关键词： 障碍物检测   目标检测   YOLOv8n   PConv   注意力机制  

摘要： 针对室内环境下障碍物尺寸不一和场景变化多样导致的YOLOv8n目标检测算法精度低和检测速度慢的问题,文章提出了1种改进Tiny-YOLO算法(以下简称“Tiny-YOLO算法”)。该算法使用部分卷积(PConv)方法设计了轻量化模块C2f_PConv以替换主干网络中的C2f模块,有效降低了网络参数;引入EMA增强了网络的特征融合能力,同时提高了检测精度。经COCO2017Indoors障碍物数据集验证,Tiny-YOLO算法拥有比YOLOv8n更高的性能,对于室内障碍物识别具有一定的有效性。

关键词： PCB   AI技术   缺陷检测   目标检测   YOLOv7  

摘要： 随着电子信息技术的飞速发展,印制电路板(Printed-Circuit Board,PCB)作为电子产品的重要电子互联组件,在现代电子信息产品中发挥着不可或缺的作用。随着时代的进步,现代印刷电路板缺陷检测的重要性日益凸显,而传统的PCB缺陷检测方法则存在效率低下、漏检率高等问题。针对这些问题,文章构建了基于YOLOv7目标检测算法的印制电路板缺陷检测系统。该系统由图像采集模块、YOLOv7目标检测模块、PCB缺陷数据集成模块三大部分组成。通过实验和实际生产线测试,文章提出的系统在PCB缺陷检测上取得了良好的效果。

关键词： 动态稀疏卷积   体素点质心   点密度   RoI  

摘要： 目前的三维目标检测方法大多采用最远点采样进行特征提取,但忽略了点云密度信息所带来的作用。为了进一步增强稀疏卷积能力与提升目标特征信息量,提出一种动态稀疏卷积与点密度感知融合的网络(DS-PDP),首先对点云体素化经过动态稀疏卷积下采样,通过体素点质心定位从动态稀疏卷中定位体素特征信息,其次利用核密度估计方法,使感兴趣区域网格池对点质心密度特征多尺度聚合,最后对目标置信度预测,并在KITTI数据集上取得了有竞争力的结果。

关键词： 恶劣天气条件   YOLOv8s   目标检测   注意力机制   Wise-IoU  

摘要： 针对恶劣天气条件下摄像头捕获图像时存在图像模糊以及光照分布不均等问题,导致了场景对比度的下降,进而增加了在图像中区分检测目标与背景的难度。为了提高在恶劣天气环境下车辆和行人的检测能力,本文提出了一种改进的YOLOv8s算法。首先,本文在YOLOv8s算法的基础上,利用可扩张残差结构对主干网络中的C2F模块进行了优化,增强了模型对环境变化的适应能力。同时,在主干网络的SPPF模块前置层引入了高效多尺度注意力机制,该机制能够更有效地捕获图像中丰富多变的多尺度特征。其次,针对YOLOv8s算法的检测头部进行了重新设计,在保持模型准确性的前提下,降低了模型的复杂度。最后,引入Wise-IoU改进YOLOv8s算法的回归损失函数,提高了算法的收敛速度和检测精度。实验结果表明,改进的YOLOv8s算法在恶劣天气条件下对车辆和行人检测的平均精度均值达到91.41%,相比原始算法提升了2.56%,同时模型参数量减少了8%,计算量降低了4.9 GFLOPs。相比于其他主流的目标检测算法,改进后的YOLOv8s算法在保证了实时性能的同时,满足了恶劣天气条件下的车辆和行人检测需求。

关键词： YOLOv5s   扩展卡尔曼滤波   目标跟踪   差异值哈希  

摘要： YOLOv5s在COCO数据集上的预训练权重可以检测出人体目标,然而对于特殊的人体姿态无法识别。提出了一种基于YOLOv5s与扩展卡尔曼滤波的跟踪器,当YOLOv5s能检测出人体目标时,对扩展卡尔曼滤波进行初始化,当YOLOv5s无法检测时,由扩展卡尔曼滤波进行跟踪,在先验结果创建候选区域,使用差异值哈希匹配出最优候选区域作为观测值,从而更新目标位置,实现人体检测的连续性。实验结果表明,在跟踪精度上所提出的跟踪器与“真实边界框”的重叠率为50.65%,中心位置误差为51.78像素,在实时性上优于KCF和TLD跟踪器,帧率比KCF跟踪器快了26 frame/s。

