关键词： YOLOv10   人工智能生成内容(AIGC)   扩散模型   目标检测   图像生成   反馈修正  

摘要： 近年来随着人工智能生成内容(AIGC)的发展,图文生成技术取得了显著的进步。然而由于现有大模型本身的技术问题,会存在复杂prompt描述下生成的图片与文本内容不一致且目标完整性不足的问题。为此,文章提出一种基于YOLOv10目标检测和反馈修正机制的AIGC图文生成优化方法。首先,对大模型输入文本指令提示词,让其根据文本指令生成初步图像;接着,应用YOLOv10对生成的初步图像进行目标检测,检测的对象即为文本内容中突出的几个对象;然后将检测到的问题图像和标注信息反馈给扩散模型,扩散模型根据这些反馈对图像进行局部修复,修正缺失的目标或调整目标的位置。实验结果表明,该方法能够显著提高生成图像的目标完整性和与文本描述的对象一致性,与传统方法相比,该机制能够有效地处理生成图像中的问题。其方法为AIGC领域中图像生成与优化提供了一种新的思路和方法。

关键词： 全聚焦检测   深度学习   焊缝缺陷   特征融合  

摘要： 金属焊接结构的缺陷会导致关键设备在服役过程中产生严重危害,传统的缺陷识别主要以人工检测为主,但实际检测数据量庞大,而且缺陷形状和大小各异,导致检测结果容易受各种因素影响。提出基于多层特征融合目标检测网络对钢板焊缝的超声全聚焦图像进行智能识别。由于超声图像中缺陷的像素占比低且存在较多噪声和伪影等,使用具有特征复用且参数更少的Dense Net(Dense convolutional network)换原有的VGG(Visual geometry group)主干网络以优化模型的计算资源和速度。同时嵌入多层网络融合模块,将上下相邻网络特征图进行融合,充分结合大尺寸特征与小尺寸特征,提高模型的检测能力。此外,还嵌入空间注意力机制来增强缺陷信息并抑制背景噪声,最后将原有SSD(Singleshotmultiboxdetector)中的交并比(Intersection over union,Io U)非极大值抑制算法替换为距离交并比(Distance-IoU,DIoU),以更好地检测缺陷图像中间距较小的缺陷。利用仿真和试验获取典型焊缝缺陷的超声全聚焦数据集进行模型测试,结果表明,该模型比原有SSD模型平均AP值(Mean average precision,mAP)提高了10.45%,检测帧率(Frames per second,FPS)提高了17%。提出的多层特征融合目标检测网络可以用于大批量焊接钢结构超声全聚焦检测结果的快速、准确、自动识别。

关键词： 现代化城市监控系统   目标跟踪   动态主动解析   监控设备参数化  

摘要： 随着城市化与科技发展,现代化城市监控系统愈显重要。目标跟踪技术作为提升系统分析效能的关键,当前仍依赖于高密度监控设施与强大算力,且易受复杂场景更替和目标遮挡等影响,需人工介入以确保跟踪效率和稳定性。为此,提出一种创新的技术框架,通过监控设备参数化、可视范围映射、虚实场景融合等手段,以多监控动态主动解析方式替代传统被动跟踪技术路线。实验结果表明,该技术可将跟踪任务处理时间缩短为原先的1/48,解析设备数量由360个降至75个,显著降低系统部署难度,提升跟踪效率,为城市监控系统的智慧化应用提供新思路。

关键词： 交通信息工程   交通流检测   深度学习   转弯车辆   目标检测   车辆跟踪  

摘要： 为方便统计转弯车流量,并提升交叉口转弯车流量的检测速度与精度,提出基于深度学习的方法对城市交叉口转弯车流量进行检测、跟踪和计数。首先,通过对比分析选用轻量高效的YOLOv5s作为目标检测框架,并采用无人机(unmanned aerial vehicle,UAV)航拍方式获取城市交叉口交通流视频,自建车辆航拍图像数据集;利用预训练权重及最新权重文件完成自建数据集的训练与推理;模型评估表明,基于YOLOv5的车辆检测模型具有较高的检测速度与精度:其中模型的box_loss值迅速下降并稳定在0.038,mAP_0.5值迅速上升并保持在0.91附近;之后,对接DeepSORT模型作为后端多车辆跟踪算法,通过坐标转换以简化车辆轨迹提取,并对行驶轨迹线展开有效性判断;针对检测框角点跃变现象,提出角点-质心点坐标变换以强化轨迹点的坐标信息鲁棒性,且采用六次多项式拟合车辆轨迹线,将不满足函数映射要求的轨迹线进行旋转优化,以正常拟合全部轨迹;最后根据预设的转弯角度判定阈值,实现转弯车辆的检测与计数。为验证所提出的转弯车流量检测方法的有效性,以某一城市交叉口为例进行车辆检测实验,对比分析人工计数值和本方法检测结果。结果表明:4个流向平均检测精度为92.9%,最高可达95.7%,能够满足实际交叉口场景转弯车流量的常规检测要求。

关键词： 视频监控系统   业务运行监控体系   人工智能   目标检测技术  

摘要： 视频监控系统是海关业务运行监控体系的重要组成部分。利用人工智能技术赋能视频监控系统,识别关键目标、获取重点信息、富集数据矿藏,有利于提升业务运行监控体系效能。随着硬件算力的提升和算法的进步,目标检测技术已经成为一种成熟的视频分析工具,速度快、精度高,技术路线有现成案例,具备较高的可行性。本文提出了基于目标检测技术的海关智能视频分析方案,包括海关视频监控现状、目标检测技术概述以及目标检测技术应用方案等,为提高海关视频监控的自动化程度,及时发现紧急情况、获取关键信息和进行事后追溯提供参考。

