关键词： 深度神经网络   知识蒸馏   对比学习   模型压缩   目标检测  

摘要： 知识蒸馏在图像分类等任务中是最有效的模型压缩方法之一,然而它在复杂任务如目标检测上的应用较少。现有的知识蒸馏方法主要专注于构建信息图,以过滤教师和学生在特征提取过程中来自前景或背景区域的噪声,最小化特征之间的均方差损失;然而,这些方法的目标函数难以进一步优化,且只利用教师的监督信号,导致学生缺乏对非正确知识的针对性信息。基于此,提出一种面向目标检测的对比知识蒸馏(CKD)方法。该方法重新设计蒸馏框架和损失函数,不仅使用教师的监督信号,而且利用构造的负样本提供指导信息进行知识蒸馏,让学生在获得教师的知识的同时通过自我学习获取更多知识。在Pascal VOC和COCO2014数据集上,使用GFocal(Generalized Focal loss)和YOLOv5模型将所提方法与基线方法对比的实验结果表明:CKD方法在Pascal VOC数据集上使用GFocal模型的平均精度均值(mAP)提升5.6个百分点,平均精度(阈值为0.5)AP50提升5.6个百分点;在COCO2014数据集上使用YOLOv5模型的mAP提升1.1个百分点,AP50提升1.7个百分点。

关键词： 视觉SLAM   目标检测   室内动态环境   光流法  

摘要： 针对同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)系统在室内动态环境中存在鲁棒性变差、定位精度降低的问题,提出了一种基于改进YOLOv8n目标检测网络的室内动态视觉SLAM算法。首先,选择YOLOv8n网络作为基线,并采用Ghost卷积替换原卷积,同时增加一个小目标检测层,减小网络模型体积,提高模型检测速度。其次,将改进的YOLOv8n目标检测网络与LK稀疏光流法结合,并引入视觉SLAM系统跟踪线程中,对场景中动态目标进行识别判断,筛选并剔除动态特征点;最后,仅使用静态特征点进行特征匹配和位姿估计。实验结果表明,在TUM数据集动态序列下相较于ORB-SLAM2,绝对轨迹均方根误差平均降低了96.62%,显著提高系统的鲁棒性和定位精度。与DS-SLAM、DynaSLAM等系统相比,该系统也能更有效平衡检测速度与定位精度。To address the issues of reduced robustness and lower localization accuracy in Simultaneous Loca- lization and Mapping (SLAM) systems within dynamic indoor environments, an indoor dynamic visual SLAM algorithm based on an improved object detection network is proposed. First, the YOLOv8n network is selected as the baseline, and Ghost convolution is employed to replace the original convolution, along with the addition of a small object detection layer to reduce the model size and improve detection speed. Second, the improved YOLOv8n object detection network is integrated with the Lucas-Kanade sparse optical flow method and is introduced into the tracking thread of the visual SLAM system to identify and filter out dynamic feature points from the scene. Finally, only static feature points are utilized for feature matching and pose estimation. Experimental results indicate that, on the dynamic sequences of the TUM dataset, the root mean square error of the absolute trajectory is reduced by an average of 96.62% compared to ORB-SLAM2, significantly enhancing system robustness and localization accuracy. Compared to systems such as DS-SLAM and DynaSLAM, this system also effectively balances detection speed and accuracy.

关键词： 智能车辆   环境感知   图像去雾   CycleGAN   目标检测   YOLOv8  

摘要： 针对极端雾霾天气条件下,智能车辆对道路环境感知识别精度降低的问题,提出了基于改进的CycleGAN和YOLOv8联合雾天环境感知算法。首先以CycleGAN算法为框架对图像进行去雾预处理,在生成器网络中引入自注意力机制提高网络的特征提取能力,同时为了减少与真实图像的色彩差异,引入自正则化颜色损失函数;其次,在目标检测部分,首先采用轻量化的GhostConv网络替换原主干网络,以降低计算量;而后,在颈部网络加入了GAM注意力机制,有效提高了网络对于全局信息的交互能力;最后,通过WIoU损失函数,减小低质样本所产生的有害梯度,提高模型的收敛速度。应用RESIDE数据集和BDD100k数据集对该算法进行实验验证。结果表明:去雾后图像与原图像的结构相似度为85%,相较于原CycleGAN算法和AODNet算法的峰值信噪比(PSNR)和结构相似性(SSIM)分别提高2.24 dB和15.4个百分点、2.5 dB和36.3个百分点。其中,改进的YOLOv8算法与原算法相比,其精确率、召回率和平均检测精度均值分别提升了2.5、1.8和1.1个百分点。实验结果验证了所提出算法的召回率和检测精度等方面优于传统算法,具有一定的实用价值。

关键词： 道路工程   融合算法   高速公路收费站   目标检测   电子车牌  

摘要： 塞内加尔高速公路收费系统效率不高,尤其在节假日突发性车流井喷情况下,收费站易出现严重拥堵和延误。该文通过分析塞内加尔高速公路现有收费方式的局限性,将图像检测算法和电子车牌识别技术与现有的MTC及ETC收费方式相结合,构建了基于车辆信息识别的融合收费方式,旨在对塞内加尔高速收费系统进行优化,降低其使用成本,提升收费效益。以塞内加尔BPV Thiès收费站为例,针对不同布设方案进行试验仿真,结果表明:与现状收费方式相比,高峰时段可以分别减少34.99%和62.49%的进站延误,以及38.01%和62.44%的出站延误;当ETC渗透率提高到50%时,融合收费方案进一步降低进出站的平均延误分别达到80.57%和79.64%。由此可见,融合收费技术能够显著提高收费效率,对塞内加尔地区高速公路收费方式具有实际指导意义。

