关键词： 神经网络   目标检测   YOLOv8n   头盔   轻量化  

摘要： 近年来,电动车驾驶人未佩戴头盔导致的交通事故频繁发生,造成了严重的人身伤害和财产损失。调查结果表明,事故主要集中在交通路口,因此,交通路口电动车驾驶人员头盔佩戴行为的检测与管控亟待展开。在利用机器视觉传感器获取大量电动车、驾驶人以及车牌数据后,制作合适的数据集,并在Pytorch框架上利用改进的YOLOv8n神经网络对处理后的数据进行训练,以获得最优权重参数。实验对比发现,改进后的YOLOv8n算法对于电动车、头盔以及车牌的检测精度分别达到了99.1%、93.7%和95.9%,比原始YOLOv8n的识别准确度提高了1%3%。最后,通过联合使用训练改进的YOLOv8n模型,在检测头盔佩戴情况的同时,结合电动车本身以及车牌的综合信息,准确对其进行跟踪,从而实现对交通路口违规电动车驾驶行为的有效管控。

关键词： 通道注意力   特征融合网络   多目标   跟踪算法  

摘要： 针对多目标跟踪过程中因漏检和遮挡等因素导致的跟踪准确率降低的问题,提出一种改进的YOLOv5s和DeepSORT的实时多目标跟踪算法。在检测部分将主干网络融合Transformer编码块来优化YOLOv5s,具有比传统卷积神经网络更强的特征提取能力。在跟踪部分,用ECA注意力模块,RepVGG网络,Resnet网络和eSE Block设计了一种新的表观模型结构来缓解因遮挡等因素而出现的跟踪失败的情形,提升了模型鲁棒性。在VisDrone和MOT16数据集上进行实验。结果表明,上述算法检测器在Visdrone数据集上AP50提升了4.07%,算法在MOT16数据集上MOTA提升7.9%。,改进后的DeepSORT算法与目标检测算法相结合能够有效提高跟踪性能。

关键词： 轨道交通列车   超温监测   机器视觉   测温贴片   多任务学习  

摘要： [目的]由于基于温度传感器的列车关键部件温度监测方案存在投资及运维成本高昂的问题,难以满足大型工程项目中对该类部件温度监测广泛推广的需求,因此,亟须研发一种低造价且运维成本低的温度监测方案。[方法]提出了一种融合测温贴片和计算机视觉的超温监测算法。该算法遵循“先定位、后分割、再计算”的识别逻辑。通过采用二分k-means聚类算法并引入注意力机制对YOLOV3算法网络进行优化,实现了图像中测温贴片的精确定位;在U-Net++算法网络架构中嵌入主体边界分离模块,并在损失函数中增加相应的边界监督项,以增强边界分割效果,提高测温贴片在图像中的分割精度;对分割后的图像进行计算,根据测温贴片变色的相对体积质量来判定超温结果。[结果及结论]通过对SSD算法、Retina-Net算法、YOLOV3算法、YOLV4算法及改进后的YOLOV3算法等5种算法的定位精度进行试验对比,其定位准确率分别为95.32%、97.15%、98.09%、98.36%及99.21%,其中改进后的YOLOV3算法准确率接近100%。同时,对DeepLabV3+算法、U-Net++算法及改进后的U-Net++算法等3种算法的分割精度进行对比试验,结果显示分割精准度分别为95.97%、96.81%及98.36%,改进后的U-Net++算法表现最优。在真实测试集上进行的试验中,改进算法达到了99.30%的准确率。

关键词： 激光雷达   彩色图像   多模态融合   自动驾驶  

摘要： 针对当前三维目标检测由于数据增强导致点云和图像无法有效对齐,点与点对齐方法会丢失图像特征以及定位和分类置信度不一致的问题,提出一种多模态融合的三维目标检测方法。首先,采用PointNet++提取点云的特征;采用卷积神经网络提取图像特征;其次,在点云与图像融合阶段,采用语义对齐方法以及图像球特征,实现点云与图像更好的跨模态对齐。同时采用基于注意力的方法来指导点云与图像特征的融合,以获取更可靠的图像特征;最后引入DIoU损失来平衡置信度不一致的问题。实验结果表明:所采用的方法明显优于baseline,在简单、中等和困难任务下,Car类别的mAP达85.6%。

