关键词： 视觉相机   激光雷达   目标检测   多目标跟踪   无人车  

摘要： 为提高无人车障碍物检测跟踪的精度和稳定性，首先针对YOLO v5(You only look once version 5,YOLO v5)网络存在的语义信息和候选框信息丢失的问题，引入深度可分离空洞空间金字塔结构与目标框加权融合算法完成对网络的优化；其次针对单阶段障碍物点云聚类精度低的问题，设计一种考虑点云距离与外轮廓连续性的两阶段障碍物点云聚类方法并完成三维包围盒的建立；最后将注意力机制引入MobileNet使网络更加聚焦于目标对象特有的视觉特征，并综合利用视觉特征和三维点云信息共同构建关联性度量指标，提高匹配精度。利用KITTI数据集对构建的障碍物目标检测、跟踪与测速算法进行仿真测试，并搭建实车平台进行真实环境试验，验证所提算法的有效性和真实环境可迁移性。

关键词： YOLOv5   ShuffleNetv2   遥感图像   目标检测   轻量化网络  

摘要： 针对遥感目标检测领域中深度学习算法模型参数与计算量巨大，边缘侧与移动端部署代价高，实时性检测能力差的问题，融合轻量化网络，提出一种改进的YOLOv5飞机目标检测算法.首先，以YOLOv5s模型为基础，引入ShuffleNetv2单元，摘除Focus操作，降低模型参数量和计算量，提升CPU部署推理速度.其次，使用轻量级上采样算子CARAFE和无参注意力机制SimAM，将损失函数替换为SIOU，提升平均检测精度.最后，使用整理的遥感飞机图像数据集（3068张）进行消融和对比实验.实验结果表明，所提模型可以较少的参数量（4.45M），较小的权重文件（5.17M）、较小的计算量（6.4GFLOPs），实现飞机目标平均检测精度97.3%,CPU推理速度26.04FPS.所提模型以0.8%的平均精度损失，有效降低了模型参数量、计算量和部署要求，CPU推理速度提升了1倍，为飞机目标检测模型在边缘侧和移动端部署提供新选择.

关键词： 小目标检测层   跨层特征融合   位置感知   感受野   动态检测头  

摘要： 针对航拍图像目标尺度小、背景复杂、漏检和误检严重,提出了一种基于位置感知和跨层特征融合的航拍小目标检测算法DC-YOLOv8s。DC-YOLOv8s新增小目标检测层,增强对小目标尺度的敏感性,提高检测精度。为了减少特征信息的丢失,设计了跨层特征融合模块,充分融合小目标浅层语义信息和深层语义信息,丰富特征表示。改进C 2f结构,结合可变性卷积设计了基于位置感知融入残差的感受野注意力模块,适应航拍小目标形状的变化,快速提取感受野特征,降低漏检和误检率。最后使用基于注意力机制的动态检测头在尺度感知、空间感知、任务感知方面提高复杂场景下小目标的定位性能。实验表明,在VisDrone2019数据集上,DC-YOLOv8s在P、R、mAP上相较于YOLOv8s分别提高了7.2%、7.5%、9.1%,显著提高了小目标检测的性能,FPS为71帧,满足实时性要求。在VOC2007+2012上进行模型泛化性实验验证,效果优于其他经典算法。

关键词： 金相组织   深度学习   卷积神经网络   图像处理  

摘要： 为了高效准确地评定火电厂12Cr1MoV钢金相组织的球化级别,先对原始金相组织图像进行灰度值归一化和图像去噪等处理,建立金相组织图像数据库,再采用4种不同的卷积神经网络模型对金相组织图像进行分类识别,开发了金相组织智能分析软件。实验结果表明:Inception-v3模型识别12Cr1MoV钢金相组织的球化级别的准确度可达到93%。开发的智能分析软件可以自动、准确和高效地评定球化级别,为火电厂锅炉材料检验提供了更可靠的金相分析工具。

关键词： 炸点检测   小样本学习   Faster R-CNN   目标检测  

摘要： 针对武器测试中炸点目标检测存在的误检、错检问题,提出一种融合自注意力机制、底层信息和解冻权重的两阶段微调的小样本学习方法来进行改进。首先将TFA网络中的FPN替换成带有自注意力机制的AC-FPN网络,并且在金字塔结构部分将底层输出送入顶层,构建一个全新的主干提取网络。然后在对整个网络解冻网络权重,使得新的数据集在整个网络上进行训练。为了验证所提算法,在自制炸点数据集上进行训练和测试,最终该方法的AP为55.2%,比原方法明显提高34.2%,对炸点形状的识别有更好的结果,能更好地满足实际要求。并在Pascal VOC数据集上进行了实验,结果表明该算法的有效性。

