关键词： YOLOv5算法   危险区域   多目标检测   单目视觉   Qt技术  

摘要： 为提高危险区域多目标检测的效率和准确性,以YOLOv5算法为基础,深入分析算法原理和优化策略,使用Qt研发基于单目视觉与目标检测算法YOLOv5的危险区域多目标检测系统,实现了在危险区域中多目标的高效检测。研究中通过改进模型架构和模型剪枝、量化,对算法YOLOv5进行了优化,以适应危险区域多目标检测对速度和效率的需求。优化后的算法有显著的性能提升,平均精度达到97.3%,速度提升近10%,为危险区域多目标检测应用提供了有力的技术支持。

关键词： 公交客流统计   目标检测   目标跟踪   YOLOv5   DeepSORT  

摘要： 针对公交客流统计现阶段存在的问题,即客流统计的准确率以及效率、目标易被遮挡、误检、漏检等,基于公交车内的实时监控视频数据,提出一种基于YOLOv5目标检测算法结合DeepSORT多目标跟踪算法的公交客流统计系统。首先选用基于对人体头部特征的检测及跟踪的方法,统计和筛选了不同时间段、不同天气、不同光照强度下的视频数据以确保数据的多样性和代表性,通过AutoLabelImg半自动化标注工具对人体的头部进行标注。通过YOLOv5算法可以得到目标物的检测框和置信度,DeepSORT算法可以得到目标物的ID,解决了上下客重识别的问题。最后通过点过线计数法完成对目标物的计数。经实验测试,所提出的公交客流统计系统在检测精度达到了95%,召回率也达到了94%,mAP_0.5值达到了0.97,大大地提高了客流统计精度。

关键词： 目标检测   深度学习   YOLOv5   BiFPN   EIoU   鸟类检测  

摘要： 针对近年来鸟撞事件对航空安全造成的影响,为驱鸟系统提供了可实时检测鸟类并准确分辨品种的算法—一种基于YOLOv5的鸟类目标检测算法YOLO-birds。该方法将Neck层中的PANet融合网络替换为BiFPN,实现更简单、快速的多尺度特征融合。引入了EIoU边界框回归损失函数,在CIoU的基础上分别计算宽高的差值替代纵横比,并引入Focal Loss解决难易样本不平衡问题,提高了收敛速度和回归精度。实验结果表明:在修改后的CUB_200数据集中,该算法的精确率达85.12%,比原模型提高了7.30个百分点,mAP_0.5达87.97%,比原算法提高了7.02个百分点。该改进方法在检测速度变化不大的同时可以达到更佳的检测精度,对鸟类检测的整体识别率大幅提高。

关键词： 图像处理   盲元检测   阈值法   盲元补偿  

摘要： 使用面阵红外相机,可大大提高成像视场角,使大视场高空间分辨率红外成像成为可能,但是高辐射分辨率面阵相机具有高灵敏度,在进行挂飞实验时,会实时的产生盲元,凭借硬件升级无法完全避免盲元产生的问题,因此对红外图像有效进行盲元检测和补偿成为需要研究的课题。本文提出一种改进的基于场景的盲元检测方法,通过对连续时域红外图像求均匀背景图像得到差值图像,结合三梯度检测法,利用空域灰度中值和梯度绝对值之间的关系,设置阈值对盲元进行判别,在进行盲元补偿后得到处理后的图像。实验结果证明该方法效果明显,能有效地检测到连续的盲元块,检测更加准确,在后续进行盲元补偿时,图像质量也进一步提升。

关键词： 昏暗图像   YOLOv5n   全维动态卷积(ODConv)   MobileNetV2   RepGFPN   GhostConv  

摘要： 相比于正常光照场景,照明不良昏暗场景干扰因素较多,图像处理较为复杂,且现有的昏暗目标检测,存在参数量大,识别准确率低等不足。针对昏暗场景下目标检测算法中存在误检与漏检等问题,提出以YOLOv5n算法为基础进行改进的昏暗场景目标检测算法Dim-YOLOv5n。利用嵌入全维动态卷积(omni-dimensional dynamic convolution,ODConv)的轻量化主干ODConv-MobileNetV2替换主干网络,在减少计算量的同时提高检测精度。基于RepGFPN(reparameterized generalized-FPN)方法设计更加轻量高效的LigGFPN(lightweight generalized-FPN)加强特征融合网络,以提高网络特征提取能力,并在此基础上,使用GhostConv(ghost convolution)替换传统卷积,以减少模型的参数量。实验结果表明,改进后算法与原算法相比,检测精度P和召回率R分别提高了5.3个百分点和5个百分点,平均精度均值mAP0.5:0.95和mAP0.5分别提升了8.2个百分点和4.6个百分点,改进的算法在保证模型较小的同时有效提高了检测准确率。