关键词： 目标检测   差速器壳体   YOLOv8   小目标   注意力机制   下采样  

摘要： 针对由差速器壳体表面缺陷特征信息多样性缺失和特征表达不足引起的误检漏检率高、检测精度低的问题,提出了一种改进的ConvNextV2-YOLOv8缺陷检测算法。提出ConvNextV2-P2模块,在主干网络ConvNextV2中引入全局响应归一化增强模型特征信息多样性表达,并增加P2检测层提高对小目标缺陷的检测能力。使用卷积和注意力融合模块CAFM增强GhostModle的局部和全局特征表达,在保持轻量化的同时提高模型整体检测性能,并融合至C2f提出C2f-GAFM模块。引入深层鲁棒特性下采样DRFD,提升模型多尺度信息的提取和融合能力,增强算法模型的鲁棒性。实验结果表明,与原YOLOv8算法相比,ConvNextV2-YOLOv8的精确率达到了98.5%,召回率达到了89.1%。mAP50和mAP50-95分别提升至94.2%、87.1%,提高了1.6%、5.9%。在NEU-DET数据集上进行泛化性实验,效果优于其他算法模型。

关键词： 井盖隐患   YOLOv5   目标检测   激活函数  

摘要： 作为城市地下管网系统的关键防护构件,井盖的安全状态直接影响市政设施运维效率与公共安全。针对传统井盖安全隐患检测方法存在效率低、误报率高等问题,文章提出基于改进YOLOv5的智能检测方法。通过构建多尺度特征融合机制,文章结合五折交叉验证法对标注数据集进行模型训练,实现了对破损、移位、缺失等典型安全隐患的精准识别。实验结果表明,改进模型在自建井盖数据集上的平均精度(mAP)达95.2%,相比于YOLOv4模型,精度和检测速度均有所提升。该算法通过优化特征金字塔结构与损失函数,有效增强了复杂路面场景下的目标表征能力,为城市基础设施智能化运维提供了可靠的技术支持。

关键词： 文档图像版面分析   目标检测   YOLOv5s   多尺度特征提取  

摘要： 针对当前基于深度学习的版面分析方法存在效率低和训练成本高的问题,提出一种基于YOLOv5s改进的单阶段目标检测网络RCW-YOLO,并将其应用于文档图像版面分析任务。首先,通过Res2Net模块改进YOLOv5s中的C3模块,有效增强网络对文档图像多尺度特征的提取能力;其次,引入轻量级上采样算子CARAFE以优化特征融合网络,减少上采样过程中的信息丢失;最后,引入WIoUv3作为边界框回归损失函数,制定合适的梯度权益分配策略,以提升模型泛化能力和整体性能。实验结果表明,在CDLA、IIIT-AR-13K和PubLayNet数据集上,RCW-YOLO在mAP@0.50:0.95指标上分别达到了87.2%、76.4%和94.5%,优于现有的两阶段算法和其他单阶段算法,同时具有更低的计算量、参数量和更快的推断效率。

关键词： YOLOv5   目标检测   病虫害识别  

摘要： 【目的】农田害虫种类多、信息复杂,传统人力监测手段难以满足现代农业需求,因此亟需更先进高效精准的监测技术与策略提高对农田病虫害的识别效率和准确性。【方法】提出了一种基于YOLOv5的农田病虫害图像检测识别系统,引入了Input、Backbone主干网络、数据增强技术、PIL图像处理库等,增强了网络提取图像特征的能力。同时,共收集了13 160张害虫的图像构建数据集,并按7∶3划分了训练集和测试集,通过多次测试计算精确率、召回率和F1值等性能指标,评估模型效果。【结果】在经过1 500世代的训练后,平均精确度约为0.83,平均验证精确度约为0.791,F1值约为0.877,充分证明了模型在复杂条件下的鲁棒性和高精度识别能力。【结论】运用深度学习的YOLOv5和数据挖掘技术进行农田病虫害图像识别研究,有助于实现自动化精准识别,为农业生产和生态保护提供支持保障。深度学习技术在农业智能化管理方面的应用潜力巨大,未来可以增加害虫的种类来扩充数据集,进一步提升识别精度,推动相关产业的健康发展。

关键词： 毫米波雷达   点云聚类   稀疏点云   目标检测  

摘要： 毫米波雷达室内人员目标检测存在点云稀疏且有零散噪声点的问题,传统基于密度聚类算法受参数影响不能适应多变的目标点云数据,无法实现精准聚类。对此进行研究提出了一种针对人员目标稀疏点云的聚类算法。建立平均局部密度信息熵和邻域半径(Eps)的关系;利用DBSCAN算法识别零散噪声点并去除;利用每个点的局部密度和相对距离的乘积得到聚类中心权值,并画出降序图;在降序图中引入自适应指数衰减函数曲线,从而自动获得聚类中心,并完成聚类。通过实验验证,并与CFSFDP算法和DBSCAN算法进行对比,结果表明,提出的算法具有较高的ARI、AMI、NMI、FMI值,获得较好的聚类效果,适用于毫米波雷达室内检测场景。

关键词： 电子内窥镜   对比传递函数   调制传递函数   自动化检测系统   图像处理  

摘要： 介绍了一种基于人工检测电子内窥镜所改良的MTF测量装置测量方法,采用直接检测分辨率板成像对比度比较值的方法,求取反映光学系统成像本领的调制传递函数,整个过程采用自动一体的图像处理技术完成。实验数据以及安装在产线上的施行效果反映,人工检测目测法与本测量装置的检测法合格率分别为96%和94%,7.87~12.5 lp·mm^(-1)空间频段的MTF曲线与设计镜头理论曲线更为符合,验证了本文所提出的方法的有效性。该装置有助于降低人为误差、显著提高生产效率。