关键词： 水面扩展目标跟踪   事件触发机制   不完全量测   容积卡尔曼滤波  

摘要： 已有的水面扩展目标跟踪方法虽然提高了跟踪精度,但增加了通信消耗,而且无法避免不完全量测的干扰。为解决上述问题,依据探测器获取目标信息的机理将量测向量中各分量进行分组,建立不完全量测下由随机矩阵描述的扩展目标测量模型;进而结合目标运动模型,构建不完全量测下水面扩展目标跟踪模型;基于所建立的目标跟踪模型,提出一种多通道解耦的事件触发机制调节探测器与估计中心间的数据传输;基于容积卡尔曼滤波算法,提出一种不完全量测下事件触发水面扩展目标跟踪方法。仿真实验结果表明,所提方法可在保持较高目标跟踪精度的前提下,显著降低通信消耗,同时有效避免不完全量测的干扰。

关键词： 风景园林   视觉感知   计算机视觉   城市街道   体力活动   夜间   地理加权回归(GWR)  

摘要： 【目的】随着现代生活方式的转变,城市居民对夜跑活动的需求日益增加。已有跑步环境研究较多关注日间情景,城市街道夜间环境对跑者的影响还有待进一步探究。【方法】以广州越秀核心区为研究区域,利用计算机视觉和人机对抗评分平台评估不同类型街道对夜跑的安全感、恢复力、舒适度、吸引力及环境质量等方面视觉感知的影响,并运用空间自相关方法和地理加权回归模型研究各类街道环境要素与夜跑环境视觉感知之间的关系。【结果】研究发现,滨水街道和商业街可提升夜跑者的舒适度和恢复力,历史文化街道可增强夜跑的安全感和吸引力,而餐饮街和商住混合区街道较难激发正面跑步体验。不同街道环境要素对夜跑环境视觉感知的影响存在差异。【结论】考虑夜跑环境视觉感知评价对优化城市夜间跑步环境具有指导意义,未来可以通过区分街道类型,采取有针对性的规划设计措施来提升不同街道的夜跑体验质量。

关键词： 表面缺陷   镍板   缺陷检测   图像处理   图像增强算法   YOLOv5   注意力机制   EIoU损失函数   准确率   平均精度   检测速度  

摘要： 针对镍板表面缺陷检测智能化程度低的问题,提出了一种基于改进YOLOv5的镍板表面缺陷检测方法。首先,对图像增强后的镍板数据集通过K-means++重新聚类锚框,提高锚框对本文数据集的适应度。其次,在主干网络Backbone中加入CBAM注意力机制,通过空间与通道信息融合来加强对感兴趣区域以及不清晰目标的特征识别。最后,在边界框回归时引入EIoU损失函数代替原CIoU损失函数,有效提高回归收敛速度,从而提高模型检测速度。实验结果表明,在自建的镍板缺陷数据集上,改进后的模型检测准确率高于Faster R-CNN、SSD、YOLOv3、YOLOv5等模型,其平均精度均值达81.4%,检测速度达61帧/s,模型在提高检测精度的同时也很好地满足了对检测速度的要求。

关键词： 深度学习   图像处理   PSA   烟雾检测  

摘要： 烟雾检测往往检测精度低、漏检率与误检率高,为了解决这些问题,提出一种改进的YOLOv5s的烟雾检测模型。首先将C3_PSA结构添加到YOLOv5s的骨干部分中,提高模型在恶劣的环境下对烟雾边界的特征提取能力,降低漏检率;其次,将BiFusion的结构替换YOLOv5s模型的颈部结构,增强模型对细节特征以及位置信息的检测能力,提高模型检测精度,降低模型误检率;最后,对损失函数进行改进以进一步提高模型检测准确率。实验结果显示,改进后的模型的精度提升了5.6%,平均精度均值(mAP)提升了3.5%,FPS为369帧/秒,说明改进后的模型可以在背景环境复杂时准确地检测出烟雾特征,同时满足模型在端侧部署的实时性高的要求。

关键词： 自动驾驶   三维目标检测   特征融合   损失函数  

摘要： 快速识别和精准定位周围目标是自动驾驶车辆安全、自主行驶的前提和基础。针对基于体素的点云三维目标检测方法识别与定位不准的问题,提出一种基于改进SECOND算法的点云三维目标检测算法。首先,在二维卷积骨干网络中引入自适应的空间特征融合模块融合不同尺度的空间特征,提高模型的特征表达能力。其次,充分利用边界框参数之间的关联性,采用three-dimensional distance-intersection over union (3D DIoU)损失作为边界框的定位回归损失函数,使得回归任务更加高效。最后,同时考虑候选框的分类置信度和定位精度,通过一个新的候选框质量评价标准,获得更平滑的回归结果。在KITTI测试集的实验结果表明,所提算法的3D检测精度优于许多以往的算法,与基准算法SECOND相比,在简单难度下的car类和cyclist类分别提高2.86百分点和3.84百分点,中等难度下分别提高2.99百分点和3.89百分点,困难难度下分别提高7.06百分点和4.27个百分点。