关键词： 改进YOLOv4   园林绿化景观设计   目标检测   小目标检测  

摘要： 深度学习算法中,YOLOv4在目标识别、检测中已经得到典型应用,其性能出色,但参数量、计算量仍然较高,存在相应的改进空间。为改进目标识别过程中的小目标实时检测,基于改进YOLOv4,生成一种用于园林绿化景观设计场景的轻量级目标检测模型,能够利用现场实测数据集、模拟数据集进行训练,以较少精度损失,降低参数、模型的大小,便于在此基础上形成应用于园林绿化景观设计中的目标检测、识别和分类系统。结果表明,改进YOLOv4能够有效提升园林绿化景观设计过程中小目标检测精度,具有良好的泛化性、迁移性,在小目标识别检测方面的准确性与速度获得高度平衡,潜力较大。

关键词： 无人机   目标检测   特征融合   实验设计   检测精度  

摘要： 针对无人机图像小目标检测存在目标密集和遮挡等问题,设计了卷积注意力、深度特征融合和多尺度特征融合模块以增强图像小目标的局部信息和语义信息,从而提高对无人机图像小目标特征的提取能力,最后结合改进的损失函数加快了模型的收敛。基于VisDrone2019数据集的实验结果表明,所提模型提高了无人机图像小目标检测精度,减小了目标误检和漏检概率,为复杂场景下无人机小目标检测提供了实验基础。

关键词： 机器视觉   弓网   磨耗   边缘检测   图像处理  

摘要： 为满足城轨列车受电弓滑板磨耗病害的自动化检测需求,提高受电弓滑板磨耗病害检测效率,设计了一种基于机器视觉的受电弓滑板磨耗检测系统,应用改进型Canny边缘检测算法,获取受电弓滑板边缘图像,通过霍夫变换等技术,提取与拟合滑板磨耗边缘,获取滑板的磨耗信息,然后分析判断磨耗数据,最终实现对弓网磨耗情况的非接触式精准自动检测。结果表明,在正向平行拍摄角度下,系统测量结果与人工测量结果高度吻合,准确率达到91.6%,可满足实际检修需求。

关键词： 深度学习   合成孔径雷达   目标检测   注意力机制   有向框  

摘要： 基于深度学习的方法逐渐在合成孔径雷达(synthetic aperture radar,SAR)图像目标检测任务中得到运用。SAR图像目标远距离、大视场成像条件下造成小目标特征提取困难,同时军事领域需要获取高精度的SAR图像目标尺寸信息。为解决上述问题,提出了基于YOLOv5的改进SAR图像目标检测算法。首先针对复杂场景下小目标与近岸目标的漏检与虚警问题,引入注意力机制并探究不同注意力模块对SAR图像目标检测效果的影响。其次针对SAR图像目标密集排列特性,建立基于有向框的目标检测算法,实现目标的旋转角度预测。最后在SAR舰船检测数据集(SAR ship detection dataset,SSDD)上开展对比实验,结果表明,注意力模块的嵌入能够有效提升2.5%的检测精度,相比常规水平检测框,有向框对偏斜程度高和排列密集的目标具有更强的检测能力。

关键词： 事件检测   精准度   深度学习   目标检测  

摘要： 为提升视频AI事件的检测的精准度,文章研究视觉AI的事件算法,主要包括自动提取事件目标检测特征因子、事件多类型多目标同时分类识别、单目标多角度识别以及算法自学习功能,从而提高视频事件检测的检出率和准确率,实现交通突发事件的实时监测与预警分析和车辆视频接力跟踪,提升高速公路营运管理、安全应急处置的智能化、科学化水平。