关键词： 智能汽车   3维目标检测   点云   柱形特征编码  

摘要： 基于柱形(Pillar)的单阶段点云3维目标检测算法凭借其较高的运行效率,在工业界得到了广泛的关注和应用。但对点云柱形量化造成的点云3维特征细粒度信息损失,导致这类算法对稀疏点云小目标的检测能力较弱。尽管部分研究对此问题提出了应对方法,但通常以较高的检测时间成本或者大目标检测精度作为代价。为此,该文提出了一种基于改进柱形特征编码的柱形点云目标检测算法。首先,构建可实现柱形单元内部点云局部与全局特征相结合的柱形特征编码网络,用于增强柱形量化特征的表征能力;然后,设计一个由2维稀疏卷积块与特征融合网络相结合的主干网络,用于融合多尺度的高级抽象语义特征和低级细粒度空间特征,防止过度关注小尺寸特征而降低大目标的检测性能;最后,在KITTI自动驾驶数据集上进行训练和测试,并对实验结果进行了可视化和消融研究。结果显示:所提算法在KITTI数据集的中等难度下,多个类别的平均精度均值达63.54%、平均方向相似性均值达70.72%,平均检测帧速率达31.5 f/s;与PointPillars、TANet和PiFEnet算法相比,该文算法的平均精度均值分别提高了2.44、2.05和2.38个百分点,平均方向相似性均值分别提高了4.69、0.68和7.83个百分点,在同类算法的对比中表现出工程应用潜力。

关键词： 目标检测技术   EasyDL平台   深度学习   信息耗材管理系统  

摘要： 将信息耗材管理与EasyDL目标检测技术相结合,实现了基于目标检测技术的智能信息耗材管理系统。采用EasyDL深度学习模型对信息耗材图像进行有监督训练,通过摄像头采集信息耗材图像进行多目标检测,识别耗材种类并计算数量,实现用户与信息耗材领取、管理的无纸化智能交互。

关键词： 合成孔径雷达(SAR)   目标检测   YOLOv8   卷积注意力模块(CBAM)   可变形卷积   EIoU  

摘要： 目的针对合成孔径雷达(synthetic aperture radar,SAR)图像舰船检测中因背景复杂、目标尺寸各异等因素导致的漏检、误检结果,提出一种基于YOLOv8(you only look once v8)的改进算法。方法首先,轻量化处理YOLOv8的原有网络结构,大幅降低网络的冗余度,使轻量化的网络更适合SAR图像舰船检测任务。其次,在主干网络中融入可变形卷积,增强模型对目标的感知能力,能更好地适应目标形变和复杂背景;同时,在颈部网络融入卷积注意力模块,减弱背景信息的干扰,使网络更专注舰船目标的特征。最后,采用EIoU(efficient intersection over union)损失函数,最小化预测框与真实框间的差值(包括宽度和高度),实现更快的收敛速度。结果分别在SSDD(SAR ship detection dataset)和HRSID(high-resolution SAR images dataset)上进行测试,结果表明,改进算法的检测性能优于当前几种流行的目标检测算法。其中,与YOLOv8相比,在两个公开数据集上,改进算法的精度评估指标mAP(mean average precision)@0.5分别提升0.68%和1.29%,mAP@0.75分别提升3.32%和3.10%,其处理速度FPS(frames per second)分别提升22帧/s和18帧/s。结论本文在轻量化处理YOLOv8基础上融合可变形卷积与注意力机制构建的改进算法,能实现SAR舰船检测精度和速度的双重提升。

关键词： 松树   图像识别   YOLOv5   EfficientNetv2   CBAM   BiFPN   目标检测  

摘要： 针对林区松材线虫病异常变色松树零星病枝难以识别、漏检率高、检测速度慢等问题,该研究提出一种基于自适应多尺度特征融合的轻量化目标检测方法。首先,将YOLOv5s的Backbone部分替换为EfficientNetv2-S以压缩模型参数量和计算复杂度,其次,添加CBAM(convolution block attention module)注意力模块加强网络对目标病害的关注度,然后,引入加权双向多尺度特征融合网络(bidirectional feature pyramid network,BiFPN)增强不同尺度特征图之间的融合程度,最后采用SIoU(shape intersection over union)损失函数提升模型收敛速度与回归精度。结果显示,改进算法在建模区的精确率、召回率和mAP0.5(IoU阈值为0.5时的平均精度均值)分别达到了92.95%、94.88%和94.21%,比原模型分别提高4.31、5.60和5.13个百分点,参数量、计算量分别为原YOLOv5s的77.07%和35.81%,实现了模型的轻量化;改进模型的帧率和权重文件分别为136.05帧/s和11.90 MB。在未建模区域8、9号样地中变色松树的精确率分别为92.70%、92.60%,枯死松树分别为93.94%、96.83%。在8号样地中枯死松树的召回率达到95.88%。该检测方法适用于自然场景下异常变色松树的快速准确检测,对提高松材线虫病防控智能化水平具有重要现实意义。

关键词： 交通运输工程   船舶工程   红外目标检测   YOLOv8   注意力机制  

摘要： 针对红外船舶图像目标特征模糊、背景复杂以及小目标漏检等问题,基于YOLOv8提出一种面向海上交通中船舶目标的检测算法YOLO-IST(YOLO for infrared ship target)。在基线模型的骨干网络中引入C2f_DBB模块和CPCA注意力机制,通过增加特征提取层来提升模型对目标的识别能力;利用C2f_Faster_EMA模块替换颈部网络中的C2f模块,以提升模型检测精度和速度;采用多重注意力的动态检测头Dynamic Head优化模型框架,增强模型对小船舶目标的检测效果。研究结果表明:YOLO-IST的召回率R_(ecall)、精确率P_(recision)、平均精度M_(ap@50)、平均精度M_(ap@50-95)和F_(1score)分别达到89.7%、90.5%、94.7%、66.6%、90.1%,较基线模型YOLOv8分别提升了4.5%、3.8%、4.4%、4.7%、4.2%。该模型的提出在海上智能交通中具有较广泛的应用前景。

