关键词： 改进的YOLO v4算法   深度可分离卷积   注意力机制   RFB模块   小目标检测  

摘要： 对于在检测时存在小尺度检测目标漏检、不精确等问题,提出一种改进的YOLO v4算法模型(F-YOLO v4)。利用改进的K均值聚类算法对数据集进行聚类,使得锚点框的大小更适用于目标检测;采用深度卷积和逐点卷积相结合的方法对通道内和通道间的卷积进行分离,从而改善了原有的残差块;采用通道注意力机制对骨干网络进行改进的同时在PANet网络中添加RFB模块,增强特征提取能力,从而提高了对小目标的检测效果。实验结果表明,F-YOLO v4算法在KITTI数据集上平均精度均值达到了93.67%,与原算法对比提高了1.52百分点,并且比较目前其他主流网络有着较高的精确度。

关键词： 喷墨印刷   图像灰度化   超分辨率重建   图像处理  

摘要： 为了应对采集环境或采集系统影响导致的喷墨印刷图像模糊、不显著等问题,本文提出了一种利用灰度图像处理,根据图像灰度值设置三维地形图和灰度等高线图的方法,以确定印刷图像中墨滴的中心位置和边缘,从而更好地区分重叠墨滴和单个墨滴。此外,还提出了一种基于SRCNN(Super-Resolution Convolutional Neural Network)的喷墨印刷图像处理方法,以提高低分辨率喷墨印刷图像的清晰度。通过在特征提取层加入普通卷积层以提取更丰富的图像特征,该方法在标准数据集上得到了验证。喷墨印刷图像的结果显示,改进后的SRCNN模型比未改进的SRCNN模型峰值信噪比提高了0.014dB,证明了改进模型的有效性,并在重建图像中取得了更好的视觉效果。

关键词： 卡尔曼滤波   核相关滤波   SIFT特征匹配   抗遮挡目标跟踪  

摘要： 针对目标跟踪中的遮挡问题,在核相关滤波(Kernel Correlation Filter,KCF)基础上,融合卡尔曼滤波(Kalman Filtering,KF)和尺度不变特征变换(Scale Invariant Feature Transform,SIFT),提出一种新的抗遮挡目标跟踪方法。在KCF跟踪过程中,使用平均峰相关能量(Average Peak-to-Correlation Energy,APCE)值来检测目标是否被遮挡。若目标被遮挡,则使用KF预测目标的位置。当目标在后续帧中出现时,利用SIFT特征匹配定位目标的准确位置。最后利用KCF完成剩余帧的跟踪过程。在OTB100数据集上的实验结果表明,该方法对遮挡问题具有一定的鲁棒性。

关键词： 交通标志   小目标   Faster R-CNN  

摘要： 小目标检测是智能驾驶安全领域的重要研究内容,其中交通标志的检测是智能驾驶环境感知的关键环节,但由于交通标志的判定属于远距离识别且目标较小,因此往往会出现漏检或识别精度低的问题。基于Faster R-CNN算法将骨干网络VGG16替换为ResNet50,将混合注意力机制融入主干残差结构,利用多尺度滑动窗口改进RPN网络,在不同深度卷积层生成特征图并进行特征融合。改进后的算法使检测精度mAP从85.99%变为94.38%,有效地提高了智能驾驶场景下识别交通标志小目标的能力。

关键词： FFA-Net   YOLOv8n   目标检测   去雾  

摘要： 针对雾天行车场景中目标检测精度差、效率低和漏检等问题,通过优化YOLOv8n网络并结合FFA-Net算法提出了一种新的雾天行车目标检测算法,以提高雾天环境下的目标检测效果。利用FFA-Net去除雾天图像中的噪声和模糊,以增强图像的清晰度和对比度。对KITTI数据集进行数据增强,并且利用迁移学习策略,以YOLOv8n模型为基础,增加小目标检测层,让网络同时关注到图像中不同尺度的特征,使网络更加关注小目标的检测,提高检测效果。在骨干网络末端引入GAM注意力机制以增强网络对全局信息的感知能力。仿真结果表明:针对雾天行车场景下的目标检测,去雾网络能将图像的清晰度做到高度还原,所提出改进算法的mAP值、Precision值和Recall值与原模型相比也分别提高4.7%、3.8%、6.4%,相比传统的目标检测算法具有更好的场景适用性和更高的检测精度。

