关键词： 无人机航拍   目标检测   目标定位   军事车辆  

摘要： 针对地面高价值军事车辆难以实时观测定位的问题,提出无人机航拍军事车辆实时检测及定位算法。创建真实作战场景下的多类型多尺度航拍军事车辆目标检测数据集Armed_vehicle;在轻量级神经网络模型YOLOX-Tiny中引入大卷积核注意力模块,采用边框回归函数,达到85.82%的检测准确率,且在检测速率上具有优势;创新性地提出一种基于无人机可见光图像的单目视觉定位算法,在百米飞行高度上的目标平均定位误差为3.69 m,表明所提算法能准确地获取地面目标的地理位置,具有良好的综合性能与应用前景。

关键词： 高阶累积量   相关性   融合检测   传感器阵列  

摘要： 针对传统决策级判决检测方法虚警率高、信息浪费的问题,提出一种远场环境下可有效消除噪声影响的基于高阶累积量矩阵相关性目标检测方法:通过在传感器节点端设定一个发送数据的触发门限,预先对参与融合检测的传感器节点个数进行约束,融合中心在收到节点发送的数据后,计算信号的四阶累积量构建累积量矩阵,并构建相关性统计量作为融合检测的判决统计量;利用临近节点信号累积量矩阵列向量之间的相关性,结合判决统计量得到在恒虚警概率下的检测门限,判断目标是否存在,实现对目标的融合检测.仿真发现其在不同噪声环境下能有效检测出目标,且检测性能优于现有检测方法.

关键词： 深度学习   口罩佩戴   目标检测   Flask框架  

摘要： 针对医院人流量大、检测时间短、干扰因素多的特点,对医院口罩佩戴检测系统的设计进行了研究。制作医院口罩佩戴检测数据集,利用LabelImg工具对口罩佩戴的位置和类别进行标注。为了减少光照对检测性能的影响,对图像进行白化处理。选择YOLOv5模型进行检测,将迭代次数设置为不同的值,训练模型并比较评价指标值,找到合适的迭代次数。构建基于Flask和ECharts的展示页面,实现了对医院视频监控画面的实时检测,减少了误检和漏检,节省了人力物力。

关键词： 遥感图像   舰船目标检测   FCOS   无锚框算法   偏移分支  

摘要： 由于遥感图像中舰船目标方向任意,基于深度学习的通用目标检测算法采用水平框,在检测舰船时易框选大量背景,检测效果欠佳。文中提出一种改进全卷积一阶段目标检测网络(FCOS)的遥感图像舰船目标检测算法,以FCOS为基线,在检测头部分增加一条偏移回归分支,通过偏移水平框的上边中点和右边中点,产生旋转框。舰船目标通常具有较大的长宽比,预测框与真实框之间的角度偏差对交并比的影响较大,进而影响模型的检测精度。针对该问题,在计算偏移损失时引入与舰船目标长宽比有关的加权因子,使得具有较大长宽比的目标获得较大的偏移损失。在HRSC2016数据集上的实验结果表明,所提算法的平均精确度达到89.00%,检测速度达到19.8FPS,相比同类型的无锚框算法,其在检测速度和检测精度上均表现优秀。

关键词： 异物目标检测   煤矿输送带异物目标检测方法   改进YOLOv8   轻量化网络   注意力机制   平均检测精度   帧率  

摘要： 现有煤矿输送带异物目标检测方法所提出的网络结构复杂,而且选煤厂入煤工段和矿井运输工段的输送带光照强度低,存在粉尘等微小颗粒物的干扰,检测精度和检测效率均难以满足实际工况要求。为解决上述问题,文章构建了融合轻量化网络的改进YOLOv8检测算法——YOLOv8-MobileNetV1。该模型以YOLOv8为基础,将传统的C2F卷积层替换为轻量化网络MobileNetV1来减少模型的参数量;将传统的空间金字塔池化层修改为大核金字塔池化层,以进一步提升模型的性能和泛化能力;同时融合CVH注意力机制模块来提高网络深层次信息的提取能力,从而提高煤矿输送带运输过程中的异物识别精度和检测效率。为验证该模型的有效性,自行构建了选煤厂和矿井输送带运输过程中常见异物(大块和锚杆)的数据集,并按照8∶1∶1的比例随机划分为训练集、验证集和测试集,从检测精度和检测效率两方面进行评价。实验结果表明:YOLOv8-MobileNetV1算法的大块和锚杆的目标检测精度为81.30%和89.46%,平均检测精度达到了85.38%,帧率为83.5 fps。相较于传统的目标检测算法,YOLOv8-MobileNetV1算法提高了煤矿输送带异物目标检测精度和检测效率,满足了实际工况所需的准确性和时效性,为煤矿安全生产做出了保障。

关键词： 深度学习   图像处理   绿色建筑节能  

摘要： 针对绿色建筑节能领域中的能耗优化问题,提出了一种基于深度学习与图像处理的节能系统。系统通过实现对建筑环境的实时数据采集,利用深度学习模型,结合卷积神经网络对采集的图像和环境数据进行深入分析,提取关键特征,并预测建筑能耗。系统还引入了Dropout技术以提高模型的泛化能力,防止过拟合。实验结果表明,该系统能够有效识别节能潜在区域,提高了能耗预测的准确性和系统的响应速度,为建筑节能管理提供了有力的技术支持。

关键词： 深度神经网络   目标检测   特征金字塔   多尺度目标   多分辨率图像  

摘要： 为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA(Dataset for Object deTection in Aerial Images)数据集上进行了实验验证,在U-Net(一种基于卷积神经网络的语义分割算法)和ResNet-34(一种深度残差网络)两种不同的主干网络设置下,召回率和检测速度均超过了RPN(Region Proposal Network,区域提议网络)算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。

关键词： 智能监测   计算机视觉   深度学习   野生动物保护  

摘要： 人工智能(artificial intelligence, AI)技术的快速发展使得野生动物监测技术日趋自动化和智能化。多模态成像设备(可见光相机、红外相机、激光雷达相机等)和多种监测工具(无人机、相机陷阱)的使用也使得研究者能够更广泛、深入地观察不同环境下的野生动物。而现阶段先进的AI技术能够基于多模态监测数据对野生动物进行目标检测和追踪,并准确识别相关个体的身份和行为等。那么,如何利用这些技术手段实现动物监测呢?它们的基本技术原理又是什么呢?

关键词： 遥感图像   目标检测   小样本学习   像素注意力   解耦分类器  

摘要： 针对小样本遥感图像中实例标注缺失导致的前景类与背景类混淆的问题,提出了结合像素注意力与分类器解耦的小样本遥感图像目标检测方法。本方法设计一种新颖的像素注意力特征金字塔结构以捕获更重要的空间和通道语义信息,从而在抑制背景噪声的同时突出目标的关键特征。此外,将标准分类器解耦为两个并行检测头,分别处理前景类和含噪的背景类,以缓解分类器的偏置分类问题。提出的方法在两个公共遥感数据集上进行实验,结果表明,与目前最新的方法相比,所提方法在DIOR数据集上平均精度提升了4%~7%,在NWPU VHR-10数据集上平均精度提升了11%~17%,检测性能良好。

关键词： 自动驾驶   目标检测   YOLOv5s   MHSARM   CoordConv  

摘要： 针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明:改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP_0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP_0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP_0.5提高了2.2%。