关键词： 计算机视觉   课程建设   OBE理念   视觉智能  

摘要： 文章针对当前本科生计算机视觉课程不能满足快速发展的视觉智能需求的问题,分析了计算机视觉课程的特点和教学要求,基于OBE理念,依据本科生对知识点的接受程度,设计了包含计算机视觉基本原理、数字图像处理、2D计算机视觉、3D计算机视觉四个模块的课程体系构建方案,并从计算机视觉课程教学实践出发,阐述了课程教学目标建设、课程体系和教学内容体系建设、评价体系建设、教学模式建设、课程质量持续改进的措施,以期多元化全方位进行课程建设。

关键词： 计算机视觉   目标跟踪   孪生网络   深度学习   注意力机制   Transformer  

摘要： 基于Transformer的视觉目标跟踪算法能够很好地捕获目标的全局信息,但是,在对目标特征的表述上还有进一步提升的空间.为了更好地提升对目标特征的表达能力,提出一种基于混合注意力的Transformer视觉目标跟踪算法.首先,引入混合注意力模块捕捉目标在空间和通道维度中的特征,实现对目标特征上下文依赖关系的建模;然后,通过多个不同空洞率的平行空洞卷积对特征图进行采样,以获得图像的多尺度特征,增强局部特征表达能力;最后,在Transformer编码器中加入所构建的卷积位置编码层,为跟踪器提供精确且长度自适应的位置编码,提升跟踪定位的精度.在OTB 100、VOT 2018和LaSOT等数据集上进行大量实验,实验结果表明,通过基于混合注意力的Transformer网络学习特征间的关系,能够更好地表示目标特征.与其他主流目标跟踪算法相比,所提出算法具有更好的跟踪性能,且能够达到26帧/s的实时跟踪速度.

关键词： 压裂井场   目标检测   全覆盖监控系统   高压区域入侵监测   不安全行为提示  

摘要： 针对压裂井场作业人员的不安全行为包括作业时闯入高压区、不佩戴安全帽、吸烟、接打电话和不穿着工服作业,使用图像识别目标检测技术,构建井场安全隐患识别算法模型,开发井场全覆盖监控系统。通过采集井场监控画面视频,制作目标检测图像数据集,训练神经网络模型,实现高压区域入侵监测及人的不安全行为提示。采用画面加声音提醒的报警方式,将所有分析结果反馈到仪表橇内。系统使用效果满足当前井场安全监控需求,助力实现井场安全生产目标。

关键词： 多目标跟踪   CStrack   重识别   数据关联  

摘要： 针对复杂场景下目标外观变化明显、运动不规律易导致轨迹中断和身份切换频繁等问题,从重识别(Re-Identification,Re-ID)特征、数据关联和插值等方面对跟踪器进行改进,提出基于改进CStrack关联策略的多目标跟踪算法。使用外观特征更新模块,减小因视角改变、目标移动导致特征剧烈变化而产生的影响,增强特征间的关联。提出二次关联方法,根据高低置信度检测结果的特点,使用不同的度量方式进行二次关联:第一次关联使用IoU距离融合外观特征作为关联的代价矩阵,第二次使用扩展IoU关联,缓解运动估计偏差、外观不可区分导致度量失效的问题;采用高斯回归算法,考虑运动信息,通过插值补偿漏检。在MOT17、MOT20数据集上进行测试,跟踪精度分别达到73.9%、64.2%。实验结果表明,该方法在跟踪精度上有明显优势,能够较好地适应复杂场景。

关键词： 鸟击   鸟类检测   YOLOv5   ODConv  

摘要： 随着人类经济社会的快速发展及生态环境的不断改善,在新机场不断地建设、各种飞行器数量与飞行频率不断增加的同时,鸟类数量也在不断地增加,于是机、鸟二者间产生了激烈的空间竞争关系,并因此而导致了鸟击事件的上升问题。面对严峻的鸟击风险防范形势,传统方法通常会在使用一段时间后就会失去原有的效果,主要原因是鸟类惯性适应症的问题。为了解决上述问题,设计了一种基于物联网的机场驱鸟联动系统,并在该系统上提出了基于改进YOLOv5s的机场鸟类目标检测算法,以提高驱鸟设备的使用效果。由于捕捉用的摄像头位置是固定的,飞鸟则是在不同高度飞行,目标不仅尺度变化较大,而且密集目标出现运动模糊问题,为此改进的算法在YOLOv5基础上加入ODConv全维动态卷积以提升网络在区域覆盖范围大的图像中找到感兴趣的区域。此外,算法中还改进了输出端预测头以提高群体目标中小目标的检测精度。实验结果表明,算法相较于YOLOv5s精确率提升了约4.6%,召回率提升约3.9%,实现了在满足检测速度要求的同时有效地提高了对飞鸟的检测精度。