关键词： YOLOv3算法   深度学习   雨天环境   车辆检测  

摘要： 研究提出了一种针对雨天环境的改进YOLOv3车辆目标检测算法。为了减少雨天环境对车辆检测效果的影响,在原始YOLOv3的基础上新增一个去雨模块,该模块根据有雨图像的特点设计了一个卷积网络,将网络结构中的常规卷积替换成空洞卷积,以增加感受野,并且引入了残差学习,从而缓解梯度消失问题。为了满足实际的车辆检测任务需求,对YOLOv3算法进行了改进,通过在骨干网络中加入SPP模块,使网络能够接受任意尺寸的输入,防止图像信息的丢失和变形。为了增强YOLOv3算法处理不同尺度车辆,特别是小目标车辆的能力,将原先的3种预测尺度改为4种。为了证明研究提出的算法的有效性,在车辆数据集上对比了改进前后的算法及其他几种目标检测算法,实验结果显示,改进算法的AP高达92.2%,高于其他几种对比算法,与原始的YOLOv3算法相比提高了6.0%。

关键词： 深度学习   微创肝切除术   解剖结构   计算机视觉   图像分割  

摘要： 目的 探讨基于深度学习构建微创肝切除术关键解剖结构识别模型的应用价值.方法 采用回顾性描述性研究方法.收集2019年1月至2023年4月在南方医科大学珠江医院保存完整的31个腹腔镜肝左外叶切除术视频资料.由2位肝脏外科医师筛选出包含肝左外叶肝蒂、肝左静脉的视频片段,对视频进行质控、筛选、抽帧后,标注图像中的关键解剖结构.所有图像经过预处理后,输送至DeepLab v3+神经网络框架进行模型训练.观察指标:(1)视频标注及分类情况.(2)人工智能解剖识别模型测试结果.正态分布的计量资料以(-x)±s表示,计数资料以绝对数表示.结果 (1)视频标注及分类情况.31个视频共标注4 130帧图像,其中仅有肝左外叶肝蒂的标注图像2083帧,仅有肝左静脉的标注图像1 578帧,同时有肝左外叶肝蒂和肝左静脉的标注图像469帧.(2)人工智能解剖识别模型测试结果.4种场景(干净场景、血渍场景、器械部分遮挡场景、暴露面积小的场景)下,模型成功识别肝左外叶肝蒂或肝左静脉.模型对以上视频图像的解剖识别速度均>13帧/s.模型在对仅有肝左外叶肝蒂的图像进行解剖识别时,Dice系数、交并比、准确度、灵敏度、特异度分别为0.710± 0.110、0.560±0.120、0.980±0.010、0.640±0.030、0.980±0.010;在对仅有肝左静脉的图像进行解剖识别时,上述指标分别为 0.670±0.180、0.530±0.200、0.980±0.010、0.600±0.040、0.990±0.010;在对同时有肝左外叶肝蒂和肝左静脉的图像进行解剖识别时,上述指标分别为0.580±0.180、0.430±0.190、0.980± 0.010、0.580±0.020、0.990±0.010.结论 基于深度学习构建微创肝切除术关键解剖结构识别模型可用于识别肝脏肝蒂和静脉结构.

关键词： 图像处理   智能楼宇   火灾智能识别   识别方法   信号捕捉   远程感应识别  

摘要： 常规的楼宇火灾智能识别节点设定多为分布式,其虽分布密集但识别压力过大,导致其误识率较高。对此,本文提出基于图像处理的智能楼宇火灾识别方法和设计,并以此为基础建立图像处理智能楼宇火灾智能识别模型,采用追踪定位辅助测定的方式来实现火灾智能识别,最后运用实验证明该方法的先进性。最终得出,在图像处理技术辅助下设计的智能楼宇火灾识别方法更加可靠、安全,识别效率更高、针对性更强,具有实际的应用意义和创新价值。

关键词： 视频图像处理   高速公路   车辆收费   稽核   车型识别设备  

摘要： 现行系统在高速公路车辆收费预稽核中应用效果不佳,识别率比较低,误查率比较高。为解决这一问题,提出基于视频图像处理的高速公路车辆收费预稽核系统。首先,进行了系统架构设计,包括:硬件系统层、操作系统层、数据库、设备驱动层、协议接口层、应用层。然后,对系统车牌、车型识别设备、补光灯、工控机等硬件设备进行选型与设计。最后,以此为基础,采用视频图像处理技术对图像中的车型与车牌进行信息识别,稽查车辆信息与实际是否一致,识别丢轴漏费车辆,实现基于视频图像处理的高速公路车辆收费预稽核。实验测试结果证明,系统识别率超过95%,误查率未超过1%,可以实现对高速公路车辆收费的精准稽查,应用效果较好。

关键词： 大型施工机械   目标检测   施工监管   安全预警   视频分析  

摘要： 为在铁路工程中加强对铁路大型施工机械的安全管理,帮助建设管理单位实现对施工现场大型施工机械的整体掌控,设计了大型施工机械监管系统,介绍了其总体架构,并重点阐述了其中智能视频分析模型的设计。该模型基于YOLOv6模型,结合迁移学习、不平衡学习、数据增强等多种深度学习技术,实现铁路大型施工机械的快速定位与分类。模型的宏平均准确率可达94.0%、mAP可达0.956、每秒检测帧数可达84,准确性和实时性均满足实际应用需求。