关键词： 综合类期刊   办刊原则   自动化应用   机电工程   仪器仪表   人工智能   传感检测   图像处理  

摘要： 《自动化应用》(半月刊)创刊于1960年,是由重庆西南信息有限公司(原科技部西南信息中心)主管、主办的自动化技术综合类期刊,中国知网、万方、维普数据库全文收录期刊。本刊以新颖、实用、通俗、操作性强为办刊原则,向从事自动化研究与应用工作的技术人员和管理人员传播研究成果、技术知识、应用经验以及产品信息。[主要栏目]系统解决方案、新能源系统与储能、机电智能设备、工业过程控制系统、数据处理与人工智能、传感检测与仪器仪表、电力自动化、机电工程、电力设备、科研与教学、数据与图像处理、安全管理与技术经济、计算机与通信技术。

关键词： 智能控制   车辆检测   车辆跟踪   YOLO算法   DeepSort算法  

摘要： 阐述车辆检测与车辆跟踪是众多交通智能应用的共有功能,分析智能交通系统原理,包括车辆检测原理、车辆跟踪原理。探讨智能交通系统的搭建,主要有环境配置、数据集训练、系统效果展示。

关键词： 随机有限集   强化学习   组合优化  

摘要： 在随机有限集多目标跟踪过程中,由于跟踪问题的复杂性,会耗费大量的计算成本,特别是在目标和杂波密集的复杂情况中,计算成本呈指数增长。随机有限集中通常采用的分配算法——例如Murty算法的时间复杂度为滤波器生成的代价矩阵规模的三次方。为了减少跟踪耗时,结合组合优化的思想,将代价矩阵重定义为二分图,采用了一种基于深度强化学习的二分图匹配算法,取代传统随机有限集中的分配算法,并通过仿真实验验证了所提方法的可行性。实验表明,所提方法在保证跟踪性能的前提下减少了跟踪耗时,提升了跟踪实时性。

关键词： 数字图像处理   教学实践   理实结合  

摘要： 阐述数字图像处理课程的教学设计,结合教学实践中的不足以及出现的问题,从多个角度探索课程改革的路径,提出具体的教学实践策略,通过理实结合、信息化教学、重构教学体系,完成对课程的优化设计。

关键词： 计算机视觉技术   变电检修   应用  

摘要： 随着社会的进步,我国的经济水平得到了很大的提升,电力行业也取得了一定的发展。但是,在变电检修过程中,仍然存在一些问题,影响了变电检修的效率。目前,计算机视觉技术已经在变电检修中得到了应用,该技术可以基于图像识别与处理来实现设备故障检测与诊断,在变电检修中有着很大的优势。但是,该技术在实际应用中还存在一些问题,需要采取有效的措施进行改善。文中分析了计算机视觉技术在变电检修中的应用,提出了一些具体措施,希望能提高变电检修效率,减少变电检修过程中存在的问题,提高电力行业的发展水平。

关键词： 航迹概率假设密度   最优航迹匹配   广义协方差逆   概率生成泛函  

摘要： 针对基于概率假设密度(probability hypothesis density,PHD)的分布式多传感器多目标跟踪(distributed multi-sensor multi-target tracking,DMMT)存在无法形成航迹、计算复杂度高、目标漏检等问题。本文基于航迹PHD后验估计提出了一种DMMT方法。为此,首先构建了各节点估计航迹间相似性度量矩阵,并采用匈牙利算法实现最优航迹匹配;其次采用协方差逆准则对关联航迹实现并行融合;最后基于概率生成泛函推导了一种鲁棒的DMMT方法。仿真实验验证了所提算法在目标状态估计精度、计算有效性和实时性方面的优势。

关键词： 目标检测   YOLOv5算法   卷积块注意力模块   加权双向特征金字塔   EIoU  

摘要： 针对基于YOLOv5算法的小目标的检测精度低、密集目标识别效果差的问题,提出了一种改进YOLOv5目标检测框架。YOLOv5的主干网络加入卷积块注意力模块(Convolutional block attention module,CBAM)可提高特征提取能力,增强网络对图像纹理的感知能力,使小目标获取更多关注。为了解决密集目标检测的漏检问题,YOLOv5的颈部网络使用加权双向特征网络(Bidirectional feature pyramid network,BiFPN)替代原有的像素聚合网络(Path aggregation network,PAN),通过权值共享的方式实现多尺度特征融合。采用EIoU作为模型的边界框回归损失函数,提高了边界框回归性能,加快网络收敛速度。在DOTA数据集上,实验验证了YOLOv5的改进结果,此方法的mAP为80.0%,能够检测更多的目标,相较于YOLOv5,改进YOLOv5的mAP提升了5.2%。

关键词： 红外行人检测   YOLOv5   MobileNetv3   轻量化  

摘要： 基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。

关键词： 小目标检测   深度学习   视觉机制   多尺度语义信息   注意力机制  

摘要： 针对SSD(Single Shot MultiBox Detector)目标检测算法对小目标检测能力不足的问题,提出一种引入视觉机制和多尺度语义信息融合的VFF-SSD(Vision Feature Fusion SSD)改进算法。为了增大浅层网络的感受野提高特征提取能力,首先在SSD浅层特征层中加入视觉机制,然后利用改进PANet(Path Aggregation Network)多尺度特征融合网络与深层特征增强网络得到新的特征层,旨在增强浅层网络的语义信息并加强深层特征的特征表达能力,最后应用注意力机制模块提高对重要信息的学习能力。实验结果表明,在PASCAL VOC2007测试集检测的mAP(Mean Average Precision)值达到81.1%,对数据集中小目标的mAP值较原SSD提高了6.6%。

关键词： 目标跟踪   深度学习   神经网络   卷积神经网络   孪生神经网络   生成对抗网络  

摘要： 目标跟踪是根据视频序列中目标的前续信息,对目标的当前状态进行预测。深度学习在目标跟踪领域逐渐广泛应用,本文阐述了目标跟踪算法和深度学习的发展背景,对传统目标跟踪进行了回顾,根据不同的网络任务功能,将基于深度学习的目标跟踪算法分为:基于分类的深度学习目标跟踪算法、基于回归的深度学习目标跟踪算法、基于回归与分类结合的目标跟踪算法,并选取了具有代表性的目标跟踪算法进行实验,对比不同算法之间的特点;最后对目前基于深度学习的目标跟踪方法存在的问题进行分析,对未来发展方向进行展望。实验结果证明,深度孪生跟踪网络在精度与速度上均占优,成为当前主流的跟踪算法框架。