关键词： 传感器融合   异构图   图神经网络   3D目标检测   自动驾驶  

摘要： 3D感知是自动驾驶场景的核心问题,传感器融合可以综合利用激光雷达和摄像机的优点以达到更高的3D目标检测准确率.传感器融合涉及点云到图像对准问题,预先对传感器标定可以得到点到图像位置的投影关系,然而这种对准方式受传感器相对位置偏移与采集时间偏移影响而在干扰下对模型产生负面影响.针对该问题,本文把场景中实体在各个传感器下的不同表达作为不同对象,以对象为节点建立包含两类节点与三类边的异构图描述该场景,并提出了基于该异构图的3D目标检测优化模型HetGNN-3D.该模型通过图结构捕获对象间潜在联系并找到点云对象节点与图像对象节点间对应关系,从而减弱干扰带来的影响.HetGNN-3D包含图初始化、消息传递、图读出三大模块.图初始化模块使用基于点云的3D目标检测模型的输出和基于图像的2D目标检测模型的输出建立对象级异构图.消息传递模块针对异构图特性分类聚合与更新消息.图读出包含用于对象关系预测的边读出与属于同一实体的对象子图读出,然后基于对象子图得到3D目标检测结果.在nuScenes数据集的实验表明,HetGNN-3D有效融合点云信息与图像信息优化了3D目标检测结果,此外,基于对象级异构图的边关系预测使融合过程与预先标定得到的传感器映射矩阵解耦合,从而提升了融合模型的容错性与鲁棒性.

关键词： 人工智能   气象   计算机视觉   数据融合   公路交通   准全天候通行  

摘要： 本文针对现阶段公路交通高速发展与气象信息支撑不足之间的矛盾,探讨人工智能结合气象技术在公路交通业务中的应用,利用计算机视觉(CV)及数据融合技术方法,将多种气象数据进行整合,输出符合公路交通业务场景需求的精准交通气象数据流,并收集现场气象数据对输出结果进行验证。研究结果表明,人工智能结合气象技术能够在现有气象数据的基础上,生成更加精准的高时空分辨率交通气象数据,有效支撑公路交通业务的发展。

关键词： 目标检测   实例分割   深度学习   级联检测  

摘要： 提出了一种针对处理散乱堆叠物体的改进方法。在YOLOv5模型中采用了加权双向特征金字塔网络(BiFPN)替代路径聚合网络(PANet),结合Gfocal损失函数,使得漏检和误检问题得到有效改善,平均精度均值(mAP)mAP@0.5达到了90.1%。利用Mask R-CNN进行目标物体分割,使用轻量化的Mobilenetv3替代ResNet101主干网络以减少参数量,同时借用CFNet思想加强特征融合机制,使得分割精度提高至92.1%。通过级联改进后的YOLOv5和改进后的Mask R-CNN,算法在实时性和精确性上得到了平衡,在有效感兴趣区域(region of interest,ROI)中提取准确的物体形状信息。与单独使用实例分割算法相比,检测速度提升了1 s。实验证明所提出的算法不仅提高了推理速度,还提高了分割精度,解决了复杂堆叠场景下物体特征提取效果差且检测速度慢的问题。

关键词： 图像处理   自动采摘   果蔬分级   西红柿分级   BP神经网络  

摘要： 文章针对西红柿采摘后的自动化分级过程进行研究,提出了一种基于视觉的西红柿智能分级方法。该方法对西红柿图像进行降噪、灰度化、二值化和形态学处理并进行相关计算获取用于分级的参数信息,包括西红柿所占像素数、西红柿的色彩和果型参数,并用于训练BP神经网络,最终得到了可以精确分级西红柿的神经网络,对实现西红柿以及与其相似果蔬的智能分级具有一定参考价值。

关键词： 航空医学   海军医学   生物医学工程   生物医学传感器   生物医学成像   卫生装备   专题分析   图像处理  

摘要： 为使生物医学工程及卫勤保障装备领域权威专家的重要研究成果尽快与广大读者见面,推动我国医学工程学科发展,我刊“论著-专题研究”栏目特面向全国征稿。该栏目主要邀请相关领域权威专家担任栏目主编,组织学者就某一主题进行专题分析和论述,选题包括但不限于:(1)军队卫生装备类,如航空医学装备、海军医学装备、战伤急救与紧急医学救援装备、三防卫生装备等;(2)生物医学工程类,如生物医学成像与图像处理、脑机交互与神经工程、生物医学传感器、生物材料.

