关键词： 红外目标   检测与识别   深度学习   轻量化   YOLOv5n  

摘要： 基于深度学习算法的红外目标检测与识别技术是学术界研究的一个重要领域。基于对红外目标检测与识别的高精度和算法的轻量化两个目标的前提之下,在YOLOv5n网络模型的基础上,首先使用扩张式残差卷积(DWR)替换网络中的C3模块,实现了网络的轻量化,并且使网络可以灵活的提取不同尺度的特征。然后针对红外图像分辨率低且细节模糊的特点,用AF-FPN代替原来的FPN结构,提高了多尺度红外图像目标识别的能力。最后采用iRMB注意力机制插入到检测层,使得模型轻量化的同时检测精度仍能与原来的YOLOv5n相近。实验结果表明,改进模型较原YOLOv5n网络值提升了0.8%,模型体积下降了17%,实现了模型轻量化的同时基本不影响模型检测精度,满足体积小和轻量化需求,适合部署到嵌入式设备。

关键词： 手势识别   手势交互   人机交互   多模态智能交互   计算机视觉  

摘要： 手势识别与交互技术是人机交互技术与人工智能技术前沿研究的基石任务。该任务以计算机和设备协同工作识别、处理手势信息并给出与手势相对应的机器操作为主要目标,融合应用了动作捕捉、图像处理、图像分类、多端协同交互工作等多项技术,是支撑指挥控制系统、机器人交互、医疗操作等当下前沿智能交互工作与人机交互工作的有力保障。目前,手势识别与交互的相关研究已经日渐成熟,应用领域广泛、应用场景丰富。本文主要对手势识别与交互的相关技术和硬件发展做出综述。首先,全面梳理手势识别与交互技术的研究进展,同时对手势识别的关键步骤进行归类描述;其次,分类阐述用于三维手势交互的当前主流手势识别深度传感器的相关工作;随后,对三维手势识别的真实感识别技术进行剖析和讨论;最后,分析手势识别与交互技术中存在的不足与亟待改进的问题,提出融合深度学习、模式识别等前沿技术与有可行性的研究思路和方法,对该领域未来的研究方向、技术发展和应用领域做出预测和展望。

关键词： 自卸车盲区   目标检测   YOLOv8   预警系统  

摘要： 针对自卸车外形尺寸大导致车辆右转弯时存在较大视野盲区的问题,提出一种自卸车右转盲区风险目标动态检测算法,该算法利用YOLOv8模型的C2f模块和损失计算模块,提高了模型的检测精确率。同时,在盲区中预设4条位置阈值线,增加盲区风险预警模块,建立了自卸车右转盲区辅助驾驶系统。结果表明:所提出的风险目标动态检测算法能够识别小型乘用车、载货汽车、公交车、行人和电动自行车等多种类型的目标,且所有类别目标的50%交并比阈值下的平均精度均值(mAP50)为0.87;自卸车右转盲区辅助驾驶系统能够根据图像中风险目标框的位置进行不同程度的预警。

关键词： AGV目标定位   全局视觉   目标检测  

摘要： 全局视觉通过分析输入的图像或视频以获取整个场景的信息,它是实现自动驾驶的关键技术之一。针对目前全局视觉在感知和识别自动导引车(automated guided vehicle, AGV)的能力易受环境因素影响的不足,设计了目标特征颜色条件分类算法和颜色因子稳定特征法。目标特征颜色条件分类算法以特定的颜色色块为识别目标,在图像中提取特定色块的像素颜色信息,通过计算这些特定色块的质心坐标和角度信息,实现AGV的定位及方向计算;颜色因子稳定特征法能够在不同光线干扰的环境下准确识别出颜色,提高不同光照条件下AGV识别的鲁棒性。实验结果表明,本算法加强了AGV的抗干扰性,使其在不同的环境和光照下能够精确识别目标。

关键词： 三维目标检测   RGB体素特征   视锥变换   半监督学习   KITTI数据集  

摘要： 基于LiDAR、可见光等多模态传感器的高精度三维目标检测是自动驾驶领域的关键技术。为了提高目标检测的精度和方位感知能力,降低模型对于标注数据的依赖,结合视锥变换方法优化了三维点云方向特征提取策略,提出了一种基于视锥变换和半监督学习架构的三维目标检测技术。具体而言,基于通道注意力模块优化视锥体对远距离目标的感知能力,提出了RGB体素模块提升遮挡目标的识别精度。首先通过深度网络从RGB图像中提取纹理信息,将其与激光雷达的距离信息融合,以保持三维空间特征的完整性。其次,通过特征融合模块提取体素空间特征的权重。最后,采用自适应伪标签方法降低对标注样本的依赖,并基于群体投票方法进一步降低误报率。实验结果表明,该方法在KITTI数据集上取得了令人满意的成果,行人和车辆目标检测的准确率分别达到了56.30%和75.88%。该研究为未来在复杂的场景中实现高效的三维目标检测提供了思路,并为进一步优化自动驾驶的多模态数据融合技术奠定了基础。

