关键词： 目标检测   OpenCV库   YOLOv5算法  

摘要： 传统的果蔬批发市场收费模型是依靠人力完成的,效率较低。研究提出了基于YOLOv5算法的智能收费系统,将收费模式自动化、智能化。当车辆驶入停车场时,收费模块会记录车辆进场时间并开始计时收费。在车辆离开停车场时,收费模块会记录车辆出场时间并计算车辆的停车费用。根据停车场的收费标准和车辆的停车时间来计算停车费用,并显示在出口处的显示屏上。该系统降低了人力成本,提高了操作效率,为传统行业带来了数字化转型的可能性。

关键词： 遥感影像   神经网络架构搜索   目标检测   特征分离卷积   最大熵   多尺度熵   渐进式进化  

摘要： 针对传统神经网络架构搜索需要耗费大量时间用于超网训练,搜索效率较低,搜索得到的模型无法高效解决遥感影像中多尺度目标检测困难、背景复杂度高的问题,本文提出采用多尺度熵神经网络架构搜索的方法进行遥感影像目标检测。首先,在搜索空间的基础模块中加入特征分离卷积以代替残差模块中的常规卷积,减少遥感影像中由于背景复杂度高而造成的信息间干扰,提高网络模型在复杂背景下的检测性能;然后,引入最大熵原理,计算搜索空间中每个候选网络的多尺度熵,将多尺度熵与特征金字塔网络相结合,以兼顾遥感影像大、中、小目标的检测;最后,在不进行参数训练的情况下利用渐进式进化算法搜索得到多尺度熵最大的网络模型用于目标检测任务,在保证模型检测精度的同时,提升网络搜索效率。本文方法在RSOD、DIOR和DOTA数据集上的平均检测精度均值分别达到93.1%、75.5%和73.6%,网络搜索时间为8.1 h。试验结果表明,与当前基准方法相比,本文方法能够显著提升网络的搜索效率,在目标检测任务中更好地结合了不同尺度下的特征并解决了影像背景复杂度高的问题。

关键词： 高光谱成像   目标检测   CEM   空谱联合  

摘要： 受空间分辨率与探测器水平的限制,传统的高光谱图像目标检测算法更侧重于基于光谱分析的定量化处理。近年来,随着地面与近地面成像平台以及光谱成像技术的发展,陆基高光谱图像实现了高空间分辨率与高光谱分辨率的统一。相比于高光谱遥感图像,陆基高光谱图像的空间分辨率更高,其目标具有细节丰富、尺度较大的特点,在目标检测任务中能够同时利用目标的几何形状信息与精细光谱信息。约束能量最小化(CEM)是一种经典的高光谱图像目标检测算法,这种算法很适合特定的成分占图像总方差比例很小的情况,能突出某种待测目标信息,压制背景信息,从而达到从图像中分离出待测目标的效果。然而,CEM对目标的尺度比较敏感,随着目标像元数目的增加,该算法的探测效果显著下降。导致这一问题产生的原因在于CEM是基于统计背景时不包括目标光谱信息这一假设的,但实际情况中难以预先剔除目标光谱信息,而是直接统计全域图像的每个像元的光谱来近似代替背景光谱。为了解决CEM在较大目标的检测任务中效果不佳的问题,改进该算法在陆基高光谱图像中的目标检测能力,提出了一种基于空间检测指导的CEM方法(SIG-CEM)。该方法首先将获取到的待测高光谱图像进行主成分分析,将第一主成分图像送入空间目标检测模型,利用检测结果得到的坐标信息对目标进行框定。而后在求取CEM中的自相关矩阵时去除框定区域内包含目标的像元,从而有效减少了对目标的抑制。分别利用公开的遥感高光谱图像与实测的陆基高光谱图像进行实验,实验结果表明:SIG-CEM算法能够避免传统CEM算法中目标信号作为背景信号参与运算而对探测结果的影响。在公开数据集的实验中,相比于其他传统的目标检测算法,SIG-CEM算法的AUC值达到了0.9737,有效提升了目标检测的精度;在实测陆基高光谱图像数据的实验中,SIG-CEM比CEM的AUC值平均提升了0.055。同时,实验在一定程度上验证了SIG-CEM算法针对不同类型的高光谱图像具有较强的鲁棒性与适用性。该研究提出了一种专门针对陆基高光谱图像的目标检测方法,推进了今后陆基高光谱图像在目标定位与识别方面的发展与应用。

关键词： 人工智能   深度学习   安全帽   目标检测  

摘要： 安全帽作为安全生产的保护帽,对保护员工的人身安全起着重要作用。经过对企业高风险作业过程中相关检测算法的实际调研分析,发现现有的安全帽佩戴检测算法存在由于距离远、异物遮挡、场景繁杂等因素导致检测准确率低等问题。基于此,文章提出了一种通过添加CA注意力机制、增加小目标检测层和改进损失函数的方法来改进YOLOv5的安全帽佩戴检测新算法。算法改进后应用于实践,实验结果表明,改进后算法的准确率达到95.6%,召回率达到94.8%,满足企业高风险作业过程中对安全帽佩戴检测的准确率要求。

