关键词： 目标检测   轻量化级神经网络   注意力机制   多尺度特征融合  

摘要： 由于YOLOv5目标检测模型中参数多、计算复杂度高,无法满足边缘设备进行智能计算和实时反馈的需求,提出了基于多尺度特征融合的轻量级目标检测算法。首先,针对标准卷积模块参数量大、计算复杂度高的问题,提出基于幻影卷积的特征提取卷积模块代替原模型的特征提取模块,在保持检测精度的前提下,减少模型的参数量和计算量。其次,设计出ShuffleNetv2_2下采样模块,进一步减少算法的参数量。再次,针对模型轻量化后的特征提取能力不足问题,将低维特征充分融合到Neck网络中并添加跨层级联以降低浅层语义的丢失,在增强目标特征的表达的同时提高模型的检测效率。最后,提出LAM注意力融合模块,为模型的颈部网络提供具有更丰富的语义特征图。实验结果表明,相比于原模型,改进模型的参数量和计算量更少,并且在PascalVOC和MSCOCO数据集的检测准确率分别提高了2.1%和2.4%。

关键词： 遥感图像   定向目标检测   注意力特征融合   特征金字塔网络  

摘要： 遥感目标检测往往具有图像尺度变化大、目标微小、密集排列和宽高比过大的特性,给高精度定向目标检测造成困难.本文提出了一种全局上下文注意力特征融合金字塔网络.首先,本文设计了一种三重注意力特征融合模块,它能够更好地融合语义和尺度不一致的特征.然后引入层内调节方法改进并提出了一个全局上下文信息增强网络,对含有高级语义信息的深层特征的进行细化,提升表征能力.在此基础上,以全局集中调节的思想设计了全局上下文注意力特征融合金字塔网络,利用注意力调制特征自上而下地调节浅层多尺度特征.在几个公开数据集中进行了广泛实验,实验结果的高精度评价指标均优于目前先进的模型.

关键词： 图像处理   改进Retinex算法   海底地貌图像   图像纹理细节  

摘要： 为获取更清晰的海底地貌图像,研究基于改进Retinex算法的海底地貌图像增强方法。使用高斯低通滤波器进行低频入射分量的卷积操作,计算图像带色彩恢复输出值;构造一般表现形式,得到像素区域内对数修正的输出值;基于多尺度Retinex算法对色彩对比度进行增强处理;计算亮度值以及图像的入射分量,对海底地貌图像进行光照补偿;改进Retinex算法,实现海底地貌图像增强。由对比处理图像结果可知,所提算法的增强图像亮度更均匀、色彩更饱满且细节纹理更清晰。在客观参数对比中,所提算法对比度、清晰度以及信息熵也高于其他图像,有效提高了图像清晰度。

关键词： 螺栓松动检测   YOLOX   深度学习   目标检测  

摘要： 螺栓对机械结构的稳定性有较大影响,针对螺栓松动检测作业的需求,提出了一种基于YOLOX的螺栓松动检测方法,实现对螺栓松动的快速检测。将YOLOX中检测效果最优的YOLOX-X算法应用于螺栓目标检测和螺栓标记线检测,YOLOX算法以YOLOv3-spp为基础框架,通过加深网络深度和引入大量残差结构的方法,增强了特征提取的能力,并提高了检测精度和检测效率。采集大量的螺栓图片验证该螺栓松动检测方法的有效性,实验结果表明:YOLOX-X目标检测的准确度较高,通过目标检测结果可以有效地判断出螺栓是否松动。

关键词： 数据融合   计算机视觉   光流法   逐次变分模态分解   互相关函数  

摘要： 结构动态位移测量与精准估计对于结构安全运营和性态评估具有重要意义.基于计算机视觉的位移监测方法具有精度高、非接触式、成本低、设备安装简便等优点,在实际复杂工程环境中,设备难以架设,视觉测量方法较传统接触式位移监测方法具有明显的优势.图像分辨率和拍摄帧率等因素在一定程度上限制了视觉方法的使用.针对视觉位移测量技术高频振动识别精度低的问题,提出了一种基于视觉与加速度测量的结构动态位移重构方法,通过融合视觉低频与加速度高频振动响应信号,实现结构动态位移精准识别.首先,利用光流法从结构振动视频数据中提取结构位移响应,引入前后向误差与离群值过滤机制,提升特征点追踪精度,避免漂移问题.然后,利用逐次变分模态分解方法分别从视觉位移与加速度二次积分得到的位移信号中提取相应的本征模态函数(intrinsic mode function,IMF)分量.最后,基于互相关函数筛选机制,确定融合模态分量,融合基于视觉测量的低阶IMF与基于加速度测量的高阶IMF,重构结构位移响应.通过一个钢筋混凝土框架结构振动台试验,对提出的位移融合估计方法进行了试验验证.结果表明:与单一视觉测量方法相比,所提出的方法能够更为准确地估计结构动态位移,并且通过引入加速度测量中的动态位移分量,融合后的位移比基于视觉测量的结果具有更宽的频率范围.