关键词： 单目3D目标检测   高深约束   边缘融合   多尺度特征   注意力机制  

摘要： 单目3D目标检测旨在通过单目图像完成3D目标检测,现有的单目3D目标检测算法大多基于经典的2D目标检测算法。针对单目3D目标检测算法中通过直接回归的实例深度估计不准,导致检测精度较差的问题,提出了一种基于高深约束与边缘特征融合的单目3D目标检测算法。在实例深度估计方法上采用几何投影关系下的实例3D高度与2D高度计算高深约束,将实例深度的预测转化为对目标的2D高度以及3D高度的预测;针对单目图像存在图像边缘截断目标,采用基于深度可分离卷积的边缘融合模块来加强对边缘目标的特征提取;对于图像中目标的远近造成的目标多尺度问题,设计了基于空洞卷积的多尺度混合注意力模块,增强了对最高层特征图的多尺度特征提取。实验结果表明,所提方法在KITTI数据集上的汽车类别检测精度相比基准模型提升了7.11%,优于当前的方法。

关键词： YOLOv8n   卷烟种类   PConv   BiFPN   轻量化  

摘要： 由于单纯依靠人工检测卷烟售卖情况存在着库存管理成本高、数据更新慢和监控效率低下的问题,为了实现卷烟在烟草店售卖情况的自动化检测,有效减少烟草行业零售终端操作不规范的现象,提出一种基于YOLOv8n模型的卷烟种类检测算法。首先,使用PConv卷积方式在主干网络进行有效特征提取,在模型获取全局上下文信息的同时有效地减少模型的参数量和计算量。然后,采用加权双向特征金字塔网络BiFPN的特征融合思想,使模型能够有效融合不同尺度的特征图的同时保证模型的检测精确率。最后,基于自建烟草数据集进行实验,所提出算法的模型参数量是原来的20.16%,FLOPs降至8.4 GB,精确率提高了3%。实验结果表明,所提出的算法有效地减少了模型在进行目标检测时的响应时间,实现了轻量化且精确率较高的卷烟种类的目标检测方法。

关键词： 特征金字塔结构   残差特征增强模块   轻量级注意力机制   动态样本分配策略  

摘要： 针对轻量级目标检测算法SSD-Lite检测精度低、对小目标预测能力差等问题,提出了一种采用动态样本分配策略的多尺度特征融合目标检测算法。在轻量级目标检测算法SSD-Lite的颈部网络引入特征金字塔结构(feature pyramid network,FPN),并对其进行轻量化设计,同时引入残差特征增强模块(residual feature augmentation,RFA),采用残差分支注入不同空间的上下文信息来改善高层特征的特征表达,以提升网络对小目标的检测能力;在特征金字塔结构中插入轻量级注意力机制ECA模块,提升网络对重要特征的关注能力;针对网络训练过程中采用的固定交并比(intersection-over-union,IOU)阈值的样本分配策略导致的正负样本分配适应性差、难以选出高质量正样本等问题,设计了一种动态样本分配策略,取消锚框的预设置,采用中心点采样的方式,同时结合样本均值、标准差作为筛选阈值,减少人工先验的影响,在不改变网络结构的情况下提升算法性能。算法在Pascal VOC数据集上测试,实验结果表明:该算法整体预测精度相较于基准算法提升1.9个百分点,对小目标检测能力提升3.3个百分点,算法推理时延仅增加2.32%;实验证明了该算法可以以较小的性能代价,显著提升算法的预测精度。

关键词： 采掘工作面   小目标检测   YOLOv8n   安全防护装备检测   多尺度目标识别  

摘要： 为有效检测和识别煤矿井下采掘工作面人员是否佩戴安全防护装置,针对井下光照条件差、安全防护装备目标尺寸小且颜色与背景相似等情况,提出了一种基于改进YOLOv8n的采掘工作面小目标检测方法。在YOLOv8n骨干网络C2f模块中融合动态蛇形卷积(DSConv),构建C2f−DSConv模块,以提高模型提取多尺度特征的能力;在Neck层引入极化自注意力(PSA)机制,以减少信息损失,提高特征表达能力;在Head层增设1个专门针对小目标的检测头,形成4检测头结构,以扩大模型检测范围。实验结果表明,改进YOLOv8n模型对井下人员及其所佩戴安全帽、矿灯、口罩、自救器检测的平均精度分别为98.3%,95.8%,89.9%,87.2%,90.8%,平均精度均值为92.4%,优于Faster R−CNN,YOLOv5s,YOLOv7,YOLOv8n模型,且检测速度达208帧/s,满足煤矿井下目标检测精度和实时性要求。

关键词： 无源探测   多目标跟踪   一致性信息滤波   分布式协同观测  

摘要： 针对巨型星座群等空间非合作目标实时跟踪难题,提出一种天基分布式协同无源探测的多目标跟踪方法。首先,建立了地球非球形J2项摄动和大气阻力摄动条件下的轨道动力学模型,并建立了星载的单位视线矢量测量模型。然后,建立了基于势均衡概率假设密度滤波的多目标跟踪算法,并采用高斯混合方法求得多维积分的近似封闭解,降低算法的计算复杂度,以解决星载实现问题。接着,设计了多平台多目标跟踪交互的一致性信息融合方案,引入标签进行目标区分,减少不同平台之间信息传递与融合带来的计算匹配问题,并使用一致性信息滤波进行信息融合。最后,以某星座局部区域的15颗轨道相近的星座卫星作为跟踪目标,对所提方法进行仿真实验验证。仿真结果表明所提方法有效,跟踪性能比传统方法提升了约60%,在协同构型不奇异情况下跟踪的位置误差在5 km以内。