关键词： 目标检测   低光照场景   多尺度特征   注意力机制  

摘要： 在复杂的低照度环境中获取的图像容易存在对比度低、细节信息丢失等问题,对此,考虑到低光照环境检测的特殊性,对目标检测算法YOLOv8进行了改进,提出了YOLO-RSG算法,以提高低光照环境下目标检测的可靠性。首先,在YOLO-RSG算法的主干特征提取部分采用了多层级残差连接模块,提升了模型的多尺度和弱特征提取能力;随后,引入空洞空间金字塔结构,利用不同扩张率提取复杂场景信息,维持计算量的同时提升了训练效果;最后,自适应地融入了动态选择机制和全局注意力机制,提升了网络模型的多尺度特征提取融合与表征能力。仿真实验结果表明,相较于YOLOv8算法,YOLO-RSG算法在ExDark数据集中的均值平均精度提升了3.6%,可以有效地提高低照度场景下的目标检测性能,并具有良好的稳定性和适用性。

关键词： 计算机视觉   焊接检测   语义分割   图像处理   锂电池  

摘要： 为了满足锂电池生产企业对锂电池连接片的焊接质量进行自动化检测的需求,设计了一种基于计算机视觉的锂电池连接片焊接质量检测系统.针对正、负电极材料的光学特性和检测精度要求,设计了两套光学系统分别实现锂电池正、负电极的成像,提出了多重自适应模板匹配算法提取正、负电极焊缝区域,采用自适应阈值分割法对焊缝区域实现灰度化操作,使用灰度形态学运算弱化灰度图的噪点突出焊盘特征点,利用轮廓提取算法实现焊盘特征点的提取,依据特征点数量实现极耳裁切缺陷的检测,将U^(2)-Net语义分割模型引入焊接质量检测任务,采集正、负电极焊缝和烧穿、虚焊、焊接氧化缺陷数据集,利用数据增强技术扩充数据集,解决焊接缺陷的小样本和小目标问题,融合应用U^(2)-Net语义分割模型和轮廓提取算法实现焊缝尺寸测量以及虚焊等缺陷的检测.系统试运行结果表明,缺陷检出率为99.98%,误检率仅为0.06%,满足企业的实际需求,实现了快速、无接触且准确的自动化检测.

关键词： 计算机视觉   目标跟踪   相关滤波   记忆修复模型   特征博弈融合   模板更新  

摘要： 针对跟踪任务中出现的目标遮挡和短暂消失等挑战属性,提出了一种结合记忆修复机制的特征博弈融合目标跟踪算法。首先,在核相关滤波器的框架下,提取目标的FHOG特征、SURF特征进行通道串联,再自适应博弈融合ResNet-50网络提取的Conv4-1层深度特征共同构建目标外观模型,避免跟踪算法的特征单一性。然后,改进模型更新策略,通过记忆修复神经元和记忆矩阵实现对特征信息的记忆、回忆和修复,完成遮挡或漂移视频帧的特征损失修复工作,使用修复完整的特征模板对核相关滤波器进行正确更新,提高算法对跟踪对象的辨识度。最后,在OTB100、TC128、UAV123实验基准数据集上与KCF、DCF_CA、SAMF、M2C2F和EMCF算法进行对比测试,实验结果表明改进算法的跟踪准确性和鲁棒性得到提高。

关键词： 运动模糊   图像处理   生成对抗网络   图像复原  

摘要： 为解决汽车运动过快产生模糊导致车牌识别算法失效的问题,对深度学习的生成对抗网络去模糊方法进行了研究,提出了一种基于生成对抗网络的模糊车牌图像复原方法。主要思路为使用图像复原网络NAFNet中的NAFBlock替换DeblurGAN-v2生成器中的基本卷积块,并在特征提取网络中加入了高效通道注意力机制。对于原模型和修改后的模型,设计了四组不同模型消融实验。实验结果表明,提出方法在复原模糊车辆图像复原任务数据上,峰值信噪比为21.2624,结构相似度为0.6431,较好地解决了模糊车牌复原的问题。

关键词： 柑橘   病害   虫害   目标检测   YOLOv5   Large Kernel Attention   CARAFE   FReLU  

摘要： [目的]柑橘叶片受到病菌感染或虫害侵袭后,导致柑橘树生长发育异常、产量减少甚至死亡。早期柑橘叶片病虫害检测有助于做好预防措施减少损失。[方法]实际检测过程中YOLOv5s模型存在定位不精确、背景复杂等问题,受VAN(visual attention network)模型的启发,引入LKA(large kernel attention)模块,对YOLOv5s模型进行改进。改进的YOLOv5s模型可实现对图像信息的集中关注和精细抽取;使用CARAFE轻量级算子替换常规的上采样方法,能够提高特征重建质量,解决尺度不匹配问题并提高检测性能;使用FReLU激活函数,能够捕捉更多的柑橘病虫害的关键特征,提高检测准确度。此外,还构建了一个包含炭疽病、溃疡病和受潜叶蝇病虫侵害的柑橘叶片数据集,采用该数据集进行试验。[结果]改进后的模型YOLOv5-LC对于柑橘病虫害的检测结果显示:平均检测精度mAP50达到94.5%,mAP50:95为84.3%,较原模型分别提高了2.0%和4.4%,模型大小仅为7.3 MB。准确率为93.8%,召回率84.5%,浮点运算次数仅为18.5 G。[结论]改进后的YOLOv5-LC模型可以更加准确检测出柑橘病虫害。