关键词： 炮孔检测与定位   目标检测   特征提取   轻量化模型   细粒度特征  

摘要： 在岩巷掘进工作面爆破作业中,目前采用人工装药或由经验丰富的人员操作机械臂进行装药,作业的有效性和安全性难以保证。装药机械臂的智能化发展是实现掘进面爆破作业中药物填充操作安全高效运行的关键,而炮孔图像检测算法是装药机械臂智能化控制系统的核心算法。为实现装药机械臂的智能化控制,保证炮孔图像检测精度的同时降低控制装置的功耗,使装药机械臂嵌入式控制装置满足本质安全型电气产品的安全要求,提出了一种轻量化炮孔检测与定位算法Mv3-SCD。该算法在炮孔检测精度方面,针对炮孔受围岩背景、岩石阴影影响产生的误检现象,以及炮孔在图像中表现出上下文信息少、可识别特征有限导致的漏检问题,首先设计了一种炮孔检测头结构,通过使用高分辨率的检测头来减少过多的下采样导致的炮孔特征损失;然后引入了Mv3_Block使算法在浅层特征便具备较强的炮孔语义抽象能力,通过配合空洞金字塔池化模块增大感受野,以捕获复杂围岩背景下炮孔和岩石遮挡形成的阴影之间的细粒度差异特征;最后,为了提高炮孔边界框回归的准确率,对损失函数进行了优化。针对炮孔图像检测与定位算法网络模型参数量大、每秒帧数小的问题,提出了一种轻量级的Sc_C2f模块来对网络结构进行优化。为了验证算法的有效性,分别从主观和客观2个方面对Mv3-SCD系列进行了分析。与最小基线模型相比,Mv3-SCDn炮孔算法具有最优的炮孔检测效果,炮孔检测模型参数量下降了7.17%,检测速度提高了45.44%。实验结果表明,提出的算法能够有效提高智能装药机械臂的精准度和网络模型的轻量化程度。

关键词： 目标检测   复杂场景   多尺度船舶检测   合成孔径雷达(SAR)   深度学习  

摘要： 针对复杂场景下的多尺度SAR舰船目标检测存在误检漏检的问题,提出了一种改进的SAR舰船目标检测方法。首先,利用多尺度目标特征提取网络提取特征信息,以提升多尺度目标的检测能力并减少冗余计算。其次,引入可形变卷积(DConv)通过自适应调整卷积核的形状来提升复杂场景下SAR舰船目标的检测性能。最后,引入了注意力机制来抑制背景杂波并增强特征信息。实验结果表明,在SSDD数据集和HRSID数据集上改进方法的检测精度分别达到了97.9%和93.1%,整体性能优于现有主流目标检测算法。

关键词： 深度学习   无人机   目标检测  

摘要： 文章设计了一种基于深度学习的无人机(Unmanned Aerial Vehicle,UAV)目标检测与跟踪系统,旨在提升无人机在动态环境中的目标识别与跟踪能力。深度学习模型模块基于YOLOv4进行目标检测;目标检测与跟踪模块集成深度SORT与Siamese网络,实现实时多目标跟踪。实验结果表明,系统在COCO和实际场景数据集上的平均检测精度(mean Average Precision,mAP)分别达到86.5%和81.3%,目标跟踪精度(Multiple Object Tracking Accuracy,MOTA)最高达到78.2%。该系统在动态环境中表现出较强的目标遮挡恢复能力,路径规划成功率提升至92.4%,路径偏差降低至2.8 m,验证了其检测精度、跟踪稳定性及环境适应能力。

关键词： 扩展目标跟踪   随机矩阵   高斯-学生t混合分布   变分贝叶斯方法  

摘要： 针对非平稳异常噪声环境下扩展目标跟踪问题,该文提出一种基于高斯-学生t混合(GSTM)扩展目标跟踪方法。首先,将过程噪声和量测噪声建模为GSTM分布,以表征非平稳厚尾噪声,并通过引入伯努利随机变量,将目标的运动状态和量测似然函数建模为分层高斯形式。其次,在随机矩阵(RMM)滤波框架下,使用变分贝叶斯方法详细推导了非平稳厚尾噪声下的GSTM扩展目标跟踪算法。该算法通过建模高斯噪声与厚尾噪声之间的非平稳过程,精确表征噪声特性,从而在非平稳异常噪声环境下稳健捕捉扩展目标的质心位置和轮廓形态。最后,构建非平稳异常噪声环境下的扩展目标跟踪仿真实验,并通过高斯-瓦瑟斯坦距离对实验结果进行效果评估,验证了所提出算法的合理性。此外,真实场景实验结果进一步证明了该算法在实际应用中的有效性和鲁棒性。

关键词： 无监督学习   显著性目标检测   西藏古建筑   冲量扩张   室内检测  

摘要： 针对西藏室内复杂纹理背景下显著性目标检测算法难以全面标记显著区域的问题,在A2SNet模型基础上提出改进的MA2SNet模型。引入高效通道注意力模块,增强预训练模型对复杂场景的检测能力;添加基于区域扩张的冲量策略,结合高置信度标签和噪声线索,提高伪标签的全面性和准确性;改进实时标签纠正策略,实时优化伪标签质量。采用深度学习的无监督显著性目标检测方法,降低了为众多物品手动注释标签的人力成本。实验结果表明,F2和召回率相较于基线模型,在西藏数据集和公共数据集都有所提高,可稳定、全面地检测图像占比大于40%的单物体显著目标。