关键词： 船载高频地波雷达   目标跟踪   隶属度函数   自适应卡尔曼滤波  

摘要： 针对使用传统的卡尔曼滤波器进行多目标跟踪易发生状态估计不准确、航迹断裂的问题,提出了一种转换量测卡尔曼滤波增益自适应调整方法。结合船只目标的运动特性和历史船只航迹数据,采用线性最小二乘拟合提取出航迹参数的变化趋势。使用似然函数分别计算目标预测状态和量测状态与航迹的隶属度。利用预测状态和量测状态的隶属度值对滤波方式进行选择。利用仿真及实测船载地波雷达数据开展了目标跟踪实验,结果表明,使用该文方法能够得到平滑、持续的航迹输出,目标的跟踪距离远、跟踪精度高,优于现有的自适应滤波方法。

关键词： 深度学习   图像处理   目标检测   YOLOv3   智能检测  

摘要： 随着能源供应需求的不断增长以及人工智能技术的持续改进,对输电工程质量智能检测技术的要求也越来越高。针对上述问题,文中开展了基于YOLOv3的输电工程质量智能检测与分析技术研究。通过对采集到的输电工程样本数据进行预处理,经多次迭代计算,删除其中的凸包拐点数据。再将实时提取的单帧图像输入目标识别模型中,统计检测到的目标数量。并对低质量图片进行非线性自适应增强处理,以选取高斯双边函数计算均值信息,进而利用卷积算法完成对输电工程验收图片的滤波处理。在对传统的Faster-RCNN算法加以改进后,将FP-FRCNN模型嵌入密集连接结构中,实现输电工程质量智能检测。算例分析结果表明,所提方法可进行输电工程质量智能检测与分析处理,且检测精度高达99.35%,处理时间则仅为3.21 s。

关键词： 目标检测   视觉识别   YOLO   吸烟检测   烟火检测   头盔检测  

摘要： 基于YOLOv5技术的图像目标检测算法在实时性和准确性,本文将介绍基于PyTorch实现的YOLOv5算法在“吸烟检测”“安全帽佩戴检测”和“烟火检测”方面的应用。通过提供大量的带有吸烟、安全帽、烟火标注的图像样本作为训练数据,让YOLOv5算法学习吸烟行为、佩戴安全帽、存在烟火的特征并进行准确的识别,在监控视频中实时预警和记录。

关键词： 目标检测   YOLO检测   多模态融合   数据融合   TIF算法  

摘要： 城市低空运用小型无人机检测车辆等城市目标正逐渐成为主流手段。针对目前存在的实际场景中可见光探测易受光照影响、无法夜间工作和红外探测目标边缘模糊,导致单模检测网络检测精度低的问题,提出了一种基于图像融合和深度学习网络的无人机多模态融合的城市目标检测算法:首先,基于DUT-VTUAV可见光-红外配准数据集和TIF图像融合算法,构建多模态融合数据集;其次,对比了现有YOLO(You Only Look Once)检测系列网络的检测精度、速度及参数量等性能参数,选择出最适合无人机端移动部署的轻量化网络YOLO v5n;最后,综合运用图像融合算法和目标检测模型,形成多模态融合检测算法。在车辆数据集上进行的对比实验表明:相对单模检测,所提出的算法的检测精度得到有效提升,mAP高达99.6%,且该算法可在0.3 s内完成一组可见光-红外图像的融合检测,具有较高的实时性。

关键词： 无人机   追踪   树莓派   YOLOv5-Lite   目标检测  

摘要： 针对无人机领域中的监管问题,基于YOLOv5-Lite的改进模型,提出了一种随着训练过程为模型动态地分配损失权重的指数移动样本加权函数。通过模型运算,控制二自由度云台对无人机实时跟踪,且视频采集、模型计算和二轴云台控制均在树莓派4B本地进行。优化过的模型在保持原模型参数量的同时,在mAP@.5:.95指标中达到了70.2%,相较于原模型提高了1.5%。在树莓派上的实时推理平均速度为2.1 FPS,处理效率更高。树莓派在模型推理的同时,通过I2C协议控制舵机平台对无人机目标进行追踪,保持对无人机的实时动态监测,提高了系统的可靠性,具有更好的实用价值。