关键词： 视网膜血管分割   神经网络   注意力机制   计算机视觉  

摘要： 视网膜血管的自动分割在眼科和心血管疾病的计算机辅助诊断中发挥着重要作用。注意力机制能够提高经典神经网络模型对图像特征提取的效率和精度,因此注意力机制在视网膜血管分割模型中广泛使用。首先回顾了视网膜血管分割的常用数据集及评价指标,接着根据工作机理将注意力分为选择性注意力机制和自注意力机制两类;根据计算机视觉任务中的作用域将注意力方法分为通道注意力、空间注意力以及混合注意力三类,结合视网膜血管分割任务重点介绍了以上三类方法的代表性注意力模型的具体应用,并对相关模型进行性能对比和评价。最后,对注意力机制存在的问题以及未来的发展趋势进行了讨论。

关键词： 深度学习   遥感图像处理   SAR图像目标识别   神经网络  

摘要： 随着深度学习的不断发展,其应用领域与应用范围也在不断拓展,对人类的生产生活产生了重要影响,并有力推动了遥感图像处理技术的发展,对于提高遥感影像识别和分类精度具有重要意义。遥感图像处理的要求较高,单纯依靠人工处理遥感图像的难度较大。深度学习为遥感图像处理提供了新的思路与方法,解决了遥感识别与分类的问题。基于此,文中分析了遥感图像处理技术现状,探究了深度学习在遥感图像处理中的应用。

关键词： 小目标检测   YOLOv8s   感受野模块(RFB)   CoT  

摘要： 无人机航拍目标检测是近些年研究的热点,由于无人机航拍视角下的小目标图像及被遮挡情况严重,导致出现漏检、误检等问题。针对以上问题,提出了一种改进YOLOv8的航拍小目标检测方法:CRP-YOLO。为提升颈部网络PANet的特征提取能力,提出一种多分支部分空洞卷积结构,将RFB模块与PConv结合改进颈部网络的特征融合方式,增大颈部网络的感受野;在主干网络SPPF层前的C2f中引入CoT(contextual Transformer)结构改进Bottleneck块,利用全局上下文信息,提升网络特征提取能力;在检测层增加一个尺寸为160×160的小目标检测头,提高对小目标的检测能力。在公开数据集VisDrone2019上进行实验,结果表明,相较于基线模型YOLOv8s,CRP-YOLO在mAP@0.5上提升3.8个百分点,mAP@0.5:0.95提升1.7个百分点,参数量降低1.5 MB,与其他主流目标检测方法相比也得到较好的检测性能。

关键词： 目标检测   YOLOv4   MobileNetv3   ECA注意力机制   K-means++  

摘要： 在交通场景下,现有YOLOv4算法检测电动自行车及摩托车驾驶员头盔佩戴时存在漏检率偏高、定位准确度较差、中小目标易聚集等问题。对此,文章提出了一种改进的YOLOv4算法。首先,选用轻量级网络MobilenetV3作为主干特征网络,并将YOLOv4网络中尺寸为3×3的标准卷积层均替换为深度可分离卷积,缩减了模型参数量;其次,引入ECA注意力机制与深度可分离卷积结合,从而替换PANet模块中的深度可分离卷积并增强特征网络表现力;最后,使K-means++聚类算法与Intersection-over-Union(IoU)相结合,并与anchors比较聚类,增强了聚类效果。实验结果表明,改进的YOLOv4算法mAP值达到了97.85%,比YOLOv4算法高出1.22%,检测速度由33.55 fps提升至50.60 fps。在满足精确性的前提下,改进的YOLOv4算法在头盔佩带检测场景中具有较好的性能,更利于轻量化部署。

关键词： 目标检测   Detection Transformer   棉花幼苗   杂草检测  

摘要： 基于深度学习的目标检测技术在棉花幼苗与杂草检测领域已取得一定进展。论文提出了基于改进Detection Transformer的棉花幼苗与杂草检测模型,以提高杂草目标检测的准确率和效率。首先,引入了可变形注意力模块替代原始模型中的Transformer注意力模块,提高模型对特征图目标形变的处理能力。提出新的降噪训练机制,解决了二分图匹配不稳定问题。提出混合查询选择策略,提高解码器对目标类别和位置信息的利用效率。使用Swin Transformer作为网络主干,提高模型特征提取能力。通过对比原网络,论文提出的模型方法在训练过程中表现出更快的收敛速度,并且在准确率方面提高了6.7%。