,主要原因是用于模型训练的开源数据与国内监控事故视频数据间存在较大的域偏移。为了避免重新构建并标注一个大型国内监控事故数据集的繁琐性,提出了一种域适应双流网络,充分利用现有开源事故数据集实现面向国内监控场景的道路事故检测。具体地提出了一种“由粗到细”递进式域适应方法,指导模型以捕捉域不变事故外观特征。构建交叉注意力融合网络实现外观特征和运动特征的关联与交互,缓解因场景差异导致的特征偏差问题。实验结果表明,所提方法在国内监控场景下取得了较高的检测性能,验证了其有效性和可靠性。有望为提升人民生命安全和交通效率提供了重要的技术支持。

关键词： 桑叶病害   YOLOv8   目标检测   模型改进  

摘要： 为提高桑叶病害检测精度,实现将模型方便快速部署到移动端,针对自然环境下桑叶病害病斑小、背景复杂等问题,以YOLOv8为基线模型进行改进,提出了一种YOLOv8-Evo的桑叶病害识别算法。首先在Backbone模块中加入了可变形卷积模块从而更灵活地捕捉病害的细节和形状,其次在Neck模块中增加了CBAM(Convolutional Block Attention Module)注意力机制,发掘图像中的关键特征和区域,最后在18849张桑叶病害数据集上进行验证,相较YOLOv8s模型,YOLOv8-Evo的识别精度提高2.4%,召回率提高1.5%,mAP50提高1%,mAP50-95提高0.7%,实验证明改进的YOLOv8-Evo模型为桑叶病害识别的自动化提供了理论依据与技术支持。