关键词： MPSOC   HLS   图像处理算法  

摘要： 图像处理算法的动态验证是图像处理算法开发过程中的关键.为了提高验证时效性,基于MPSOC和HLS设计了一种图像处理算法动态实时验证系统,利用HLS技术高效完成图像处理算法的硬件实现以实现图像处理算法硬件加速,同时基于LVDS设计了板间图像传输接口,通过FPGA级联为后续实现大型复杂图像处理算法的验证提供了充足的扩展空间.测试结果表明该图像处理算法验证系统可以较好支持图像算法验证,并对图像处理算法有良好的硬件加速效果,同时验证了LVDS板间传输接口满足后续验证系统扩展的带宽要求.

关键词： 输电线路   绝缘子   深度学习   目标检测  

摘要： 输电线路绝缘子故障影响电力系统供电可靠性,为了实现航拍图像中绝缘子的准确检测,本研究提出了一种基于改进Faster-RCNN网络的输电线路航拍绝缘子目标检测方法(ScSGB-RCNN),主要工作有:1)针对检测算法精度低的问题,采用自校准卷积结构(Self-calibrated convolutional Network,ScNet)和ConvNeXt网络构建了ScConvNeXt主干网络,通过融合多个卷积注意力模块,扩大网络的全局感受野,提升检测精度。2)为优化不同尺度绝缘子目标的特征提取能力,提出一种轻量化的特征金字塔结构SFPN,融入到ScConvNeXt网络中,降低计算参数量。3)为提高模型收敛速度和检测精度,采用GeLU激活函数改进FRN(Filter Response Normalization,FRN)归一化函数,提升网络的非线性输出能力。4)设计了BIoU并重新构建定位损失函数。实验结果表明,本研究提出的方法较原算法精度提高22.4%,模型收敛速度提升4倍,FPS提高8.7帧/秒,优于Faster-RCNN、SSD、YOLOv3、YOLOv5、YOLOv7等算法。该方法可为输电线路航拍绝缘子检测提供技术参考。

关键词： 跨摄像头   多目标跟踪   摄像头关联模型   重叠视角   非重叠视角   混合视角  

摘要： 单摄像头目标跟踪将目标跟踪范围限定在单一摄像头视野中,难以满足复杂应用场景需求,跨摄像头多目标跟踪融合多个摄像头的信息实现多个摄像头之间的特征传递和轨迹关联,可以将跨摄像头之间的多个目标在多个监控区域下联合跟踪,对现实复杂场景实时监控具有重要意义,成为目标跟踪领域研究热点.本文介绍了跨摄像头多目标跟踪的基本概念,结合实际应用需求将跟踪模型分为3类:包括重叠视角、非重叠视角以及混合视角的跨摄像头多目标跟踪.详细对比分析了重叠视角跨摄像头多目标跟踪相关的网络流优化方法、单应性约束方法、强化学习方法、超图方法和Transformer方法;以及基于双阶段轨迹关联、单阶段轨迹关联的非重叠视角的跨摄像头多目标跟踪方法;并总结了混合视角的跨摄像头多目标跟踪方法,混合视角方法可以在重叠视角数据集和非重叠视角数据集都能使用并且算法性能和精度都能达到良好的平衡.对比了各类方法的优缺点及其适用场景;分析了目前跨摄像头多目标跟踪常用的数据集和评估标准;总结了跨摄像头多目标跟踪存在的问题,并对相关技术的发展趋势进行了展望.

关键词： 铣刀   缺陷检测   高精度检测   计算机视觉   图像处理  

摘要： 针对传统人工检测铣刀崩刃和多刃缺陷时效率低下、精度不高等问题,提出一种基于形态学多曲率融合的铣刀崩刃、多刃缺陷检测方法。首先,使用色彩阈值分离前后景;然后,使用双边滤波对图像进行滤波处理;随后,二值化图像并去除小连通域的干扰,通过边界跟踪得到刀刃轮廓;最后,使用改进的链码计算机制进行刀刃轮廓曲度的计算,并通过曲度定位缺陷点。经过实验验证,该检测方法具有平均0.8 s每样本的检测速度和92%的检测精度,能满足工业生产在线检测的要求。

关键词： 深度学习   低秩分解   轨道交通   自动驾驶   模型轻量化   目标检测  

摘要： 随着列车智能化程度的不断提高,许多研究探索了车载设备目标检测模型的轻量化技术,以满足在资源有限情况下的高效计算。针对当前YOLO(You Only Look Once)系列目标检测模型轻量化方法通用性不够强的问题,文章提出了一种针对YOLO系列的低秩分解参数压缩算法。首先通过预设的低秩比例系数和卷积单元的输入/输出通道数量计算低秩,然后通过对目标结构的卷积层进行Tucker分解,得到新的卷积序列,最后融合新的卷积序列,取代原有卷积层。使用公开数据集对所提出的基于低秩分解的参数压缩方法进行试验,选用了YOLOv5-l、YOLOv8-x和YOLOX-x这3种模型,在保证低秩分解后的模型检测平均精度为原模型96%的前提下,模型参数量和浮点计算量均减少了约40%,同时图像检测速度能达到原模型的150%左右。此外,可视化结果显示,该方法压缩过的模型与原模型在相同图像上的关注区域基本相同。试验结果表明,文章提出的方法可以有效地对单阶段YOLO系列目标检测模型进行轻量化压缩,提高模型在车载设备上的可用性;同时,所做工作对轨道交通领域自动驾驶场景下的其他模型的轻量化处理也具有重要的借鉴意义。

