关键词： 自动驾驶   小目标检测   YOLOv7   注意力机制   损失函数  

摘要： 能否准确实时检测出道路上的车辆、行人等物体对自动驾驶车辆十分重要。针对自动驾驶场景下,车辆在行驶中存在的漏检,小目标检测效果差的问题,提出一种改进YOLOv7算法的自动驾驶目标检测算法。修改网络中扩充感受野的模块,减少感受野模块的大小,提高模型速度的同时增强对图片特征信息的提取能力。在主干网络输出端引入双层路由注意力机制,提高模型对小目标物体的检测性能。用EIOU损失函数替换算法原本的CIOU损失函数,将预测框与真实框的高度与宽度的差异最小化,加快模型收敛速度的同时达到更好的定位效果。实验结果表明:在KITTI数据集上,改进后的YOLOv7算法进行目标检测时,其mAP达到94.7%,在原YOLOv7算法上提升了3.1个百分点,并且在小目标物体检测上获得了更高的检测精度,有效提升了模型对小目标检测效果。

关键词： MFF-YOLOv7   小目标检测   多级感受野   多目标追踪   Bytetrack  

摘要： 近年来,目标检测技术已经相当成熟,但小目标检测一直是目标检测领域的一大挑战。为了解决这一问题,设计一种名为MFF-YOLOv7的小目标检测算法,该算法旨在提高小目标检测的准确率。设计级联双向特征金字塔KBiFPN,以及联合提出的多级感受野特征聚合模块MFA,来聚合浅层特征并增强特征的信息表达能力。为了解决小目标漏检问题,设计了新的解耦头和新的注意力机制。新的解耦头对小目标的检测能力更强,新的注意力机制可以重点关注感兴趣的小目标区域。引入了一种新的损失函数ECIOU,旨在加快模型的收敛速度。为了验证模型的性能,分别在三个小目标数据集上进行了实验。实验结果表明,MFF-YOLOv7算法提高了检测精度。同时,使用多目标追踪Bytetrack算法在MOT17和VisDrone2019-MOT两个多目标追踪数据集上对新模型进行了验证,进一步证明了其有效性。此外,MFF-YOLOv7算法在动态视频追踪中表现出了良好的性能。

关键词： 机器视觉   表面粗糙度   图像处理  

摘要： 为了对车削工件表面粗糙度进行快速检测,提出了一种使用机器视觉技术的车削表面粗糙度检测方法,采用机器视觉技术、数字图像处理技术等对车削工件表面进行非接触式检测。首先使用MATLAB软件对图像进行了预处理(灰度化、高斯滤波等),然后提取了灰度曲线,根据均值和周期对粗糙度参数进行了计算,并与实际值进行了对比。结合实例,验证了机器视觉技术在车削表面粗糙度检测中的有效性和实用性。该方法具有快速、低成本、非接触等优点。

关键词： 智慧农业   目标检测   准确率   种植管理   人工智能  

摘要： 本研究在介绍我国智慧农业发展现状的基础上,提出了作物在种植过程中构建智能预测、识别(目标检测)的方法。并以大叶种晒青茶叶病虫害精准定位(识别)为例,分别介绍了茶叶病虫害图像采集、数据处理、病虫害识别模型构建以及模型结果与分析的过程,提供了一种对大叶种晒青茶叶面病虫害的检测方法,提高检测茶叶病虫害的准确率。该方法主要阐述了人工智能技术在作物种植管理过程中的应用,为智慧农业的精准化管理提供了一种方法。

关键词： 多目标跟踪   重识别   注意力机制   相似度矩阵  

摘要： 针对复杂环境下多目标跟踪出现漏检与数据关联算法不友好导致目标之间频繁发生切换等问题,提出了基于FairMOT框架的多目标跟踪算法MFMOT。设计了轻量化多支路注意力模块,利用通道分组降低复杂度,从三个维度进行特征增强,使网络筛选提取到特征信息。重识别分支采用PolyLoss损失函数,增强同类目标之间的语义信息以区分同类不同目标对象。提出多特征融合相似度矩阵,通过融合多种特征相似度矩阵得到最优的相似度矩阵,降低目标之间身份切换次数。实验结果表明,在MOT17与MOT20数据集中HOTA分别为61.5%与56.1%,相比原有FairMOT模型分别提升2.2个百分点与2.3个百分点。与此同时,将多特征融合相似度矩阵应用至与FairMOT相同模式的多目标跟踪方法中,HOTA、MOTA与IDF1均得到提升。