关键词： 农业机械   视觉   导航   水平投影   梯度下降  

摘要： 针对小麦收割边缘受到麦茬、土壤、光照等环境因素影响导致的导航线提取精度低、运行速度慢等问题,为实现小麦精准化收获作业而提出一种基于水平投影和梯度下降的小麦收获边缘导航线提取方法。首先通过LAB阈值分割、形态学滤波等进行图像分割,然后进行水平投影以提取出小麦收获边缘伪特征点,将伪特征点进行最小二乘拟合从而获得边缘特征点所在的ROI区域,并对该区域进行Canny边缘检测来提取出边缘特征点,最后利用梯度下降算法拟合出小麦收获边缘导航线,从而解决传统算法中所遇到的导航线拟合精度低、拟合速度慢等问题。试验结果表明:在小麦已收割和未收割区域对比度很低的情况下,处理一张分辨率为640像素×360像素的图像平均耗时163 ms,生成的导航基准线成功率高达95%,为智能农业机械在麦田中的自主行走提供一种可靠的、实时的导航方法。

关键词： 少样本   目标检测   特征增强   微调   遥感图像   对比损失  

摘要： 针对遥感场景数据量匮乏,高空拍摄捕捉的地表物体尺寸变化明显,包含大量多个类别的物体以及复杂背景,导致检测准确率低、分类不准确等问题,提出一种基于二阶段检测模型(Faster RCNN)的少样本遥感目标检测网络。新增新型反转卷积算子构建检测器主干,提高特征提取能力;融入多尺度对象级正样本特征进行原始特征增强,抑制负样本的不利影响,充分挖掘各目标尺度的特征信息,帮助语义信息进行定位;采用对比监督的思想改进损失函数,细化目标分类,降低误检率。在公开遥感数据集上的实验结果表明,在仅有少量遥感标注样本的条件下,该网络能适应遥感图像的多尺度特征并有效缓解数据稀缺引发的过拟合现象。与先期Meta RCNN和FsDet网络相比,平均准确度进一步提升了3.8个百分点和2.5个百分点,为遥感领域的图像目标检测提供有意义参考。

关键词： SAR   目标检测   深度学习   图像生成   迁移学习  

摘要： 为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图像空间分布一致且包含SAR图像特征的带标注模拟图像;使用所生成的带标注模拟图像,进一步优化舰船检测网络,以提高基于深度卷积神经网络的舰船检测的泛化性能。SARShip-Detection-Datasets(SSDD)和AIR-SARShip-1.0两个公开数据集上的实验结果表明,该框架有效提高了在仅包含少量标注SAR图像样本情况下的舰船目标检测效果,可显著降低舰船在复杂背景图像中漏检和误检的概率。

关键词： 深度学习   YOLOv5m   多头自注意力   内卷算子   鱼群检测  

摘要： 随着深度学习技术的发展,水下图像检测近年来受到广泛的关注,为了克服在复杂水下环境下传统小鱼群的误检、漏检和识别准确率低等问题,提出一种改进YOLOv5的目标检测方法(INV-YOLOv5)。该方法包括将YOLOv5m中的Focus模块替换为卷积模块,提高网络精度;在主干网络(Backbone)中添加多头自注意力机制,增大网络特征提取视野;最后,在网络中引入了内卷算子和加权的特征融合,降低网络的参数量,提高检测精度。在实验阶段,使用Labeled Fishes in the Wild数据集和WildFish数据集验证,该方法的平均精度(mAP)分别为81.7%和83.6%,与YOLOv5m网络相比分别提升了6%和14.5%,不仅拥有较高的识别率并且更加轻量化,而且模型大小与YOLOv5m网络相比减少了6 M(Mega)左右,验证了所提出的改进方法具有较好的效果。

关键词： YOLOv7   无人机   航拍图像   小目标检测   SimAM注意力机制  

摘要： 针对无人机捕获场景下目标尺度变化剧烈、小目标检测精度低、漏检率高等问题,提出了一种改进的YOLOv7目标检测算法。首先,在原YOLOv7基础上增加一个极小目标检测层,以适应不同尺度下的物体目标,降低小目标的漏检率;其次,在特征融合网络中引入无参注意力机制,并基于该注意力机制构建了一个MP-SimAM模块,使网络融合更多重要的特征信息;最后,提出了一种新的边框回归损失函数SCIoU Loss,进一步提升模型的收敛速度与检测精度。实验结果表明,该模型在VisDrone 2019数据集上表现出色,所提算法模型在测试集上mAP 50达44.0%,相比于基准模型YOLOv7提升了2.6个百分点,对于小目标的检测效果提升明显。