关键词： 图像处理   异常检测   深度学习   归一化流   计算机视觉   轨道交通  

摘要： 通过检测和定位道床上的异常情况,可以有效地确保地铁车辆的安全。基于无监督的异常检测方法由于只需要通过正常图像进行训练,不需要太多难以采集的异常图像,因此得到了广泛的应用。综上所述,文中提出一种基于归一化流的无监督地铁道床图像异常检测和定位方法。将多层特征图交叉融合,以提升模型对图像特征的学习能力。建立地铁道床数据集,利用该数据集训练并验证模型实用性。在MVTec AD数据集上的实验结果表明,文中方法性能优于其他同类算法,与DifferNet和CS⁃flow相比,所提方法的AUC提高了0.1093和0.0218。在地铁道床数据集上,所提方法达到了95.95%的检出率和0.9083%的误报率。这些结果表明了该模型对地铁道床异常检测的有效性,以及较好的泛化能力。这为人工智能替代人工巡检地铁道床异常提供了一种新的方法。

关键词： 目标检测   无监督域适应   蒸馏学习   计算机视觉  

摘要： 当前,蒸馏学习已成为目标检测无监督域适应领域中的一种常用技术手段。然而蒸馏带来的特征偏移会导致目标域上伪标签的准确性较低,不利于目标域的精确检测。因此提出特征互斥化方法,包括特征分布互斥化和特征属性互斥化。其中特征分布互斥化鼓励网络对不同类别的特征分布进行互斥,特征属性互斥化促使分类器对不同类别主要使用的属性进行互斥。还提出强弱增强一致性方法对网络的预测输出进行一致性约束,促使网络提取的特征中主要包含与目标域检测相关的属性,进一步提高特征互斥化方法的效果。所提方法在多个域适应场景上进行了广泛的实验,在相同实验设置下的结果表明,所提方法较其他先进方法具有更好的有效性。

关键词： 道路工程   道路病害检测   轻量化车载设备   深度学习   目标检测  

摘要： 针对传统道路检测方法成本高、检测周期长,无法满足城市道路大规模、短周期检测需求的问题,本文设计了一种轻量化车载道路病害数据获取设备,并提出了基于轻量化车载设备的道路病害检测方法。该设备质量小、成本低,可简易、快速地安装在小汽车、公共汽车等城市常见车辆上,能够同步收集惯性数据、图像、GPS定位信息等数据。基于轻量化车载设备在城市道路上采集道路图片数据并构建数据集,然后建立深度学习模型对其进行训练和评估,检测和识别道路病害,正确率达82.54%,能够满足城市道路日常巡检的要求。

关键词： 雾炮车   目标检测   注意力机制   轻量级   YOLOv5  

摘要： 针对我国发生多起雾炮车违规喷雾空气自动监测站事件,雾炮车数据集空白,雾炮车所喷的雾的形状各异难以标注,监测实时要求高,准确率高等问题。本研究建立了雾炮车喷雾数据集,设计了一种雾的标注方式,并在YOLOv5网络基础上,提出了一个嵌入注意力机制的轻量级雾炮车检测网络。首先,利用K-means++计算出更适合任务的锚框;其次,嵌入注意力机制(CA)模块,用于提升网络特征提取能力;然后将Neck处Conv修改GSConv,并将C3模块更换为GSC3模块,以降低模型参数;最后,将NMS替换为Soft NMS,用于减少漏检增强检测稳定性。实验结果表明,所提标注方式较其他标注方式提升了总体mAP13%;所提网络的参数量仅为YOLOv5s的83%并达到67.8%的mAP。与主流目标检测网络相比,所提网络在保持精度提升的同时降低了参数量,并保持了检测速度。

关键词： 澳洲坚果   果园监测   深度学习   改进YOLOv4   目标检测  

摘要： 针对大规模澳洲坚果种植园管理困难的问题,提出一种基于改进YOLOv4的林地澳洲坚果生长监测方法。在澳洲坚果种植基地中进行图像采集,记录3种常见的澳洲坚果存在形式,制作VOC数据集并用于模型训练。对样本数量较少的类别进行数据增强,使训练样本均衡分布。在原始YOLOv4方法的基础上进行改进,用DenseNet121网络替换原来的主干网络,并使用Focalloss优化检测模型的分类损失函数,有效提升检测模型精度,同时缓解类别间检测精度不平衡问题。试验结果表明,与YOLOv4、YOLOv3方法相比,所提改进YOLOv4方法对每种澳洲坚果形式的平均精度(AP)均为最高,检测模型的平均精度均值(mAP)达到93.33%,检测速度达到28.7 FPS,实现对林地澳洲坚果落果、病害等生长信息的实时、高效获取,为精确监测澳洲坚果生长状态提供依据。

