关键词： 红外小目标检测   多层卷积融合模块   多感受野融合模块   消融实验  

摘要： 红外小目标检测技术在多个关键领域,如自主导航、安防监控中具有重要的应用价值。该技术能够识别低光或遮挡环境中肉眼难以察觉的小目标,对于识别潜在威胁和提高遥感探测能力具有显著意义。然而,由于红外图像中小目标占据像素少且缺乏形状和纹理信息,精确检测红外小目标面临巨大挑战。为了克服这些难点,提出一种多层卷积融合模块与多感受野融合模块相结合的深度学习模型,旨在通过多层级的特征提取和不同感受野的特征融合,有效表征小目标。使用实验室拍摄的红外图像作为测试集。实验结果表明,所提模型在多个评价指标上表现优异,像素级的交并比达到0.814,同时样本级的交并比达到0.845,验证了模型在小目标检测任务中的高准确性和可靠性。为了评估不同模块对模型性能的影响,进行了消融实验,结果进一步证实了多层卷积融合模块和多感受野融合模块对提升模型性能的重要性。

关键词： YOLOv8   YOLOv8m模型   城市交通   目标检测   电动车头盔佩戴检测  

摘要： 在城市交通中,时常出现由于电动车骑行者未佩戴头盔引发的安全事故。佩戴头盔可以有效地避免或降低安全事故带来的损害。为了解决这一问题,提出了一种基于YOLOv8的电动车头盔佩戴检测方法。首先采集数据并对数据集进行手工标注,然后将标注好的数据集分别通过YOLOv8模型的4种模型进行训练,即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型,从而得到最适合检测电动车头盔佩戴的模型。实验结果表明,相较于其他三种模型,YOLOv8m模型更适用于电动车头盔佩戴检测。

关键词： 改进YOLOv8算法   目标检测   机器视觉   异物检测  

摘要： 为解决人工检测发动机缸内异物时的漏检和误检等问题,设计基于改进目标检测算法YOLOv8的发动机缸内异物检测算法并进行试验验证。基于CoTNet中的注意力机制,设计Contextual Attention模块,重构C2f中的Bottleneck结构为CoA_C2f,替换YOLOv8骨干网络中的C2f模块;将模型Neck部分连续上采样后的特征图Concat模块替换为上下文聚合模块CAM;在Neck和Head之间嵌入Triplet Attention模块。试验结果表明:设计的发动机缸内异物检测模型可有效识别缸内异物,在原始YOLOv8基础上引入CoA_C2f、CAM和Triplet Attention 3个模块后的平均检测精度提高21.65%。

关键词： 集中式特征金字塔   递归门控卷积   交通标志识别   目标检测  

摘要： 针对目前交通标志识别技术中存在的畸变目标、小目标检测难等问题,提出一种基于集中式特征金字塔的交通标志识别算法。首先,使用集中式特征金字塔改进原始的特征融合网络,用轻量级多层感知机(MLP)来捕获全局远程依赖,通过可学习视觉中心机制(LVC)来捕获输入图像的局部角区域,提高了对畸变目标以及小目标的检测精度;其次,使用递归门控卷积提取浅层特征图的高阶空间交互信息,改善对小目标的检测效果;最后,使用SIoU回归损失函数,引入角度损失,重新定义惩罚指标,减少总损失的自由度,防止预测框在训练时四处游荡,加快收敛速度,使定位更加精确。在TT100K数据集上平均检测精度为93.4%,和传统的YOLOv5n相比精度提升了3.5个百分点,帧处理速度达到94.34fps。

关键词： 图像处理   工件定位   点云处理   改进ICP   尺寸检测  

摘要： 提出了一种融合图像与点云的曲面工件涂胶质量检测方法,解决了基于图像的涂胶质量检测精度低、鲁棒性差的问题。方法包括利用圆形Mark点进行粗定位,引入法矢一致性约束的改进迭代最近点算法完成精定位,并提取图像中的胶线骨架信息转化为3D胶线轨迹点。通过等距有序采样方法获取采样点进行胶线质量参数检测。根据采样点的法向约束和胶线轨迹切向约束,获得采样点胶线截面模型,将点云映射到截面中得到胶线截面轮廓模型,进一步分析截面轮廓以计算胶线质量参数。实验证明,测量得到的胶线宽度误差小于0.35 mm,厚度误差小于0.25 mm,满足工业场景中的胶线质量评估要求。