关键词： 护栏损坏检测   无人机   ECA注意力机制   深度可分离卷积   图像处理   信息提取  

摘要： 针对现有方法对无人机高速公路护栏损坏检测存在边缘信息提取效果差、识别精度低的问题,提出一种基于深度学习的变化检测模型DDE-BIT。首先,采用深度可分离卷积优化主干网络Resnet18,减少模型的参数数量,降低计算成本;然后,在主干网络输出部分引入ECA注意力模块,在仅增加少量参数的情况下提高模型的跨通道信息捕捉能力;最后,通过跳跃连接方式对BIT双时空图像转换器的输出特征进行堆叠,提高模型的上下文信息理解能力。以采集的无人机高速公路护栏损坏图像为实验数据,实验结果表明:DDE-BIT模型的交并比和F1分数分别为90.99%、95.28%,相较于原始模型分别提高了2.71%、1.51%,能够有效地提取护栏损坏的边缘信息。

关键词： 交通目标检测   扩张残差   注意力机制   特征融合  

摘要： 针对交通场景下目标尺度变化大和检测算法复杂度高的问题,提出了一种轻量化多尺度检测算法(DMB-YOLOv8)。首先,通过引入扩张残差块构建C2f-DWR,在主干网络高层扩展合适的感受野,增强多尺度目标识别能力;其次,构建多协调注意力更全面地捕捉目标位置特征,聚焦关键检测内容;最后,设计轻量级多融合双向网络(MBN),改进YOLOv8的颈部结构,提升多尺度特征融合能力,保留更多浅层的小目标信息特征。实验结果表明:相较于基础模型,DMB-YOLOv8的平均精度m AP50提升了1.11%,参数量降低了25.8%,在提升检测精度的同时实现了轻量化,适用于实际交通场景需求。

关键词： 卷积神经网络   牙颌面畸形   头影测量分析   三维解剖标志   深度学习  

摘要： 基于二维影像的头影测量分析技术是当前临床诊断的“金标准”,但仍存在由于二维图像易失真、解剖标志重叠等导致的“解剖误差”和人工手动标点造成的“人工误差”。三维头影测量分析目前已广泛应用于临床诊断,对于“解剖误差”有着重要辅助作用;自动化头影测量分析是利用图像处理与深度学习对头影解剖标志进行自动识别与标点,对于改善二维测量分析的“人工误差”有重要意义。卷积神经网络(CNN)是目前基于深度学习最有效的图像处理与目标检测方法,在三维头影解剖标志自动化目标测量领域有着巨大应用潜力。本文综合国内外有关研究与应用,回顾了三维头影解剖标志测量分析体系的现状,并对基于CNN的牙颌面三维头影解剖标志自动化目标检测的研究进展进行了探索与综述。

关键词： 目标跟踪   视觉Transformer   抑制干扰   多头注意力   注意力稀疏化  

摘要： 单流Transformer跟踪框架在目标模板和搜索区域图像信息聚合方面表现出了强大优势,其以ViT(Vision Transformer)网络作为骨干网络进行统一特征提取和关系建模,已成为单目标跟踪主流框架之一。然而,由于模板Token信息流和搜索区域信息流经过注意力操作进行自由交互,导致模板特征提取和搜索区域特征提取受到大量来自搜索区域背景信息的干扰。针对上述问题,提出了一种基于非对称稀疏注意力的单流Transformer跟踪方法。在注意力操作中,对单流Transformer跟踪算法的不同信息流进行了划分和分析。然后,采用注意力稀疏的方法,对搜索区域和模板区域相关信息流和搜索区域自相关信息使用动态阈值的方法进行非对称稀疏化,使得跟踪器更加关注搜索区域中与目标相关的信息。在GOT-10k、TrackingNet、TNL2K、NFS、OTB和UAV123六个公开基准数据集上的实验表明,该方法在减少了背景信息干扰的同时有效提升了单流Transformer跟踪器的鲁棒性。

关键词： 遥感图像   目标检测   深度学习   多尺度特征融合   加权检测框融合  

摘要： 遥感图像中目标尺度变化大且目标长宽比差异大,导致遥感图像目标检测困难。针对遥感图像的这一特点,通过改进YOLO框架,提出EW-YOLO(Efficient Weighted-YOLO)提高遥感图像目标检测的精度。首先,在特征融合部分,设计多级特征融合结构,以利用双分支的残差模块促进不同尺度特征的融合,并通过融合模块的级联以及跨层特征的融合设计,增强对不同尺度目标的提取能力,并进一步增强检测能力;其次,在预测部分,提出加权检测头,引入加权检测框融合(WBF),以利用置信度分数对每个候选框进行加权,并融合生成预测框,从而提高不同长宽比目标的检测精度;最后,针对图像尺寸过大的问题,提出图像重采样处理方法,即通过将图像采样至合适大小并参与网络训练,解决由于切割造成的大尺寸目标检测精度较低的问题。在DOTA数据集上进行的实验的结果表明,所提方法的检测平均精度均值(mAP)达到了77.47%,较基于原始YOLO框架的方法提升了1.55个百分点,且优于目前的主流方法。同时,也在HRSC和UCAS-AOD数据集上验证了所提方法的有效性。