关键词： 目标检测   学生行为识别   人物交互   图卷积  

摘要： 深度学习技术促进了学生课堂行为识别研究的发展,为精准刻画学生的课堂学习行为提供了有效途径。然而,该方法面临真实课堂场景下目标多、行为特征复杂等困难,导致行为识别准确率不高。基于此,文章提出了一种基于人物交互的学生课堂行为识别网络,将交互对象作为重要特征引入课堂行为识别,首先将原网络中的检测模块替换为YOLOv5s,然后引入欧氏距离减少冗余人-物节点关系,并设计新特征提取算法优化听课这类无交互物品的学生行为识别,最后通过实验验证了此网络有效性和准确性。文章通过研究,旨在为规模化课堂行为识别研究提供理论参考和实践借鉴,进一步优化课堂教学效果的过程化评价,促进教学质量提升。

关键词： YOLOv5s   道路目标检测   小目标检测层   SIOU   特征融合   无人机航拍视频  

摘要： 在使用无人机进行机动车道行人与非机动车检测过程中,发现目标检测精度低、效果差的问题。为解决这些问题,提出一种针对无人机的行人与非机动车检测算法YOLOv5sP2S。首先,基于原有的PAFPN特征融合方案,将YOLOv5s模型的Neck部分进行扩展,并增加专门针对小目标的检测层;然后,在预测部分添加小目标检测头,对小目标检测层输出特征图进行预测;最后,将YOLOv5s的定位损失函数改进为SIOU,提高检测精度和锚框的回归效率。实验结果表明,与YOLOv5s模型相比,YOLOv5s-P2S的平均精度均值mAP50提高了0.05,参数量仅增加0.2M。YOLOv5s-P2S能够满足无人机视角的行人与非机动车目标检测的准确性和实时性要求。

关键词： YOLO-V5   深度学习   机械臂抓取   目标检测   注意力机制  

摘要： 针对机械臂抓取在工业生产中的复杂作业环境、不同零件之间存在干扰的问题,文章提出了一种基于深度学习的目标识别及抓取方法,以此来减少抓取场景中物体位置的不确定性,提高检测和抓取成功率。采用卷积注意力机制模块(convolutional block attention module,CBAM)对YOLO-V5进行改进,加强卷积网络对图像特征的关注和提取能力,提高检测精度。改进之后的网络平均识别率提高了5.26%,证明了改进是有效且成功的。通过AUBO-i5机械臂、电动夹爪、相机以及六轴力传感器等设备搭建了一套机械臂抓取系统,实验结果表明所提出的方法在实际抓取中可以适应不同的抓取场景,减少外界干扰,提高抓取成功率,具有良好的应用前景。

关键词： PCB   YOLOv8s   LSKNet   注意力机制   目标检测   机器学习  

摘要： 针对现有PCB电路板缺陷检测方法普遍存在的准确率低、处理速度慢、适应性差等问题,本文设计提出了一种基于YOLOv8的改进电路板缺陷检测模型YOLOv8-PCB。该模型通过引入注意力机制,并结合数据增强和多尺度训练策略,能够有效提升缺陷检测准确率和处理速度。与此同时,考虑到PCB电路板的背景信息比较单一,通用目标检测模型性能受限的问题,本文进一步设计采用了一种LSKNet注意力机制,通过在特征提取时自适应动态调整目标感受视野,从而提升模型对小缺陷的目标检测能力。通过各项试验结果表明,本文提出的算法模型在测试数据集下的平均准确率、召回率分别为95.0%和93.3%,分别优于原始YOLOv8算法91.8%和90.9%。且模型参数量更小,在提升检测性能的同时能够兼顾算法计算效率,因此可以快速地、准确地实现PCB电路板的缺陷检测,为智慧工厂、智能装备等领域提供技术支持。

关键词： 图像篡改定位   伪造检测   数字图像取证   计算机视觉   自注意力机制   卷积神经网络  

摘要： 图像是移动互联网时代传播信息的重要载体,恶意图像篡改是潜在的网络安全威胁之一。与自然场景中在物体尺度上的图像篡改不同,真实场景中的图像篡改存在于伪造的资质证书、文案、屏幕截图等,这些篡改图像通常会经过精心的手工篡改干预,因此其篡改特征与自然场景篡改特征存在差异,更具有多样性,对其篡改区域的定位更具有挑战性。针对该场景复杂且多样的篡改特征,丰富的关系信息是重要的,文中通过卷积神经网络进行自适应特征提取,并利用逆向连接的全自注意力模块进行多阶段特征关注,最后融合多阶段注意力关注结果进行篡改区域定位。所提方法在真实场景图像篡改定位任务中取得了优于对比方法的性能,其中F 1指标比主流方法MVSS-Net高出约8.98%,AUC指标高出约3.58%。此外,所提方法在自然场景图像篡改定位任务中也达到了主流方法的性能,并提供了自然场景篡改特征与真实场景篡改特征存在差异的佐证。在两种场景中的实验结果表明,所提方法能够有效地定位出篡改图像的篡改区域,且在复杂的真实场景中的定位效果更显著。