关键词： 雾   目标   检测   算法  

摘要： 雾天条件下,图像质量较低,导致目标检测存在难度。传统的YOLOv5s算法可以在雾天环境中进行检测,但是检测速度慢。对此,提出一种名为YOLO-FOG的雾天目标检测算法,可以提高雾天环境中的检测速度。这一算法在主干网络部分使用RepVGG结构,减小计算量,提高特征表示能力,加快推理速度,以提高检测的实时性。试验结果表明,针对RTTS数据集,自行车、公共汽车、汽车、摩托车、行人五类目标的平均精度依次可以达到81.72%、79.99%、89.24%、73.46%、83.34%,并且识别时间仅为每张0.065 s。YOLO-FOG雾天目标检测算法兼顾准确性和实时性,具有良好的应用前景。

关键词： 深度学习   计算机视觉   电子工程应用   图像识别   神经网络模型  

摘要： 随着深度学习技术的快速发展,其在计算机视觉的应用已经得到了广泛的研究。为了进一步挖掘深度学习在电子工程中的潜力,本文采用了基于深度学习的计算机视觉技术进行研究。首先,我们研究了深度学习和计算机视觉的基本理论。然后,我们将这种技术应用到电子工程中,主要包括图像识别、目标跟踪和模式识别等方面。实验结果表明,与传统的图像处理方法相比,基于深度学习的计算机视觉技术在电子工程中的应用有着显著的优势,识别准确率、检测速度都有了显著提升。这为电子工程领域开辟了新的应用前景,同时也对深度学习技术的发展产生了积极的推动效应,有助于打造更为高效、精确的电子工程系统。

关键词： 无人机(UAV)   目标检测   图像增强   YOLOv8   低照度   自适应   频域分离  

摘要： 在自然光照条件下,无人机航拍图像中包含着低照度图像,这部分低照度图像会影响目标检测的精度,并且基于航拍图像的检测任务往往具有较高的实时性需求。针对上述问题,提出了一种特征级自适应增强的无人机航拍图像目标检测算法。首先使用改进的拉普拉斯算子与IAT图像增强网络进行融合,以强化目标的边缘特征,提升目标检测能力;其次使用双分支结构对正常图像与增强图像进行并行学习,以自适应选择的方式对学习到的特征进行融合,从而构建BLENet特征级自适应增强网络,自动适应光照并增强图像信息;然后设计基于频域分离的可变形卷积FS-DC模块以及具有参数共享的FS-C2F模块,从而在增强高频信息捕捉能力的同时减少模型参数量和计算冗余;最后改进回归损失函数Wise-IoU,使模型进一步聚焦于中高质量锚框,从而降低边界回归损失,提升定位精度。在公开数据集visDrone2023上的实验结果表明,相较于基线模型,最终模型在保持99 FPS的前提下,mAP@0.50提升了2.3个百分点,适用于露天光照变化环境下的无人机航拍实时检测任务。

关键词： 车辆目标检测   YOLOv5   卷积注意力模块   双向特征融合   小目标检测  

摘要： 公路监控视频中的车辆检测场景复杂多样,存在干扰严重、目标尺寸小、尺寸变化大等情况。已有基于深度神经网络的目标检测模型效率不高,且存在不同程度的错检及漏检问题。文章提出了一种基于通道-空间双注意力机制与双向特征加权融合的车辆目标检测模型,它与YOLOv5网络相结合,不仅提高了目标检测精度,还在满足实时性的前提下有效减少了模型计算量和参数。实验结果表明,模型的平均检测精度mAP由YOLOv5m的85.1%提升至91.5%,而计算量和参数量分别为YOLOv5m的44.3%与53.6%,同时检测速度略有提升,实现了简单、快速的车辆目标检测。

关键词： MR-YOLO   菌菇识别   注意力机制   深度学习   目标检测  

摘要： 针对目前菌菇生产、销售实际环境中人工识别存在误识别率高且效率低下的问题，本文利用不同的设备与途径采集了21类国民常见食用菌图像并建立数据集，提出了基于改进YOLOv5s的菌菇检测及分类模型MR-YOLO，在维持网络深度与宽度不变的情况下，提升算法模型性能，将原生的YOLOv5s算法网络结构进行修改，引入CBAM注意力机制来保证在节约参数与计算量的情况下帮助模型提升识别精度和准确率；此外，在模型池化层上采用SPPCSPC来使得模型在特征提取操作时获得不同的感受野，有效解决图像目标大小差异较大时所带来的负面影响；在模型卷积层上使用C2f模块，保证模型在轻量化的同时能够获取更丰富的信息流.试验结果证明，与官方原生YOLOv5s相比，MR-YOLO在识别精度上提升了4.1%.且边框损失、类别损失与置信度损失分别降低了8.0%、16.4%、9.7%.证明了MR-yolo模型相比YOLOv5s有着更强的性能与表现.

