关键词： 桥梁缺陷   目标检测   Faster RCNN  

摘要： 尽管近年来目标检测技术已取得显著进展,但在复杂环境中的多目标检测仍面临诸多挑战。针对Faster RCNN模型在桥梁检测中遇到的问题,提出三点改进:通过采用ResNet101作为特征提取网络,取代传统的VGG16,以此缓解因网络深度增加而导致的信息传递衰减问题,提高特征学习的效率;通过引入递归特征金字塔结构,更有效地处理不同尺度的目标,从而增强检测性能;通过在模型中嵌入注意力机制,进一步强化模型对关键区域的识别能力并减少背景噪声的影响,使其能够更加聚焦于目标特征。经过改进,模型的准确率提升至92.5%,平均精度达到91.5%。

关键词： 雷视融合   ADB   目标检测   场景识别   智能控制  

摘要： 针对传统基于相机的ADB灯控系统单目摄像头在雨、雪、雾天气存在识别不清和检测率低的问题,文章设计一种基于雷视融合的车载ADB灯控系统。该系统可以实现夜晚自适应控制远光灯的开闭,减少交通事故的发生,并且雷达数据的引入增强了数据源的可靠性,使得该系统在雨、雪、雾等不良天气下亦可正常工作,增强了系统的鲁棒性。

关键词： 特征提取   小目标检测   YOLOv8   深度学习  

摘要： 针对无人机航拍图像中目标尺寸小、目标密集、漏检和误检等问题,提出了一种改进YOLOv8s的小目标检测算法LW-YOLO(Lightweight YOLO).首先,通过分层卷积、不同深度特征提取和多尺度特征融合策略改进特征提取网络,解决了网络参数量大和对小目标特征提取不足的问题.其次,通过增强浅层信息提取能力和减少部分深层信息优化检测层网络结构,改善了小目标漏检、误检和参数量大等问题.同时,新增残差连接和最大池化改进传统卷积块(Cown),最大限度保留特征,解决了传统卷积对小目标特征留存能力不足的问题.最后,通过Sigmoid函数与梯度增益系数(r)相结合引入非线性的平滑处理,改进WIoU(Wise-IoU)损失函数,解决了小目标普通质量锚框的损失波动,增强了模型的稳定性和鲁棒性.经实验表明,LW-YOLO与YOLOv8s在VisDrone2019数据集上相比,P、R、mAP50%分别提升了2.2%、6.1%、5.7%,参数量、GFLoPs和模型体积分别降低了49.8%、17.1%、48.8%,同时还在AI-TOD、NWPU VHR-10和TinyPerson做了泛化对比实验,并将检测结果可视化,经实验表明各项参数指标均有提升.

关键词： YOLOv8   Carafe   SGE注意力机制   坐标注意力机制   WIoU  

摘要： 针对在无人机图像目标检测中复杂场景下目标特征难提取且小目标容易被淹没在噪声中的问题,提出一种基于YOLOv8s的无人机目标检测算法SC-YOLO。为了能够学习到感兴趣区域的位置细节,基于CA(coordinate attention)提出了SPM(self-positionmodule)注意力。为了缓解Carafe上采样算子因为通道压缩所带来的影响,提出了CEM(Carafeenhancermodule)。通过分析梯度增益函数与数据集中目标大小的关系,使WIoU_v3能够更加关注中、小目标的普通质量锚框,并且在VisDrone2019数据集上进行验证,得到WIoU_v3能够更加关注中、小目标的普通质量锚框的参数设置范围。改进后的YOLOv8s算法在VisDrone2019验证集上的平均均值精度(mAP)提高到43.1%,在测试集上的mAP提高到34.8%,在近几年同等规模的算法中拥有较好的检测性能;改进算法相较基准算法参数量仅增加1.1×10^(6),浮点运算次数(FLOPs)增加1.5 GFLOPs,但在验证集以及测试集上检测精度分别提升了2.0和2.1个百分点;在Tinyperson数据集上的检测精度提高了1.4个百分点。

关键词： 遥感影像   自适应   MFCARPN   多方向检测  

摘要： 近年来目标检测成为计算机视觉技术的重要分支,广泛应用于医学、军事、城轨等领域,随着卫星和遥感技术的进步,其获取的图像蕴含着丰富的信息,因此对这些图像中目标自动检测和理解变得至关重要。但是遥感影像中目标方向随意、密集等,传统目标检测方法容易导致漏检错检,针对此问题,该文提出多卷积核特征组合自适应区域生成网络(multi-convolution kernel feature combination adaptive region proposal network,MFCARPN)算法进行多方向检测,该算法引入多个不同卷积核提取特征,可以根据目标的差异性自适应地学习每个卷积核特征的权重参数,得到和目标更加匹配的特征图,同时通过结合目标原始特征使分类回归模型参数可以依据目标之间的差异性动态变化,提高区域生成网络(region proposal network,RPN)自适应能力。实验表明其在DOTA标准数据集的平均精度均值(mean average precision,mAP)达到75.52%,相较于GV算法提高0.5个百分点,由此证明了该算法的有效性。

