关键词： 时间节点联合估计   多平台   纯方位   目标机动检测  

摘要： 针对水面及水下纯方位变速、变向目标机动检测跟踪问题,提出一种基于时间节点联合估计的多平台纯方位机动目标跟踪算法,该算法将目标的机动时刻等价于“时间未知节点”,基于Taylor级数运动要素估计方法直接对目标机动时刻、目标机动前后运动要素进行估计。机动检测特征是估计机动时刻以及估计机动时刻迭代分量的迭代过程,当迭代过程震荡发散,或机动时刻估计值不在观测时间范围内时,目标未发生机动。仿真结果表明,该算法在跟踪中远距离海上变向变速目标时,具有较低的机动检测虚警率和较高的跟踪精度。

关键词： 遥感图像   行人小目标   增强特征提取   感受野增强模块   GKCLOSS损失函数  

摘要： 林业作业人员常常由于复杂地貌而面对坠落、森林火灾等威胁,卷积神经网络结合无人机巡查的方法已经成为主流防范、搜救措施,但遥感图片中的行人小目标有特征少、定位精度要求高以及极易受背景信息干扰的特点。为了能够使森林遥感图片行人小目标检测的精度达到预期,在YOLOv4方法的基础上针对上述特点设计了增强特征提取的目标检测网络(EFEN),通过构建感受野增强模块(RFBA)并结合CBAM注意力机制,在充分利用遥感图片中的丰富上下文信息之余,对相关信息进行动态选择,增强特征的表示能力;基于高斯分布思想,将归一化Wasserstein距离与CIOU结合,提出了一种新的损失函数(GKCLOSS),降低了小目标检测任务中对位置偏差的敏感性;引入一种自适应分割训练检测策略,平衡正负样本,提高目标检测的准确性,进一步提高了检测精度。以河北省张家口市崇礼区采集的无人机行人图像为研究对象,实验表明,EFEN框架在小目标检测方面优于现有的深度学习网络,在与SSD、YOLOv5、YOLOv7等算法比较中平均查准率(mAP)均有所提升,在上述数据集上,mAP高达39.10%,证明了此方法对行人小目标数据的有效性。

关键词： 隧道表观病害检测   隧道衬砌无损检测系统   YOLOV5   目标检测  

摘要： 随着投入运营的铁路里程不断增加,我国已经成为世界隧道工程规模最大、发展速度最快、运营里程最长的国家。运营期隧道逐渐出现衬砌裂缝、掉块和渗水等病害,定期检查和健康评估是确保隧道等地下基础设施安全建设和运行的必要条件。传统的人工巡检劳动强度大,耗时长,难以满足及时检测的要求。本项目利用自研隧道衬砌无损检测系统实现隧道衬砌表观图像的快速采集,通过深度学习中常用的目标检测算法YOLO V5加以人工复核的方式实现了对隧道衬砌表观病害的快速检测。检测后共发现病害679处,其中衬砌掉块病害216处;渗水病害28处;裂缝病害435处。综合考虑衬砌表观病害的分布规律,衬砌掉块和渗水病害,在K60+500~K61+800区段内呈现数量和程度上的增加,推断在该区段内隧道衬砌结构状态的出现明显变化。

关键词： 交通标志检测   YOLOv5   重参数化   注意力机制   SLA  

摘要： 针对当前算法在面对交通标志时存在识别精度低、检测错误较多等问题,提出了一种基于YOLOv5优化的交通标志检测方法。在Backbone部分,为了获得不同大小的感受野,不同复杂度的特征,并增强特征图的重要特征,抑制冗余特征,使用DBB重参数模块代替Conv卷积,并加入SE注意力机制;在Neck部分,设计了新的SLA Neck,聚合来自不同层的特征图,有效防止小目标特征信息损失,对融合后的特征进行上采样,增加小目标检测层,增强浅层语义信息;在Head部分引入IoU-Aware查询选择,即将IoU分数引入分类分支的目标函数,预测框与GT的IoU作为类别预测的标签,以实现对正样本分类和定位的一致性约束;使用SIoU损失函数代替CIoU损失函数,考虑真实框与预测框之间的方向,提升收敛速度和推理能力。实验结果表明,在TT100K数据集下,方法相较于YOLOv5m,计算量减少了3.3%,参数量减少了34.8%,而mAP和mAP@50:95分别提升了13.8%和10.4%。实验说明,该模型在减少模型参数量及大小的同时提高了检测精度,具有应用价值。

关键词： 葡萄簇   目标检测   YOLOv5s算法   重参数化   注意力机制  

摘要： 为实现自然环境下硬核期葡萄簇的快速精准检测,提出一种改进的YOLOv5s网络。首先,将YOLOv5s主干特征提取网络和加强特征提取网络中的卷积模块(Conv)替换为拥有更强特征提取能力的RepConv模块;然后,将YOLOv5s主干特征提取网络中C3结构的BottleNeck也替换为RepConv模块;接下来,将高效通道注意力模块(ECA)添加到YOLOv5s加强特征提取网络中的C3结构;最后,将YOLOv5s卷积模块中的激活函数SiLU改为ReLU6。试验结果表明,改进YOLOv5s网络对葡萄簇检测的精确率为96.5%、召回率为94.5%、平均精度均值为98.0%、检测速度为260 f/s。相比Faster R-CNN、SSD、RetinaNet、YOLOv3(Ultralytics)、YOLOXs和YOLOv5s,其平均精度均值分别高10.4、44.1、13.9、0.2、8.9和1.0个百分点。提出的改进网络能够较好地检测自然环境下模糊、遮挡、簇粘连、不完整、昏暗及逆光等各种状态的硬核期葡萄簇,且方便在移动设备上部署。