关键词： 火灾受损   智能评估   YWDA   坐标注意力(CA)机制   Focal loss  

摘要： 火灾事故频繁发生,做好火灾受损评估工作,有助于查明起火原因、损失核定、灾后修复等工作顺利开展。针对火灾勘验墙体受损评估中存在的速度慢、结果不够准确、过于依赖个人经验等问题,提出了一种墙体火灾受损程度智能评估方法(YOLOv5-wall damage assessment,YWDA)。该方法基于YOLOv5(you only look once v5)网络进行改进,首先在加强特征提取网络插入坐标注意力(coordinate attention,CA)机制模块,提高了网络对墙体火灾受损特征的检测能力;其次,在损失函数中引入Focal loss,缓解了数据样本不平衡的问题。结合火灾勘验现场全景三维模型,建立一个居民住宅火灾受损评估数据集,并在此数据集上进行实验验证。结果表明:所提方法YWDA相较于其他算法,具有速度快、精度高、模型小等优点,在实际评估任务中具有较强的鲁棒性。因此,所提方法满足墙体火灾受损评估任务高效性、准确性、客观性等要求,可为现代化火灾勘验工作提供技术支持。

关键词： 域自适应   课程学习   伪标签   目标检测   置信度估计  

摘要： 针对域自适应网络在不同学习阶段对不同样本学习能力存在差异性问题,提出一种基于课程学习的域自适应伪标签样本选择算法。算法利用置信值将目标域数据集中的易学习样本转入源数据集,解决了模型前期学习能力不足可能造成的错误累积问题;同时通过模型的学习状态更新各类样本的伪标签阈值,得到无监督条件下难易学习样本类估计,输出可靠的置信值并减少噪声伪标签对模型学习的影响。提出的算法在三个主流无监督域自适应目标检测数据集上进行了仿真,仿真结果表明,上述算法相比最近提出的非对抗或增强的无监督域自适应方法在精确度上得到了有效提升。

关键词： 深度学习   图像处理   边缘计算   交通安全  

摘要： 随着国家的发展和人民生活水平的提高,机动车数量不断增加,交通违规行为频繁发生,带来了巨大的交通安全隐患。如果不及时纠正,这些行为可能导致严重的安全事故和经济损失。传统的交警现场监督方法不仅耗费大量人力,而且覆盖范围有限,难以实现全天候监管。通过边缘计算技术接入摄像头和视频流,利用人工智能和计算机视觉算法对车辆进行识别和检测,可以高效判断车辆是否存在违规行为。借助智能网联的技术,可以对违规行驶区域内的车辆统一发送警示广播,及时制止违规行为,并提醒其他车辆谨慎驾驶。同时,利用物联网技术将违规事件上报至管理平台。这种方法有效解决了传统人工检查费时费力的问题,实现了道路交通的智能化和实时化管控。

关键词： 多目标跟踪   YOLOX   自适应运动状态关联   深度学习   团队体育视频  

摘要： 当前主流多目标跟踪(MOT)方法主要针对行人或车辆等目标的规则运动模式,不适用于团队体育视频中非线性、不规则运动的目标跟踪。针对该问题,提出了基于改进YOLOX和自适应运动状态关联的团队体育多目标跟踪(TS-MOT)深度学习框架。对原YOLOX检测网络进行改进,在主干网络末端集成相似度注意力模块(SimAM),提高特征提取的表征能力,改善颈部组件中特征融合过程。在损失函数中使用变焦损失和广义交并比损失,提高对目标姿态变化和相互重叠的检测能力。此外,在数据关联中,使用具有弱相关性的多个运动状态对目标运动进行表征,通过运动状态相似度计算关联每个目标和轨迹,动态提高轨迹连续性和对意外运动变化的鲁棒性。实验结果表明,所提方法在团队体育MOT任务中表现较好,在SportsMOT数据集上取得了89.4%和78.2%的IDP和IDF1,优于其他先进的MOT方法。

关键词： 目标检测   GhostNet网络   残差网络   轻量化部署  

摘要： 为了降低深度卷积神经网络的部署成本,优化模型的检测性能,提出一种改进的轻量化主干网络算法S-GhostNet.该算法通过引入特征图生成优化的Ghost Module结构降低卷积操作的计算量,并结合改进类残差模块提升模型的精确度.S-GhostNet具有较强的即插即用性,可以应用于多数卷积神经网络模型.实验结果表明:在目标分类以及目标检测任务中,S-GhostNet相较于MobileNetV2、ShuffleNetV2以及GhostNet,模型计算量更小,模型的精确度持平,甚至更高.