关键词： 公共安全   监控视频   目标跟踪  

摘要： 针对公共监控可疑目标检测跟踪中,存在远距离可疑目标即超小目标识别跟踪效果差的问题,提出一种基于改进目标识别与目标跟踪的融合算法,用以检测并跟踪超小目标与多个可疑目标。首先构建可抽插式的P_CBAM注意力模块增强YOLOv5s模型对关键特征通道权重;然后增加YOLOv5s超小目标检测预测层,并对检测锚框进行K-Mean聚类以减少目标ID损失;接着利用非极大值抑制法,去除检测重叠框;最后接着将YOLOv5s检测的锚框中的目标外观与运动信息关联融合,构建Y5s_D_S目标跟踪模型。消融实验与对比实验的仿真结果均表明,在MOT20高位监控数据集上,较其它基线模型相比,Y5s_D_S模型在超小目标检测跟踪上的检测精度与检测精准的均为最佳。Y5s_D_S模型较传统Deep_SORT模型,其精确度与F1值分别提高了15.3%与0.059。提出的融合算法在多目标高位监控视频下,针对小目标检测具有较高的优越性与鲁棒性。

关键词： 计算机图像处理技术   应用   发展趋势  

摘要： 计算机图像处理技术作为一门跨学科的技术,近年来在多个领域取得了显著的应用与发展,比如在医学、视觉检测与监控、农业与环境监测等领域,得到了广泛应用。需要充分了解计算机图像处理技术的基础原理,具体包括数字图像表示与编码、图像滤波与增强技术以及彩色模型与色彩空间转换。同时详细分析其在各个行业领域的应用,掌握在医学影像诊断、安防监控系统、自动驾驶技术、农作物生长监测等方面的技术要点。需要重点探究其未来发展趋势,关注人工智能与计算机图像处理的结合,特别是在算法和优势方面的潜在应用。

关键词： 深度学习   目标检测   SLAM   视觉巡航   多传感器融合   避障导航  

摘要： 本文设计的智能小车硬件系统使用英伟达的Jetson Nano开发板,软件系统使用Ubuntu18.04搭配ROS1.0。视觉巡航模块运用深度学习中的CNN网络对赛道图片和转向数据进行训练,建立赛道转向的数学模型;交通标志检测模块使用YOLOv5对特定的交通标志进行训练与识别;导航避障模块使用激光SLAM的方法,采用Gmapping建图算法建立实时局部地图,然后运用扩展卡尔曼滤波算法融合里程计与IMU数据进行定位,通过激光雷达扫描得到环境中障碍物的位置信息,再使用导航算法实现障碍物区域的路线制定,以此实现自动行驶。

关键词： 目标检测   雾天   SimAM   wIoU  

摘要： 在户外场景下,目标检测是一项很重要的技术,其广泛应用于自动驾驶、监控目标跟踪等领域。然而户外天气多变,尤其在大雾天气场景下,由于光线减弱和物体边缘模糊等问题,导致算法性能下降、检测精度不高。针对这些问题,对雾天目标检测算法的研究提出了一种基于YOLOv7-tiny网络改进的算法。首先,引入注意力机制SimAM,在网络的特征融合部分添加注意力模块SimAM来提高网络对模糊图像的特征提取能力。然后,将算法原来的损失函数CIoU替换为wIoU,来提高锚框的定位精度,从而在整体上提高检测的精度。在雾天数据集ug2上进行了训练和验证。改进后的算法在计算量保持基本不变的前提下,mAP_(0.5)和mAP_(0.5∶0.95)分别提高了1.7和3.5个百分点,证明了改进方法的有效性。

关键词： 茶叶病虫害   YOLO v5s   目标检测  

摘要： 茶叶病虫害是影响茶叶产量和质量的主要因素之一,茶叶病虫害的准确检测是有效治疗的前提。针对茶叶病虫害检测,通过基于YOLO v5s的算法对已知病虫害叶片的学习,获得能识别茶叶病虫害类别的检测模型。通过实验表明,基于YOLO v5s的检测模型比常用的Faster-RCNN在部分茶叶病虫害上具有更好性能,在实验环境下,对greenleafcicada、teainchworm等病虫害检测准确率超过了70%,对开发茶叶病虫害检测应用具有重要意义,同时,对提升茶叶产量和质量具有重要价值。