关键词： 目标跟踪   结构化SVM   DIoU损失   平滑约束  

摘要： 基于结构化SVM的目标跟踪因其优良的性能而受到了广泛的关注,但是现有方法存在损失函数不精确和模型漂移问题。针对这两个问题,首先提出基于DIoU损失与平滑约束的结构化SVM模型。该模型采用DIoU函数作为损失函数,利用t时刻超平面法向量w_(t)与t-1时刻超平面法向量w_(t-1)差值的L_(2)范数作为平滑约束。其次基于对偶坐标下降原理设计了该模型的求解算法。最后利用提出的基于DIoU损失与平滑约束的结构化SVM实现了一种多尺度目标跟踪方法。对所提出的目标跟踪方法在OTB100和VOT-ST2021数据集上进行了实验验证,实验结果表明:所提出的Scale-DCSSVM在OTB数据集上的跟踪成功率比DeepSRDCF高1.1个百分点,在VOT-ST2021上的EAO比***高1.2个百分点。所提方法具有较优的性能。

关键词： 光学层析成像   重建算法   生成对抗网络   图像处理   深度学习  

摘要： 针对光学层析成像中重建图像伪影重、噪声大、耗时长的问题,基于生成对抗网络提出一种LBP-Pix2Pix图像重建方法。通过线性反投影法(LBP)对物体截面吸收系数分布进行初步重建,将初步重建图像与真实分布作为Pix2Pix模型的训练样本,通过生成器与判别器的对抗训练,获得最优重建模型。利用模型对LBP重建图像进行处理,得到伪影较少、边缘清晰的重建图像。对5种截面分布进行测试,结果表明,LBP-Pix2Pix方法重建误差范围为5.20%~13.15%,相关系数范围为88.34%~99.08%。相较于其他重建方法,该方法成像速度显著提高,图像准确度明显提升,为光学层析成像提供了一种新的图像重建方案。

关键词： 改进YOLOv4   园林绿化景观设计   目标检测   小目标检测  

摘要： 深度学习算法中,YOLOv4在目标识别、检测中已经得到典型应用,其性能出色,但参数量、计算量仍然较高,存在相应的改进空间。为改进目标识别过程中的小目标实时检测,基于改进YOLOv4,生成一种用于园林绿化景观设计场景的轻量级目标检测模型,能够利用现场实测数据集、模拟数据集进行训练,以较少精度损失,降低参数、模型的大小,便于在此基础上形成应用于园林绿化景观设计中的目标检测、识别和分类系统。结果表明,改进YOLOv4能够有效提升园林绿化景观设计过程中小目标检测精度,具有良好的泛化性、迁移性,在小目标识别检测方面的准确性与速度获得高度平衡,潜力较大。

关键词： 森林防火   深度学习   目标检测   YOLOv5算法   注意力机制  

摘要： 研究采用深度学习技术,基于YOLOv5算法识别森林火灾初期图像,提高预警效率,减少生态及社会损失。在YOLOv5算法的基础上进行了网络结构优化,提出了一种能够在野外识别林火中火焰特征的模型方法,通过对数据集采用数据预处理、数据增强、模型训练与优化等步骤得到检测模型,通过指标评估得到模型的检测精度。该算法在林火监测中具有较高的准确率和实时性,能够有效降低火灾发生的概率,减少火灾带来的损失。基于YOLOv5改进网络的早期林火监测算法研究具有重要的理论价值和广泛的应用前景。