关键词： 语义分割   点云   图卷积神经网络   深度学习   计算机视觉  

摘要： 随着点云在自动驾驶、地图测绘和矿山测量等领域的广泛应用,人们愈发关注这种蕴含丰富信息的数据表示形式。点云语义分割作为点云数据处理的重要手段,因具有极高的研究价值和应用前景而受到广泛关注。由于点云所具有的置换不变性和旋转不变性等特点,传统的卷积神经网络无法直接处理不规则的点云数据,而图卷积神经网络却可以使用图卷积算子直接提取点云特征,逐步成为当前点云分割领域的研究热点。虽已有综述性文章对点云分割方法做出总结,但这些文章对图卷积的介绍较为粗略。因而对近几年基于图卷积的点云分割方法进行了分析和归类,总结每类方法的研究思路和特点;然后,介绍了一些在点云语义分割领域中主流的点云数据集和评价指标,并对提及的分割方法的实验结果进行对比;最后,对各类方法的发展方向进行了展望。

关键词： YOLOv3   X光图像   目标检测  

摘要： 基于人类视觉的X光图像违禁品检测往往受限于工作强度和复杂人流环境,给安检工作带来巨大挑战。使用人工智能方法对违禁品进行自动检测与判别,对辅助安检工作具有重要的现实意义。提出基于YOLOv3的X光图像违禁品目标检测模型,在传统YOLOv3的基础上增加了一个检测尺度,实现实时的X光图像违禁品的自动判别,即不仅能够辨别出违禁品的种类,还能对违禁品在图像中所处的位置进行标定。实验结果表明,改进后的YOLOv3在Precision、Recall、mAP和F1四个模型评价指标上均取得提高,其中mAP值达到96.2%,对于安检X光图像违禁品目标具有良好的检测效果。

关键词： 可骑行性   街景图像   计算机视觉  

摘要： 选取来自国际学术期刊的论文,以概述形式对城市交通理论方法、实证分析等学术研究成果进行总结性介绍,旨在增强城市交通业界和学界对国际学术动向和研究热点的关注,促进学术交流。本论文对街景图像和计算机视觉技术在可骑行性评价中的应用进行探索,构建包含5类34个指标的可骑行性指数,并在新加坡和东京进行实证研究。结果表明,将街景图像和计算机视觉技术相结合能够有效评价可骑行性,且街景图像指标显著优于非街景图像指标,然而兴趣点数量、土地混合利用指数、道路坡度、空气质量指数等非街景图像指标的作用亦不容忽视。

关键词： 自然资源审计   深度学习   目标检测   轻量化网络   YOLOv5   水资源审计  

摘要： 党的二十大报告指出,尊重自然、保护自然、顺应自然是全面建设社会主义现代化国家的内在要求,开展自然资源审计的重要性不言而喻。当下自然资源审计虽然已经取得了一定的成果,但在图像等非结构化数据的处理上仍然效率不高。水资源作为自然资源的重要组成部分,其审计工作的重要性不言而喻,而且图像等非结构化数据在水资源审计数据中占比很大。为此,文章以自然资源审计中的水资源审计为例,聚焦于水污染图像数据处理,设计了一种基于深度学习的自然资源审计数据处理算法。通过对主流YOLOv5网络的改进,使其在水污染图像数据处理的准确率和处理速度等方面具有良好的表现,为提升自然资源审计的效率提供了有力支撑。

关键词： 图像处理   相位相干   机器视觉   晶体   缺陷检测  

摘要： 针对目前在晶体内部微缺陷研究上的检测精度较低、检测尺度不足的问题,提出了一种基于四焦距相位相干机器视觉的晶体内部微缺陷检测法,并建立了相应的检测系统。本方法通过四焦距相位相干光路,将晶体内部缺陷的相位信息转化为灰度信息,形成晶体内部缺陷特征图像。利用机器视觉算法,提取缺陷特征图像中的相位信息丢失点,并通过滤波算法对这些点进行恢复。然后通过特征提取、灰度分析算法,对缺陷特征图像进行处理分析,最后得出晶体内部缺陷的厚度,完成对晶体内部微缺陷的检测。实验结果表明,利用该方法对有机玻璃表面中心镀60 nm的二氧化硅膜的模拟相位缺陷进行检测,相对误差为1.83%,检测分辨率达到纳米量级。相对于动态泰曼干涉仪检测的2.4%的相对误差以及激光聚焦线扫描法的40μm检测分辨率,有着较大的提升,也证明所提出的方法能够有效运用于晶体内部的微缺陷的检测。