关键词： 船舶检测   小目标检测   样本重构   深度学习   旋转目标  

摘要： 针对遥感影像船舶目标尺度小、场景分布不均匀、目标尺寸相对样本尺寸占比小以及深度学习模型对于小目标泛化性能不好的问题,提出一种样本重构的方法。首先对船舶目标按其最小外接矩形进行裁剪,然后采用多种方式合成标准尺寸样本,通过样本重构,可以提高样本中的目标占比,解决不同场景下目标分布不均匀的问题。实验发现,使用样本重构方法训练的模型,对于小目标的检测能力有所提升,结合在网络中添加小目标检测层,结果显示,模型在测试样本上的平均准确率(average precision, AP)从0.502提升到0.674,验证了该方法的有效性。

关键词： 目标检测   知识蒸馏   轻量化网络   注意力机制   Wise-IoU  

摘要： 安全帽佩戴检测对建筑工地的安全管理至关重要,现有的检测模型存在检测速度慢、检出精度低及难以实地部署等现象,据此提出一种基于YOLOv5s的轻量化安全帽检测模型KD-YOLO,该模型引入知识蒸馏的思想,将改进的轻量级网络作为学生网络,通过教师-学生的知识传递,来提升学生网络检测准确性;利用轻量级注意力模块Shuffle Attention,以增强对图像有用信息的关注;采用基于动态非单调聚焦机制的边界框损失Wise-IoU损失函数来平衡不同质量的锚框,减少误检和漏检。实验结果表明,改进的轻量化安全帽检测模型通过引入知识蒸馏等优化策略后网络的平均精度均值提升3.5%,参数量减少18.1%,浮点运算数减少1.8%,满足建筑工地实时安全帽佩戴检测需求,同时模型内存占用少,易于实地部署。

关键词： 昏暗图像   YOLOv5n   全维动态卷积(ODConv)   MobileNetV2   RepGFPN   GhostConv  

摘要： 相比于正常光照场景,照明不良昏暗场景干扰因素较多,图像处理较为复杂,且现有的昏暗目标检测,存在参数量大,识别准确率低等不足。针对昏暗场景下目标检测算法中存在误检与漏检等问题,提出以YOLOv5n算法为基础进行改进的昏暗场景目标检测算法Dim-YOLOv5n。利用嵌入全维动态卷积(omni-dimensional dynamic convolution,ODConv)的轻量化主干ODConv-MobileNetV2替换主干网络,在减少计算量的同时提高检测精度。基于RepGFPN(reparameterized generalized-FPN)方法设计更加轻量高效的LigGFPN(lightweight generalized-FPN)加强特征融合网络,以提高网络特征提取能力,并在此基础上,使用GhostConv(ghost convolution)替换传统卷积,以减少模型的参数量。实验结果表明,改进后算法与原算法相比,检测精度P和召回率R分别提高了5.3个百分点和5个百分点,平均精度均值mAP0.5:0.95和mAP0.5分别提升了8.2个百分点和4.6个百分点,改进的算法在保证模型较小的同时有效提高了检测准确率。

关键词： 输电线路   无人机巡检   缺陷智能识别   图像处理   红外成像  

摘要： 为解决输电线路巡检效率低下、识别准确性不高等问题,本文围绕无人机巡检缺陷智能识别技术展开分析。介绍了本公司输电线路巡检的现状和存在问题,以及技术应用的重要性,重点分析了无人机巡检技术的基本原理、缺陷智能识别技术组成(包括图像处理技术、深度学习技术、红外成像技术、激光雷达技术)以及该技术在本公司的应用实践。

关键词： 计算机视觉   数据采集平台   运动数据   变换矩阵   动作捕捉技术   胫腓骨   标记点   三维运动  

摘要： 目的人体足部关节运动学测量在足踝及下肢疾病的临床评估中发挥着重要作用,而大量研究表明:足部多节段(即多关节)比传统单节段分析在临床应用中更具价值。然而,目前常用的光学动作捕捉系统采用人工解剖标记点,存在测量耗时大、手动标记误差等问题,制约了三维运动分析在足踝外科的临床应用与推广。因此,本研究提出一种无标记,且能够实现快速数据采集和自动运动学分析的技术和系统。方法采用自主研发的基于动态点云跟踪的足踝运动数据采集平台,通过深度学习模型(Point Net++)将足踝部自动分割为胫腓骨段、后足段,中足段,前足段和拇趾段,建立五节段运动学模型(Point foot analysis model,PFAM),将步态中足部关节变换矩阵转换为3个解剖平面欧拉角,量化评估足部多关节协调运动特征。结果本研究方法能够在无标记点的条件下自动分析步态中足踝部多关节旋转角度数据,实验结果表明:在基于深度学习模型自动分割下的运动学数据与人工分割的结果具有良好的一致性,且总体测量和分析总耗时达到分钟级别,效率远高于传统光学动作捕捉技术。结论本研究结合深度学习模型提出了一种无标记点自动多关节运动分析方法,高效获取运动数据有助于应用于临床建立大规模足踝运动学数据库,从而为临床干预和康复训练提供强有力的技术支撑。