关键词： YOLOv5s   自动驾驶   目标检测算法   深度可分离卷积   感受野模块   自适应空间特征融合   PANet   多尺度特征融合  

摘要： 在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

关键词： 目标检测   着装规范   PPYOLO   CoordAtt  

摘要： 针对传统人工检测工人作业时是否规范着装效率低的问题,提出了改进的深度学习检测算法PPYOLO-CA.首先,采用深度可分离卷积将backbone前部分卷积进行替换,深度可分离卷积能够减少参数并且增加网络的非线性度,进而增强其提取特征的能力;其次,通过在backbone的特征提取段添加移动网络注意力机制(CoordAtt)模块,提高图片空间信息提取能力,从而为目标检测提供丰富的特征信息;最后,将空间金字塔池化(SPP)模块改进为SPPF(SPP-Fast)模块,在不影响精度的情况下能有效降低模型的参数量并提高模型的运行速度.为验证该算法,在工人着装数据集上进行仿真实验,实验结果表明:在不同场景下改进模型相比于原始模型的识别效果更好,其中,改进模型平均精度均值(mAP)比原始模型高出1.8%,且在模型参数量上减少了0.14MB.

关键词： 苹果   成熟度   目标检测   YOLOv5s   深度学习   自然环境  

摘要： [目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer block),用于不同成熟度苹果检测。首先改进YOLOv5s的多尺度目标检测层,在Prediction中构建检测160×160特征图的检测头,提高小尺寸的不同成熟度苹果的检测精度;其次在Backbone结构中融合Swin Transformer Block,加强同级成熟度的苹果纹理特征融合,弱化纹理特征分布差异带来的消极影响,提高模型泛化能力;最后将Neck结构的Conv模块替换为动态卷积模块ODConv,细化局部特征映射,实现局部苹果细粒度特征的充分提取。基于不同成熟度苹果数据集进行试验,验证改进模型的性能。[结果]改进模型SODSTR-YOLOv5s检测的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%,高、中、低成熟度苹果平均精度均值分别为94.1%、93.1%、93.7%,平均检测时间为16 ms,参数量为7.34 M。相比于YOLOv5s模型,改进模型SODSTR-YOLOv5s精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%,参数量和平均检测时间分别增加了0.32 M和5 ms。[结论]改进模型SODSTR-YOLOv5s提升了在自然环境下对不同成熟度苹果的检测能力,能较好地满足实际采摘苹果的检测要求。

关键词： 深度学习   目标检测   机械作业   YOLOv5s   交并比  

摘要： 机械作业场景下的操作识别可以大大提高安全监督效率,针对传统的目标检测算法无法根据不同的机械作业场景识别操作行为的问题,提出一种融合场景机制的机械作业操作识别算法,融合两个在COCO数据集上预训练好的YOLOv5s模型,先进行机械作业场景识别,再进行关键目标检测,同时利用交并比构建逻辑函数对作业人员的操作行为进行判定。以角磨机作业场景为例,经实验验证,本文的算法模型识别精确率为97.9%,平均识别时间为0.114 s,满足了精确性与实时性要求。

关键词： 红外小目标检测   多向局部差分   方向梯度  

摘要： 复杂背景下的小目标检测一直是图像处理领域的热点和难点问题。由于背景复杂、信噪比低等因素,现有方法无法对淹没在强杂波和噪声中的目标进行鲁棒检测。本文提出了基于熵加权的多向局部差分和方向梯度方法。首先,利用熵加权的多向局部差分构造目标显著图,突出小目标,同时抑制背景噪声。然后,通过方向梯度计算,精确计算小目标的边缘信息,定位小目标。最终将目标显著图和方向梯度图融合,得到红外小目标检测结果图。实验结果表明,本文所提出的方法可以抑制杂波并产生更好的结果,并且检测率和误检率都优于对比方法。

关键词： YOLOv5   目标检测   智能水产养殖   鱼苗计数  

摘要： 针对复杂场景下传统鱼苗统计费时费力的问题,本文提出了一种基于YOLOv5的数量检测方法,实现了智能、准确、高效的鱼苗数量统计。该方法基于自主采集的鱼苗数据构建训练数据集,通过应用YOLOv5算法实现鱼苗数量智能统计模型。结果显示,无论光照条件变化还是鱼群密度变化,该方法均具有较高的准确性和鲁棒性。同时,本文结合J2EE相关技术,探讨其在实际水产养殖中的应用价值,为智能水产养殖提供了新的技术支撑和解决方案。