关键词： 黑盒对抗攻击   深度神经网络   鲁棒性   图像分类   目标检测   图像分割  

摘要： 图像领域下的黑盒攻击(Black-box Attack)已成为当前深度神经网络对抗攻击领域的热点研究方向.黑盒攻击的特点在于仅利用模型输入与输出的映射关系,而无需模型内部参数信息及梯度信息,通过向图像数据加入人类难以察觉的微小扰动,进而造成深度神经网络(Deep Neural Network,DNN)推理与识别失准,导致图像分析任务的准确率下降,因此由黑盒攻击引起的鲁棒性问题成为当前DNN模型研究的关键问题.为提高黑盒攻击在图像分析任务下的攻击成效,现有相关研究以低查询次数、低扰动幅度、高攻击成功率作为优化目标,针对不同图像分析任务采用不同的攻击模式与评估方式.本文以主流的图像分析任务为出发点,阐述图像分类、目标检测与图像分割三类任务中黑盒攻击算法的核心思想和难点,总结黑盒对抗攻击领域中的关键概念与评估指标,分析不同图像分析任务中黑盒对抗攻击的实现策略与研究目标.阐明各个黑盒攻击算法间的关系与优势,从攻击成功率、查询次数以及相似性度量等多个方面对不同的黑盒攻击算法进行性能比较,以提出目前图像分析领域中黑盒对抗攻击仍存在的主要挑战与未来研究方向.

关键词： 柔性连接   机器人   图像处理   多轴联动   抓取  

摘要： 面向柔性连接龙门式机器人,在实现视觉识别、检测与抓取等工程应用方面开展研究。在现有工作平台的基础上,建立工业相机系统试验平台,并进行标定,标定试验误差小于0.07像素。基于LabVIEW和NI Vision开发完整的图像处理算法与多轴联动抓取算法,能够快速准确地执行图像检测和目标定位任务。试验测得数据标准差约为0.47、0.41,相对误差约为0.85%、0.65%。实现多轴联动对工件样本的抓取,抓取定位相对误差在0.2%以内,具有较高的准确性。

关键词： 轮廓增强   图像处理   三维打印模型  

摘要： 图像轮廓提取技术的重点是图像边缘检测技术,但由于缺少目标数据,传统轮廓提取算法在应用时具有较大的局限性。为解决在3D打印模型图像轮廓提取模型精确度差,提取轮廓完整度低的问题,提出一种图像轮廓线优化结合轮廓特征增强算法。首先通过笛卡尔坐标系规划,优化图像轮廓线,接着采用引导滤波算法,增强图像轮廓特征;然后基于CLAHE技术与高斯滤波技术处理优化后的图像信息,加速模型构建速度;最后基于图像的HOG特征,构建图像局部轮廓信息智能获取模型(HOG-CFE模型)。仿真结果表明,经图像轮廓增强处理后构建的HOG-CFE模型,有效的提高了模型轮廓提取的完整度,增强了模型的精确度。较其它基线算法相比,HOG-CFE模型的面积比指标平均提高了2.33%,准确率整体提高了6.01%与5.42%。本文构建的HOG-CFE局部轮廓信息智能获取模型通过轮廓增强技术有效的提高了轮廓提取完整度与模型准确率。

关键词： 稀疏表示   大场景视频图像   运动目标跟踪   haar-like特征   粒子滤波  

摘要： 大场景视频中存在复杂的背景信息,这些背景信息与目标的外观相似,导致难以准确跟踪目标。为了解决这一问题,提出基于稀疏表示的大场景视频图像运动目标跟踪方法。通过提取视频图像haar-like特征并对特征投影压缩,在字典中融入背景信息,构造超完备字典。改进传统粒子滤波,提出基于残差的Unscented粒子滤波算法,在传统稀疏表示中添加判别函数生成判别稀疏表示,利用L1范数最小化求解候选目标稀疏系数,在字典不断更新下通过基于残差的Unscented粒子滤波算法,实现大场景视频图像运动目标跟踪。实验结果表明,所提方法目标跟踪精度和重合度均在0.9以上,且跟踪平均时间短。

关键词： 害虫识别   数据增强   Faster R-CNN   深度学习   目标检测  

摘要： 【目的】采用Faster R-CNN算法对样本数量少且分布不均衡的28类农田害虫数据集进行研究。【方法】首先,分析不同输入图像尺寸对训练模型性能的影响,确定了输入图像尺寸5472×3648的25%作为优选;其次,为了避免部分类别害虫因数据过少而导致的过拟合问题,采用Mixup和mosaic方法增加数据多样性,并使用迁移学习提高模型性能。【结果】这些方法可以有效地提高模型的泛化性和鲁棒性,除了9与10这两类害虫相似度非常高导致AP值较低外,其余害虫识别的AP平均值为92.07%。【结论】通过测试数据检验模型的泛化性,发现模型表现良好但仍有改进空间。