关键词： 毫米波雷达   目标跟踪   长短期记忆网络   扩展卡尔曼滤波   非线性滤波  

摘要： 在道路交通系统中,毫米波雷达以其分辨率高和抗干扰能力强的特点成为了热门的目标运动信息采集传感器。传统的目标跟踪算法在雷达观测信息丢失的情况下会出现跟踪误差较大或无法进行目标跟踪的现象。针对这一问题,文中提出了一种基于长短期记忆(LSTM)网络的雷达目标跟踪算法,在雷达观测值正常时,利用LSTM网络的记忆函数,对雷达的观测值进行训练并预测;当雷达观测值丢失时,利用LSTM网络为扩展卡尔曼算法提供观测值的预测值,以保证扩展卡尔曼算法能够继续对目标进行跟踪,达到降低目标跟踪误差的目的。文中通过雷达实测数据对LSTM网络进行训练,并针对直线和曲线两种运动状态进行了仿真验证分析,仿真结果表明,提出的目标跟踪算法在雷达的观测值丢失的情况下仍然可以对目标进行跟踪,并有效地降低了目标跟踪算法的误差。

关键词： 深度学习   3D目标检测   点云   随机采样   局部特征聚合   注意力机制   自动驾驶  

摘要： 针对当前两阶段的点云目标检测算法PointRCNN:3D object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivelocal feature aggregator with region-based convolu-tional neural networks)架构。首先,利用随机采样方法在处理庞大点云数据时的高效性,对大场景点云数据进行下采样;然后,通过对输入点云的每个近邻点的空间位置编码,有效提高从每个点的邻域提取局部特征的能力,并利用基于注意力机制的池化规则聚合局部特征向量,获取全局特征;最后使用由多个局部空间编码单元和注意力池化单元叠加形成的扩展残差模块,来进一步增强每个点的全局特征,避免关键点信息丢失。实验结果表明,该检测算法在保留PointRCNN网络对3D目标的检测优势的同时,相比PointRCNN检测速度提升近两倍,达到16 f/s的推理速度。

关键词： RT-Thread   目标检测   物流分拣  

摘要： 针对物流基础设施滞后,综合运输网络尚不健全,布局合理、功能完善的物流园区体系尚未建立等问题,设计了一款基于RT-Thread操作系统的物流分拣车。其以RT1064单片机为主控核心、RT-Thread操作系统为基础,使用摄像头进行目标检测,并且采用多种传感器进行信息采集。该物流分拣车运行稳定、响应速度快,能够实现无人行驶并自动搜寻需要搬运的物品,在识别后能将物品按种类拾取到车载的储物仓中,到达指定地点后可根据要求进行物品卸载。

关键词： 智能交通   数字图像处理技术   车辆检测  

摘要： 在现代科技的高速发展下,我国交通产业已进入到智能发展阶段,在该环境下可运用数字图像处理技术完善智能交通体系。基于此,本文总结归纳了数字图像处理技术在智能交通中的作用,从车辆车牌识别、违规行驶检测、车辆流量统计、交通信号控制四个角度出发分析数字图像处理技术在智能交通中的运用,旨在探索数字图像处理技术在智能交通中的运用路径,从数字图像处理技术角度出发完善智能交通体系,实现实时化车辆检测。

关键词： Focaler-EIoU   YOLOv8   水下目标检测   轻量化网络   PConv  

摘要： 基于机器视觉的无人水下航行器(Unmanned Underwater Vehicle, UUV)在工作时往往面临着嵌入式设备计算资源有限、实时检测速度慢的问题,为了解决这些问题,设计了一种轻量化网络检测算法——YOLOv8-FasterECA-Slim-neck-Focaler-EIoU(YOLOv8-FESF)。在骨干网络中,基于FasterNet Block和高效通道注意力(Efficient Channel Attention, ECA)机制构建全新的C2f_Faster_ECA模块,降低特征网络的参数量和计算量,采用Slim-neck作为颈部结构,进一步压缩模型的规模;重新设计检测头,利用参数共享的思想合并特征提取模块,从而轻量化模型,提高检测速度;使用边框回归损失函数Focaler-EIoU动态调整损失值,解决难易样本不平衡的问题,以提高检测精度。实验结果证明,所提模型在RUOD数据集上表现良好,相较于YOLOv8n基准模型,参数量和计算量分别减少40%和54%,检测速度提高10.5帧/秒,平均精度均值(mean Average Precision, mAP)仅下降0.1%,适合部署在计算设备资源受限的水下目标检测平台。