关键词： 空间弱小目标检测   质心定位   注意力机制   特征融合   数量信息  

摘要： 基于深度学习的目标检测技术近年来取得了显著进展,已被广泛应用于多个领域。然而,目前尚缺乏专门针对空间目标设计的深度学习检测方法。与自然图像目标检测相比,空间目标检测面临着独特的挑战:首先,由于拍摄距离极远,空间目标在图像中通常仅呈现为包含少量像素的弱小光斑,缺乏清晰的形状和颜色特征;另外,复杂的空间环境以及设备因素会导致图像中存在各种噪声,例如杂散光引起的明亮背景、相机因素导致的热像素噪声;最后,视场中密集的恒星会导致在空间图像中容易出现部分光斑相互粘连的情况。上述难点无疑增加了空间目标检测的难度。本文提出了一种基于信息表征增强的无锚框空间弱小目标检测方法,该方法通过设计端到端卷积神经网络模型,能够实现同时对空间弱小目标检测和质心定位。针对目标弱小、背景噪声干扰的问题,我们首先设计了跨空间-通道注意力模块和压缩-激励的多尺度特征融合模块,提升模型对含噪图像中弱小目标的有效信息关注度,从而提高噪声背景下目标的检测能力;在此基础上,为了进一步解决光斑粘连的问题,我们引入了基于密度图的损失函数,通过使模型更加直接地学习图像中目标的整体空间分布与数量信息,以此使模型掌握粘连光斑中目标的数量,从而更准确分辨粘连光斑中各个独立目标。此外,本文仿真了包含点状、条状目标和多种噪声背景的空间图像,并对目标的质心位置、边界框和像素坐标进行了精细标注。为验证方法的有效性,我们在本文的仿真图像与公开的实拍序列图像数据集SpotGEO中进行了实验验证。在仿真图像数据测试中,本文方法的F1分数为95.34%,并实现了0.4478的亚像元级平均质心定位精度。同时,我们还对本文方法进行了不同噪声强度影响下质心定位精度测试以及不同硬件条件下处理效率测试,以更全面分析本文方法的能力。在公开的实拍序列图像数据集SpotGEO中,本文方法结合引入的序列后处理方法取得的F1分数为93.08%。实验结果证明了本文方法对空间弱小目标准确检测和精确定位方面的优越性能。

关键词： 激光雷达   目标检测   回环检测   累积误差  

摘要： 移动机器人在室外环境中同时进行定位和建图(SLAM)时通常会遇到两个问题:动态目标干扰和激光SLAM建图中的z轴漂移。为了应对动态目标的干扰,研究引入了目标检测算法,通过剔除动态物体对位姿估计的干扰来提高建图和定位的准确性。针对激光SLAM建图中存在的z轴漂移问题,研究提出了使用GPS坐标作为回环检测索引坐标的解决方案。上述方法有效地利用了GPS的位置信息来缓解漂移问题,提高建图的准确性和一致性。实验结果表明,改进的激光-惯性-GPS SLAM方案能够有效提高建图和定位的精度,并增强系统的鲁棒性和稳定性,对于移动机器人在室外环境中的实际应用具有重要的意义,为其在复杂环境下的导航和定位提供了有效的解决方案。