关键词： 视觉识别技术   缺陷检测   状态监测  

摘要： 阐述计算机视觉技术原理,通过实践分析,探讨计算机视觉技术在电力一次检修中的具体应用,包括设备表面缺陷检测、导线及绝缘子缺陷检测、电力设备状态在线监测以及开关刀闸位置监测。

关键词： 图像处理   深度学习   红外目标检测   卷积神经网络   特征融合  

摘要： 为了解决红外图像特征少、对比度不佳导致目标检测时精度低的问题,采用增加一个额外的预测特征层的方法,以提高原始YOLOv5在红外图像中的识别率;通过添加坐标注意力机制,优化红外目标强特征提取,提升检测准确度;再使用双向特征金字塔网络优化特征融合,增强模型表达能力,降低冗余计算;最后解决检测定位差和边界框回归任务中样本不平衡,采用focal-EIOU作为模型的边界框损失函数,提高收敛速度,并专注于高质量的锚框回归。结果表明,改进的YOLOv5在FLIR数据集上的准确率达到了85.3%,相比于原始网络模型提高了4.2%,具有较高的检测准确率。这一结果为在嵌入式设备上部署该软件提供了可行性。

关键词： 三维多目标跟踪   关联策略   激光雷达点云   不确定度评估   卡尔曼滤波器   协方差矩阵   马氏距离   匈牙利算法  

摘要： 为提高基于激光雷达的三维多目标跟踪准确度,提出一种基于检测的3D多目标跟踪算法。使用深度神经网络从激光点云中获取目标的位置信息后,对目标跟踪算法中的关联策略进行了优化。首先,估计出目标的速度信息,与位置信息一同纳入观测值,在BEV视角下使用卡尔曼滤波器对目标的状态进行预测与更新;然后,基于目标与激光雷达的距离来评估目标位置的不确定度,用于修正观测模型中的协方差矩阵;最后,在马氏距离中添加对目标测量的不确定性加权项,使用匈牙利算法进行数据关联。在大规模自动驾驶数据集Nuscenes上对所提算法进行了测试,得出其跟踪精度超过了现有的基线方法。消融实验结果表明,所提出的改进措施能有效提高三维多目标跟踪的性能。

关键词： 废钢判级   目标检测   yolov5   yolov8   rtmdet  

摘要： 废钢的回收过程中,我们经常遇到种类繁多、类别数量不平衡等问题。鉴于此,本研究基于深度学习,提出了一种废钢检测方法,包括类别平衡策略(Class Balance)和分组采样模块(Multi Group Sampling)。类别平衡策略旨在解决数据集中存在的类别分布不均衡问题,而分组采样模块通过促进形状和大小相似的不同类别废钢之间的相互学习。通过对模型结构和训练流程的优化,该方法在废钢数据集上展现了出色的性能。我们采用rtmdet、yolov5和yolov8进行了一系列对比实验,结果显示本研究提出的策略能够在不同模型上取得更优的废钢图像检测效果,mAP分别提高了3.2%、2.6%和3.1%。本研究的成果为废钢回收处理行业提供了一种新的方案,提升废钢回收的效率和质量,推动废钢回收自动化的发展。

关键词： 红外目标   检测与识别   深度学习   轻量化   YOLOv5n  

摘要： 基于深度学习算法的红外目标检测与识别技术是学术界研究的一个重要领域。基于对红外目标检测与识别的高精度和算法的轻量化两个目标的前提之下,在YOLOv5n网络模型的基础上,首先使用扩张式残差卷积(DWR)替换网络中的C3模块,实现了网络的轻量化,并且使网络可以灵活的提取不同尺度的特征。然后针对红外图像分辨率低且细节模糊的特点,用AF-FPN代替原来的FPN结构,提高了多尺度红外图像目标识别的能力。最后采用iRMB注意力机制插入到检测层,使得模型轻量化的同时检测精度仍能与原来的YOLOv5n相近。实验结果表明,改进模型较原YOLOv5n网络值提升了0.8%,模型体积下降了17%,实现了模型轻量化的同时基本不影响模型检测精度,满足体积小和轻量化需求,适合部署到嵌入式设备。