关键词： 无人机航拍   目标检测   目标定位   军事车辆  

摘要： 针对地面高价值军事车辆难以实时观测定位的问题,提出无人机航拍军事车辆实时检测及定位算法。创建真实作战场景下的多类型多尺度航拍军事车辆目标检测数据集Armed_vehicle;在轻量级神经网络模型YOLOX-Tiny中引入大卷积核注意力模块,采用边框回归函数,达到85.82%的检测准确率,且在检测速率上具有优势;创新性地提出一种基于无人机可见光图像的单目视觉定位算法,在百米飞行高度上的目标平均定位误差为3.69 m,表明所提算法能准确地获取地面目标的地理位置,具有良好的综合性能与应用前景。

关键词： 甘蓝移栽   YOLOv8s   目标检测   多尺度注意力机制   可变形卷积  

摘要： [目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析,将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计,提高甘蓝移栽后的成活率以及制定后续工作方案,减少人力和物力的浪费,研究一种自然环境下高效识别甘蓝移栽状态的算法。[方法]采集移栽后的甘蓝图像,利用数据增强方式对数据进行处理,输入YOLOv8s(You Only Look Once Version 8s)算法中进行识别,通过结合可变形卷积,提高算法特征提取和目标定位能力,捕获更多有用的目标信息,提高对目标的识别效果;通过嵌入多尺度注意力机制,降低背景因素干扰,增加算法对目标区域的关注,提高模型对不同尺寸的甘蓝的检测能力,降低漏检率;通过引入Focal-EIoU Loss(Focal Extended Intersection over Union Loss),优化算法定位精度,提高算法的收敛速度和定位精度。[结果和讨论]提出的算法经过测试,对甘蓝移栽状态的召回率R值和平均精度均值(Mean Average Precision,mAP)分别达到92.2%和96.2%,传输速率为146帧/s,可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。[结论]提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别,可以提升移栽质量测量效率,减少时间和人力投入,提高大田移栽质量调查的自动化程度。

关键词： 人体姿态   识别   目标检测   篮球运动   YOLOv5网络  

摘要： 罚球作为篮球比赛中十分重要的得分方式,对比赛胜负常有着决定性的作用。近年来,使用视觉或传感器进行罚球分析的方式费时又费力,已经难以满足竞技体育的需求。本研究首先通过YOLOv5网络算法对目标运动员进行检测跟踪,并引入注意力机制对其进行改进;随后在修复错误识别关节点的基础上,利用OpenPose网络完成人体姿态估计。结果表明,在损失曲线对比中,所提方法第29次时便开始趋于平稳,并保持在0.352。在ImageNet数据集中的篮球视频预测中,该方法的准确率均稳定在91%以上,说明其对运动员罚球命中率的预测准确性较高,并能够广泛适用于不同数据视频中,为竞技体育科学化、智能化训练提供了新的参考。

关键词： 角点检测   边坡滑动监测   特征点   图像处理   滑动轨迹  

摘要： 为减少边坡滑坡及其引发的地质灾害对财产安全的严重威胁,基于改进的Harris角点检测技术的匹配算法,提出一种新型边坡滑动监测方法。首先,通过优化Harris角点检测构建预测边坡滑动位移的图像处理模型;然后,基于校准的模板,监测角点位置的变化,从而精确估计滑动位移并追踪其轨迹,进而有效监控边坡的移动情况;最后,搭建快速的模块化试验环境,开展边坡滑动情况监测。结果表明:该方法降低了边坡监测识别中的伪角点生成,提高了角点检测的准确性和效率,能有效记录目标物体在水平、垂直和倾斜方向上的微小滑动,形成滑动轨迹追踪结果。

关键词： 计算机视觉   晶圆缺陷识别   深度学习   通道混洗   深度可分离卷积  

摘要： 针对传统深度神经网络对混合型晶圆缺陷信息提取计算效率低的问题,提出了一种基于通道混洗和深度可分离卷积的轻量化深度神经网络,实现了混合型晶圆缺陷的高效识别。在晶圆图数据集Mixed-type WM38上的实验结果表明,所提出的模型对比于一些现有的深度学习模型,在耗费较少的训练和推理时间的同时取得了较高的模型精度,其平均正确率达97.32%,参数量仅有0.4786 M。