关键词： 红外弱小目标检测   稀疏注意力   特征融合   鲁棒性  

摘要： 针对复杂背景下红外弱小目标像素占比少,细节纹理特征匮乏导致特征提取困难、检测率低、虚警率高的问题,提出一种基于稀疏注意力和多尺度特征融合的红外弱小目标检测网络。该网络利用Resnest的分割注意力提取不同尺度特征,引入Biformer注意力模块学习目标与背景之间的远程关系,采用融合模块将高、低层特征进行融合,经过Head模块输出检测结果二值图。实验结果表明,本文方法在IoU和F_(measure)这两项指标中均取得最优,与DNANet方法相比,所提方法的交并比(IoU)提高3.9%、F_(measure)提高5.6%;与ABCNet方法相比,所提方法的IoU提高5.8%、F_(measure)提高10%;并且在不同复杂背景下均可有效检测出红外弱小目标,体现良好的鲁棒性和适应性,可以有效应用于复杂背景中的红外弱小目标检测。

关键词： 隐蔽手段   多源遥感数据融合   违规建筑   空间覆盖  

摘要： 推进国土空间治理能力现代化是落实国家治理体系和治理能力现代化的重要组成部分。在新型城镇化建设快速推进的背景下,核查违规建筑有助于排查既有安全隐患,规范城市建设秩序,提升城市形象。该项工作面临空间覆盖广域化、动态变化高频化、隐蔽手段多样化等挑战,人工巡查与目视比对的工作模式存在效率偏低、主观性强、覆盖盲区显著等问题,尤其在城市高层建筑屋顶违建识别方面存在明显短板。

关键词： 轮胎缺陷检测   YOLOv4-tiny   注意力机制   目标检测  

摘要： 针对现有模型难以实现轮胎缺陷检测精度和速度平衡的问题,论文提出了一种基于改进的轻量级YOLOv4-tiny网络用于轮胎缺陷检测。在不增加太多计算成本的前提下,通过改进网络的特征融合部分,提高了对多尺度对象的表示能力。同时,结合超强通道注意力ECA-Net使卷积神经网络更好地关注重要特征,增强了轮胎缺陷特征的表达,弱化轮胎纹理背景等无关特征。实验结果表明,所提方法在轮胎缺陷数据集上实现了95.12%的mAP。轮胎的平均检测时间为18.97ms,而且模型参数量很小可以很容易地部署,因此该方法可以满足工业实时检测的需求。

关键词： 深度学习   语义分割   卷积神经网络   U-Net   计算机视觉  

摘要： 乳腺癌是女性常见恶性肿瘤之一,严重威胁女性健康。在乳腺癌手术中,准确测量乳房和切除组织的体积对于手术规划和乳腺重建至关重要。本研究构建了一个基于深度学习的分割框架,用于乳房和切除组织的MRI体积分割。该框架不仅展现了良好的分割精度,还涵盖了偏置场矫正这一关键预处理步骤。我们收集并手动标注了一个包含47例患者的MRI数据集,这些数据涵盖了不同的年龄、乳房大小和四类采集参数。在交叉验证中,U-Net网络在全乳分割和切除组织分割任务中表现最佳,平均Dice系数分别为96.54和92.37。在测试集上,U-Net网络同样展现了优异的分割效果,平均Dice系数分别为94.23和84.53。实验结果表明,所提出的框架能够精准且高效地量化全乳体积和切除组织体积,为临床乳腺手术提供数据支持。Breast cancer is one of the most common malignant tumors in women, which seriously threatens women’s health. In breast cancer surgery, accurate measurement of breast and excised tissue volume is critical for surgical planning and breast reconstruction. This study developed a deep learning based segmentation framework for MRI volume segmentation of breasts and excised tissues. This framework not only demonstrates good segmentation accuracy, but also covers the key preprocessing step of bias field correction. We collected and manually annotated an MRI dataset containing 47 patients, covering different ages, breast sizes, and four types of acquisition parameters. In cross validation, the U-Net network performed the best in both whole milk segmentation and excised tissue segmentation tasks, with average Dice coefficients of 96.54 and 92.37, respectively. On the test set, the U-Net network also demonstrated excellent segmentation performance, with average Dice coefficients of 94.23 and 84.53, respectively. The experimental results indicate that the proposed framework can accurately and efficiently quantify total breast volume and excised tissue volume, providing data support for clinical breast surgery.