关键词： 边缘检测   计算机视觉   边缘特征描述   深度学习   图像处理  

摘要： 现有边缘检测方法可以分为基于梯度的方法和基于模型的方法。其中,基于梯度的方法通过计算图像的局部灰度变化来寻找边缘,易受噪声的影响且难以区分真实边缘与伪边缘。而基于模型的方法则通过拟合图像的局部结构来寻找边缘,需要预先定义边缘的形状及方向,且难以适应复杂的场景变化。为进一步提升图像边缘特征的检测准确度,文章提出了一种基于边缘视觉特征描述的新型计算机图像边缘特征检测方法。该方法首先利用深度学习技术将图像分割为多个小区域,并对每个区域提取边缘视觉特征,包括边缘强度、方向、曲率和连通性等;其次将特征输入深度神经网络以进行边缘分类与定位。实验结果表明,该方法在各种情况下都具有较高的准确率和鲁棒性。

关键词： 目标检测   YOLOv5模型   交通标志检测   注意力机制  

摘要： 针对自然场景中交通标志检测模型存在准确率低、识别效果差等问题,以YOLOv5为基础网络进行改进。首先,引入卷积注意力模块,获取更多细节特征;其次,采用BiFPN作为Neck层中的特征融合网络,以更好地实现多尺度特征融合;最后,采用深度超参数化卷积DO-Conv代替网络中部分传统卷积,增加网络可学习的参数数量。结果表明,与原始YOLOv5相比,改进后的YOLOv5网络模型检测精度提升了1.2%,检测速度提升了1.4fps,该模型能更快速、精准地识别交通标志。

关键词： 图像处理   OpenCV   视频监控系统   高斯滤波   腐蚀  

摘要： 针对实时获取监控视频车流量的迫切需求,利用OpenCV-Python实现监控视频车辆计数统计功能。首先,通过背景减除法的前景提取算法来分割出图像中的车辆。然后,通过轮廓检测和形态学操作对车辆进行处理和过滤,以消除噪声和不必要的检测结果确保准确计数。最后,将该方案与YOLOv5模型和SORT算法相结合作对比。实验结果表明,两种方案都能够有效地实现车辆的计数,但传统图像处理没有深度学习精度高,且难以适应不同路段的道路场景,为此提出将传统图像处理与深度学习相结合的建议,为车辆计数提供更好的解决方案。

关键词： 多粒度空间注意力   空间先验监督   目标检测   视觉Transformer   编解码架构  

摘要： 近年来,Transformer在视觉领域的表现卓越,由于其优秀的全局建模能力以及可媲美CNN的性能表现受到了广泛关注。DETR(Detection Transformer)是在其基础上研究的首个在目标检测任务上采用Transformer架构的端到端网络,但是其全局范围内的等价建模以及目标查询键的无差别性导致其训练收敛缓慢,且性能表现欠佳。针对上述问题,利用多粒度的注意力机制替换DETR的encoder中的自注意力以及decoder中的交叉注意力,在距离近的token之间使用细粒度,在距离远的token之间使用粗粒度,增强其建模能力;并在decoder中的交叉注意力中引入空间先验限制对网络训练进行监督,使其训练收敛速度得以加快。实验结果表明,在引入多粒度的注意力机制和空间先验监督后,相较于未改进的DETR,所提改进模型在PASCAL VOC2012数据集上的识别准确度提升了16%,收敛速度快了2倍。

关键词： 体素化   三维目标检测   三重注意力   非对称稀疏卷积  

摘要： 针对变电站三维场景中目标特征提取不充分引起的检测精度低的问题,提出一种基于体素化的变电站场景三维目标检测模型AugSecond。该模型基于Second网络结构设计,在体素特征编码阶段引入三重注意力机制,关注多维注意力以增强目标关键信息,降低无关特征信息干扰;设计非对称稀疏卷积网络,使用非对称卷积提高卷积核表征能力,并融合多尺度特征以丰富目标几何信息;同时对位置回归损失进行优化,使用CIoU Loss进一步考虑包围框之间的几何相关性以加快网络收敛速度。在自建电力场景数据集和公开数据集实验表明,相比基准模型,Aug-Second模型显著提升识别精度并具备实时性推理速度,证明了所提模型的有效性。