关键词： 计算机视觉   图像处理   纸张   缺陷检测系统  

摘要： 随着信息技术的飞速进步,造纸行业正经历着一场革命,生产自动化与质量管理水平得到了质的飞跃。这场变革背后,基于计算机视觉的图像处理技术功不可没。它在木质纤维检测、纸浆质量分析、涂料均匀度评估、纸张成型监控及其性能评估等方面发挥着至关重要的作用。特别是在纸浆纤维与纸张缺陷诊断领域,这一技术的应用尤为广泛。通过深入研究图像去噪、增强、边缘识别、图像分割及分类等技术,利用计算机视觉对纸张缺陷进行智能检测,不仅显著减少了因人为因素带来的误差,提升了检测效率,还提高了检测的精准度。这不仅预示着造纸工艺的未来发展方向,还揭示了信息技术与传统制造业深度融合的巨大潜力,预示着其在推动产业升级、提升经济效益方面的巨大潜力。

关键词： 深度学习   卷积神经网络   目标检测   YOLO  

摘要： 目标检测是计算机视觉中的一项重要任务,其目标是从图像或视频中检测出并定位感兴趣的目标对象。这与图像分类不同,目标检测不仅需要确定图像中是否存在特定对象,还需要准确地标定对象的位置。YOLO(You Only Look Once)是将目标检测问题转化为一个回归问题,从而实现了从端到端的一种检测方法。与传统的两阶段的目标检测算法相比,单阶段的目标检测算法在速度上有很大的提升,从而实现的速度与准确性的平衡。该文主要是对YOLO系列算法的网络结构以及相关改进进行了详细的阐述。首先是对YOLO算法基本思想进行相关阐述,然后对YOLO中相关网络架构进行的相关阐述,包括YOLO V1,YOLO V2,YOLO V3,YOLO V4,YOLO V5,以及YOLOX YOLO V7,YOLO V8。

关键词： 深度学习   目标检测   YOLOv8   行人检测  

摘要： 针对道路交通环境复杂多样,车辆及行人检测易出现错检及漏检的问题,提出一种基于多尺度特征融合的车辆及行人目标检测算法YOLOv8-RC。首先,在基础网络YOLOv8的结构中引入RCS-OSA模块代替原有模块,对所提取的特征信息进行增强及融合,并引入轻量级上采样算子内容感知特征重组(CARAFE)代替原上采样算子,提高网络对全局多尺度信息的融合能力。其次,通过公开数据集及网络收集的方式构建了由6000张车辆及行人目标图片构成的检测数据集,并采用准确率、召回率、平均精度均值mAP50及mAP50-95对算法检测效果进行定量评价,相比于YOLOv8-N,YOLOv8-RC的精确率提升1.7百分点,召回率提升1.2百分点,mAP50提升0.9百分点,mAP50-95提升0.5百分点,证明了算法的有效性。

关键词： 深度学习   高动态范围   皮肤特征提取   注意力机制   色彩重建  

摘要： 基于深度学习的高动态范围(High Dynamic Range,HDR)图像处理算法在处理含有人像的图片时存在皮肤偏色问题。针对此问题,本文提出了一种基于多特征融合的人像HDR图像处理算法U2HDRnet。该算法由皮肤特征提取模块、三边特征提取模块、色彩重建模块3部分构成。首先,皮肤特征提取模块分离出皮肤区域的颜色和位置信息;其次,三边特征提取模块分别提取图片的局部特征、全局特征和语义特征,并与皮肤特征融合;最后,色彩重建模块对网格做空间和颜色深度上的插值。此外,本文引入改进的自注意力与卷积融合模块以提升HDR的处理效果;同时本文还制作了人像HDR数据集PortraitHDR,填补了该领域内数据集的空白。实验结果显示,U2HDRnet的PSNR达31.42 dB,SSIM达0.985,均优于目前常见的HDR算法,在获得高质量人像HDR图像的同时避免了皮肤的失真。

关键词： 障碍物主动识别和距离感知算法   视觉图像   三维点云   融合算法   目标检测  

摘要： 针对无人机配电线自动巡检及绝缘层涂覆维护过程中障碍物主动识别和距离感知的问题,提出视觉图像与三维点云相结合的障碍物识别方法。对图像进行增广预处理来丰富数据集,引入基于特征提取的深度学习进行模型训练,获取障碍物目标的类别和方位,结合三维点云信息得到目标的距离信息。实验结果表明:三维点云与视觉图像融合的障碍物主动识别与距离感知算法可以兼顾实时与精准测距的需求,提高了系统预警的精确度,最大识别误差为2.356%,有助于提高无人机及线缆涂覆机器人的障碍感知能力,保障作业安全。