关键词： 计算机视觉   污水浑浊度   图像检测  

摘要： 文章提出了一种专门针对单一水厂的脱泥装置中污水浑浊程度检测的方法。首先,利用水厂脱泥装置中部署的多个摄像头进行图像采集,在其中选择能够较为明显区分脱泥罐中污水浑浊程度的图片。然后,将图片格式统一从RGB格式转化为灰度图,以契合摄像头的红外夜视功能。在此基础上,对图像的关键区域进行裁剪,并提取出能够区分污水浑浊程度的特征。最后,采用不同机器学习模型,以特征向量为输入进行训练,从而分辨出污水是否浑浊。实验结果表明,该方法在特定类型的污水脱泥装置中具有良好的识别效果,并具有一定的泛化能力。结合自动图像抓取检测,该方法可实现自动化的污水浑浊报警,从而减少水厂运行成本,提高污水处理效率,节省人工成本。

关键词： 计算机视觉   目标跟踪   混合网络结构   深度学习   孪生网络   Transformer  

摘要： 视觉目标跟踪是计算机视觉中的重要任务之一,为实现高性能的目标跟踪,近年来提出了大量的目标跟踪方法,其中基于Transformer的目标跟踪方法由于具有全局建模和联系上下文的能力,是目前视觉目标跟踪领域研究的热点。首先,根据网络结构的不同对基于Transformer的视觉目标跟踪方法进行分类,概述相关原理和模型改进的关键技术,总结不同网络结构的优缺点;其次,对这类方法在公开数据集上的实验结果进行对比,分析网络结构对性能的影响,其中MixViT-L(ConvMAE)在LaSOT和TrackingNet上跟踪成功率分别达到了73.3%和86.1%,说明基于纯Transformer两段式架构的目标跟踪方法具有更优的性能和更广的发展前景;最后,对方法当前存在的网络结构复杂、参数量大、训练要求高和边缘设备使用难度大等不足进行总结,并对今后的研究重点进行展望,通过与模型压缩、自监督学习以及Transformer可解释性分析相结合,可为基于Transformer的视觉目标跟踪提出更多可行的解决方案。

关键词： 视觉感知特征   显著目标检测   多特征融合   图像分割   多尺度采样  

摘要： 显著性物体检测具有重要的理论研究意义和实际应用价值,已在许多计算机视觉应用中发挥了重要作用,如视觉追踪、图像分割、物体识别等。然而,自然环境下显著目标的类别未知、尺度多变依然是物体检测面临的一大挑战,影响着显著目标的检测效果。因此,提出了一种基于多尺度视觉感知特征融合的显著目标检测方法。首先,基于视觉感知显著目标的特性,设计并提取多个图像感知特征。其次,图像感知特征采用多尺度自适应方式,获取特征显著图。然后,将各个显著特征图融合,获得最终的显著目标。该方法基于不同图像感知特征的特点,自适应提取显著目标,能够适应多变的检测目标与复杂的检测环境。实验结果表明,在受自然环境中背景干扰的情况下,该方法能有效检测出未知类别和不同尺度的显著目标。

关键词： 烟火识别   YOLOv5s   注意力机制   激活函数   目标检测  

摘要： 针对炼焦厂烟火排放全天候环保监测的要求,提出了基于改进YOLOv5s的焦炉烟火识别算法;该算法以YOLOv5s为基础网络,在主干网络Backbone中添加CBAM注意力机制模块,使网络更加关注重要的特征,提升目标检测的准确率;新增FReLU激活函数代替SiLU激活函数,提高激活空间的灵敏度,改善烟火图像视觉任务;在自建数据集中烟、火样本标签基础上,增加灯光标签来解决强灯光对火焰识别的干扰,并通过分流训练、检测的方式来解决昼夜场景的烟火检测问题;在自建数据集上做对比实验,更换激活函数后,联合CBAM模块的YOLOv5s模型效果最佳;实验结果显示,与原始YOLOv5s模型相比,在白天场景下的烟火识别mAP值提升了6.7%,在夜间场景下的烟火识别mAP值高达97.4%。

关键词： 深度学习   YOLO   注意力机制   损失函数   ODConv  

摘要： 近年来,车辆目标检测已经逐渐成为智能交通领域的研究热点,然而,现实道路场景的复杂性常常给目标检测带来了诸多挑战,尤其是频繁出现的目标遮挡、重叠以及小目标检测问题,该文提出一种基于改进YOLOv5算法的车辆目标检测模型。首先将CA(coordinate attention,坐标注意力)机制集成到检测网络中,以增强在高密度目标环境中对车辆的识别精度;接着,采用Focal-EIOU Loss作为替代损失函数,以实现更精确的定位精度和更快的收敛速度;最后,引入ODConv(omni-dimensional dynamic convolution,全维度动态卷积),通过结合多个卷积核以及执行多维特征关注,提升车辆特征提取的效果。在自制车辆数据集上的实验表明,与原始算法相比,改进算法的平均精度提高了1.5%,证实了其在车辆目标检测方面的有效性和优越性。