关键词： 煤矿   推车预警   罐笼   多目标跟踪  

摘要： 煤矿推车预警系统自动化程度低、功能不完善,罐笼人员超载和滞留监测依旧需要人工操作。为此研发了一种煤矿人员多目标跟踪算法。详细介绍了算法总体设计、图像采集、样本标注、模型训练、目标检测和人员跟踪。推车预警系统使用该算法实时检测入罐人数和出罐人数,出现罐笼超载或人员滞留情况联动闭锁停罐。应用结果表明:该算法可以实时检测入罐人数和出罐人数,准确可靠,罐笼内出现超员或人员滞留可联动闭锁,为煤矿安全生产提供了有力保障。

关键词： 目标检测   YOLOv5s   线路巡检   高压输电线路  

摘要： 文章针对传统的高压输电线路巡检过程中存在的效率低下等问题,提出一种基于改进YOLOv5s的高压输电线路巡检故障实时检测方法。将卷积块注意力模块加入YOLOv5s骨干网络中最后一层,从通道注意力与空间注意力两个方面对特征图进行权重分配。所提出的方法在无人机获取的图像中进行训练和验证,结果表明所提出的方法相较基于YOLOv3、YOLOv5s,能保持较高检测精度的同时,还能保持较快的速度。

关键词： 多目标跟踪   DeepSORT   YOLOv5   轨迹评分机制   特征柔性融合机制   抗遮挡  

摘要： 多目标跟踪方法旨在对多个运动目标进行检测、识别和轨迹跟踪,被广泛应用于智能交通系统、视频监控领域。针对多目标跟踪中因遮挡目标导致的跟踪不连续、失败和错误等问题,提出了融合运动信息的双机制多目标跟踪算法。在已有的DeepSORT框架中,引入一种基于类别检测置信度和运动轨迹置信度相结合的轨迹评分机制,解决因遮挡导致的目标漏检问题。在目标跟踪阶段,根据多目标间的遮挡关系引入了特征柔性融合机制,可有效地融合目标的外观特征和运动特征,解决因遮挡导致的目标跟踪错误问题。采用交通场景数据集UA-DETRAC进行对比实验和消融实验,结果证明所提出的轨迹评分机制和特征柔性融合机制能够有效提升目标跟踪性能,在多目标跟踪准确度和精确度方面分别提升了0.6%~1.1%和1.9%~6.3%,在对象标识变换方面下降了27%~30%,所提出的方法有效地提高了DeepSORT的整体性能,具有较好的抗遮挡能力。

关键词： 计算机视觉   城市交通   交通一体化   控制系统  

摘要： 传统的交通控制系统采用预设的固定信号时序模式,无法根据当前的道路状况及车流量实现对交通模式的动态管理,因此,容易导致严重的交通拥堵。针对该问题,该文设计并实现了一种基于计算机视觉的自适应交通一体化控制系统。该系统能够根据交通的实际需求实时调整交通信号时长,从而显著缩短车辆通过交通路口的时间。此外,在该系统中开发的智能控制算法还能够提供如违规检测、道路监控、以及优先安排紧急车辆通过等智能交通功能。仿真实验验证了一体化控制系统的有效性。

关键词： 锂电池   缺陷检测   机器视觉   图像处理   深度学习   性能评价指标  

摘要： 锂电池作为新能源汽车的核心组件之一,其复杂的制造工艺流程不可避免地引入各种缺陷,严重影响产品的质量,缺陷检测已成为锂电池制造流程中的重要环节,而兼顾了精度与速度优势的机器视觉方法受到高度关注。本文综述了近15年来基于机器视觉的锂电池缺陷检测方法的研究进展。首先简介锂电池表面常见的缺陷类型,阐明视觉缺陷检测的主要流程。然后重点阐述了基于传统图像处理的锂电池缺陷检测方法,对检测流程中的图像预处理、图像分割、特征提取、分类识别4大步骤进行了详细的解释说明,并对比每个步骤中各类方法的优缺点。接着按分类网络、检测网络、分割网络这3类综述了基于深度学习的锂电池缺陷检测方法。随后整理了10个锂电池自建数据集和缺陷检测性能评价指标。最后指出针对锂电池缺陷检测目前面临着诸多方面的技术挑战,并对未来的工作进行了展望。