关键词： 自动驾驶   环境感知   多模态   目标检测   车道线检测  

摘要： 自动驾驶车辆对动态物体的感知以及对静态车道线的检测往往需要满足高准确率和低延时的特征。针对不同的传感器特性(如激光雷达、摄像头),文章提出一种高效的多模态鸟瞰视角下(BEV,Bird'seye-view)的三维目标与三维车道线检测模型,称之为BOLD。该模型结合激光雷达定位准确度高以及图像语义信息丰富等互补性的优点,基于Lift-splat-shoot相机视椎模型将图像的二维特征转化至BEV空间,紧接着针对不同的任务共享骨干网进行特征提取,进一步降低模型成本,实现端到端的模型训练和低延时模型推理。

关键词： 多传感器融合   图像识别   目标检测   神经网络   准确性  

摘要： 随着科技的飞速发展,智能设备在导航、自动驾驶、安全监控等领域的应用日益广泛,但单个传感器往往难以应对复杂多变的环境条件,多传感器信息融合技术应运而生,成为提高目标检测准确性和鲁棒性的关键手段。为优化图像识别和目标检测技术,文章主要分析了多传感器融合技术在图像识别与目标检测中的优化应用方案,通过整合不同的传感器信息,提出一种改进的多传感器融合算法,以增进目标检测准确性和鲁棒性。研究结果表明,在图像识别与目标检测中融合多传感器可显著增进目标检测的效率与精度,尤其可高效应对动态环境和复杂环境。

关键词： 道路工程   路面病害   图像处理   算法优化   CBAM-YOLOv8  

摘要： 为解决基于机器视觉检测路面病害的速度与精度不高、算法优化效果不显著的问题,在YOLOv8算法中引入CBAM模块,并开展消融试验分别引入SE模块和ECA模块,使用开源的RDD 2020数据集训练模型,经图像预处理得到二进制图像。与YOLOv8算法相比,CBAM-YOLOv8算法的精确率、召回率、mAP@0.5、mAP@0.5:0.95均有所提高,而SE-YOLOv8算法和ECA-YOLOv8算法的检测精度较YOLOv8有所降低。进一步通过RDD 2022数据集验证了CBAM-YOLOv8算法在路面病害检测中的优越性。CBAM-YOLOv8算法的应用可以进一步提高路面病害检测的速度和精度,具有显著的优化效果。

关键词： YOLO算法   目标检测   计算机视觉   特征提取   卷积神经网络  

摘要： 近年来,基于深度学习的目标检测算法是计算机视觉研究热点,YOLO算法作为一种优秀的目标检测算法,其发展历程中网络架构的改进,对于提高检测速度和精度起到了重要作用。对YOLOv1~YOLOv9的整体框架进行了横向分析,从网络架构(骨干网络、颈部层、头部层)、损失函数方面进行了对比分析,充分讨论了不同改进方法的优势和局限性,具体评估了改进方法对模型精度的提升效果。讨论了数据集的选择与构建方法、不同评价指标的选择依据,及其在不同应用场景中的适用性和局限性,深入研究了在五个应用领域(工业、交通、遥感、农业、生物)YOLO算法的具体改进,并对检测速度、检测精度及复杂度之间的平衡进行探讨。分析了YOLO在各领域的发展现状,通过具体实例总结YOLO算法研究中存在的问题,并结合应用领域的发展趋势,展望YOLO系列算法的未来,详细探讨了YOLO算法的四个研究方向(多任务学习、边缘计算、多模态结合、虚拟和增强现实技术)。

关键词： 遥感   IspecHyper   无人机   高光谱影像   图像处理  

摘要： 为解决IspecHyper(莱森光学)多旋翼无人机高光谱成像系统缺乏数据处理配套软件,采集多航带高光谱数据误差大、坐标缺失、无法自动拼接等问题,以武鸣区太平镇角龙村柑橘种植基地为研究区,开展IspecHyper多旋翼无人机高光谱影像处理方法研究。首先,利用IspecHyper-VM200成像系统获取研究区高清照片和多航带高光谱影像数据;其次,以高清照片为数据源,通过PXI4D Mapper软件预处理和ENVI软件影像几何校正,形成高分辨率无人机正射影像;最后,利用ENVI软件裁剪多航带高光谱影像扭曲边界数据,以无人机正射影像为基准完成几何校正,进而通过影像镶嵌和光谱转换计算,形成高光谱反射率影像产品。结果表明,该研究形成的技术方法可有效解决IspecHyper多旋翼无人机高光谱影像处理存在问题,同时为无人机高光谱影像处理提供技术参考。