关键词： 无人机图像   松材线虫病   深度学习   目标检测  

摘要： 【目的】针对无人机松林图像中早期松材线虫病害特征不明显、尺度多变导致的目标漏检、误检问题,提出一种基于深度学习的早期松材线虫病害检测方法。【方法】首先,为达到在无人机机载端的模型部署需求,提出一种降低计算量和参数量的松材线虫病害检测方法;其次,为获取早期松材线虫病害更准确的特征,采用多种方式同时提取特征并融合以增强对有效特征的学习能力;然后,为进一步提高不同尺度特征的融合能力,添加注意力机制对齐相邻两级特征;最后,以辽宁抚顺大伙房试验林场无人机拍摄的早期松材线虫病害为研究对象,利用LablImg开源软件标注拍摄高度为100~240 m的图像,构建无人机早期松材线虫病害图像(EPI)数据集。【结果】在EPI数据集上的测试结果表明,本研究方法的平均精度(AP)最高达95.2%,相比YOLOv5s、YOLOX-s和YOLOv6s的AP分别提高3.1%、4%和0.9%;该模型体积仅12.8 M,分别是YOLOv5s、YOLOX-s和YOLOv6s模型体积的23.6%、17.8%和8.9%。【结论】本研究方法具有较高识别精度,同时模型体积较小,可为无人机在机载端识别早期松材线虫病害提供可能。

关键词： 人工智能(AI)   目标检测   乳腺肿瘤   乳腺超声   YOLO算法  

摘要： 目的:实现基于改进型YOLO网络目标检测算法(YOLO算法)模型对乳腺肿瘤超声图像的检测方式优化升级。方法:选取Kaggle数据库上659幅乳腺肿瘤图像作为初始数据集,采用图像标注工具Labelimg对图中检测目标进行预标注,依照7∶3的比例将659幅图像中的629幅图像划分为训练集与验证集,其余30幅图像作为测试集,对原YOLO算法引入卷积块注意力模块(CBAM)与双向特征金字塔网络(BiFPN)进行结构化改良并命名为YOLOv5-BiFPN-CBAM。将训练集与验证集置入原YOLO算法模型与YOLOv5-BiFPN-CBAM模型进行训练并经200轮迭代训练,将所得最佳权重文件用于测试集的最终化检验。结果:两种模型经过200轮迭代训练后,经验证集检验,两种模型对所有乳腺肿瘤超声图像检测的平均精度均值分别为72.1%和80.5%,将改良模型的最佳权重文件经测试集测试,改良模型相较于原始模型对图像中小目标的检测能力得到显著提升。结论:改进型YOLO算法模型与原YOLO算法模型相比,具有更高的对图像的识别度,同时提高了对乳腺肿瘤超声图像中小目标识别的精度与灵敏度,有助于提高临床中乳腺肿瘤的诊断效能。

关键词： YOLOv5   深度学习   虚实融合   目标检测   OpenCV  

摘要： 针对增强现实技术目前虚实融合方面效率不高、目标识别不够精准的问题。该文提出并实践基于YOLOv5训练模型的虚实融合技术,在通过YOLOv5识别清楚目标建筑物的基础上,加入虚实融合技术,使用这种方法可以在YOLO这种优秀深度学习算法的基础上,提升增强现实技术的精确性和可靠性。YOLO本身是目标检测模型,在一张图片或者是一段视频中找到特定的物体,目标检测不仅要求我们识别这些物体的种类,同时要标出这些物体的位置。虚实融合技术的总体思路是使用目标检测、特征匹配等方法,配合OpenCV读取准备好的图层信息。总体借助YOLOv5训练模型的实时目标检测算法,并与虚拟三维对象相结合,实现虚实融合。

摘要： 对频繁遭受网络攻击的中国而言,网络安全是国家安全的重要组成部分,不容忽视.多年来,党和国家主要领导人对网络安全和信息化工作做出了一系列重要批示,为全社会开展网络安全保障工作指明了方向.

关键词： 红外图像   电力设备   改进CNN   图像预处理   特征提取  

摘要： 电力设备红外图像背景较为复杂、设备种类较多,使得电力设备红外目标检测效果较差。为此,提出基于改进CNN的电力设备红外目标检测技术研究。通过联合中值滤波与高斯滤波,预处理电力设备红外图像。以此为基础,采用ResNet与FPN改进CNN,获取电力设备红外图像特征信息。通过常数分割模型训练随机森林分类器,将特征信息输入至训练后的分类器中,获得电力设备红外目标检测结果。实验结果显示,采用所提方法对电力设备红外目标检测结果与实际检测结果保持一致,帧率最大值为14.1 FPS,表明所提方法应用性能良好。