关键词： 无人机航拍图像   YOLOv8模型   目标检测   卷积块注意力模块   深度可分离卷积  

摘要： 针对无人机航拍图像目标检测中存在精度不足和资源受限问题,文章提出一种基于改进YOLOv8n模型的目标检测算法。首先,在现有模型中引入卷积块注意力模块(Convolutional Block Attention Module,CBAM),以增强模型对关键特征的关注并抑制非关键区域的干扰;其次,采用深度可分离卷积(Depthwise Separable Convolution,DW Conv)进行轻量化设计,在显著降低模型参数量和计算复杂度的同时保持高效的特征提取能力。通过实验对比,分析了单独引入CBAM、DW Conv模块以及两者结合使用的效果。实验结果表明,改进后的算法在无人机航拍图像的检测精度上提升了3%,计算复杂度降低了13.4%,模型参数量减少了4%,而且在准确性和实时性方面均取得了显著提升。该算法为无人机航拍图像的目标检测提供了一种高效、准确的解决方案。

关键词： 图像篡改检测   YOLO模型   文档篡改   目标检测  

摘要： 随着计算机技术的飞速发展和互联网的普及,电子合同、录用通知书等文档材料经常被当作图片在网上传播,这些文档中通常包含姓名、电话等个人隐私,更容易篡改、利用,造成严重的社会问题。由于YOLO模型在目标检测领域表现出色,因此得到了广泛地应用。基于YOLO模型性能的不断发展,本文对YOLOV3、YOLOV4、YOLOV5、YOLO6、YOLOV8模型的发展变化进行了总结比较,并将其应用在文档图像篡改检测中,对其检测结果进行比较。对YOLO模型的检测结果进行了比较,并对研究结果进行了全面的讨论和总结。此外,我们还提出了未来进一步改进的方向。

关键词： 军事目标检测   YOLOV5   渐进特征金字塔网络   多尺度目标   注意力机制  

摘要： 针对现有算法特征学习能力欠佳、检测精度不高、计算量大等问题,提出一种基于YOLOV5s改进的多尺度目标检测算法AEM-YOLOV5(AFPN-EMA-MPDIoU-YOLOV5)。首先,在颈部网络引入AFPN渐进特征金字塔网络,以渐进的方式融合图像底层详细信息和顶层高级语义特征,增强了网络特征融合效果;其次,在每个检测分支前增添EMA注意力机制模块,跨空间聚合像素级特征,提高了复杂场景下对多尺度目标的关注程度;最后,使用MPDIoU替代YOLOV5原有C_(IoU)边界框损失函数,解决了预测框宽高比相同但绝对值不同时C_(IoU)退化的问题,使回归结果更为准确。实验结果表明,改进后算法在RSOD数据集上PmAP50达到94.5%,FPS达到42 frame/s,模型大小为14.8 MB。与现有算法相比,改进后算法性能显著提升,可满足军事目标检测的实时性要求、模型轻便。

关键词： 深度学习   目标检测   注意力机制   盲区检测  

摘要： 针对货车盲区覆盖范围大、场景背景复杂、目标多尺度变化显著,以及传统检测方法存在漏检率高、特征表征能力不足等问题,提出了一种改进YOLOv8n盲区目标检测算法。该算法通过以下三个层面进行优化:1)在主干网络嵌入混合局部通道注意力模块(MLCA),提升网络局部空间特征提取能力;2)采用尺度序列特征融合模块(SSFF)融合图像多个尺度的深层语义信息,结合三重特征编码模块(TFE)完成局部细节增强;3)采用Inner-CIoU作为边框损失函数,提高边框检测精度。实验结果表明,在自建货车盲区多目标数据集上,改进算法的平均检测精度提升了3.14%,显著降低了复杂场景下的漏检率与误检率。

关键词： 人工智能   目标检测   乳腺肿瘤   乳腺超声   YOLOv5  

摘要： 为实现基于改进型YOLO的算法模型对乳腺肿瘤超声图像检测方式的优化升级,选取659张kaggle平台公开的乳腺肿瘤超声图像作为YOLOv5s的初始数据集,并采用开源图片标注工具Labelimg对超声图像中所需检测的乳腺癌目标进行预标注。从该数据集中随机抽取629张图像,并将其依照7:3的比例划分为训练集与验证集,余下30张图像作为测试集用于测试模型检测目标性能。将自适应空间特征融合结构(ASFF)与卷积块注意力(CBAM)机制引入原YOLOv5算法,对原算法进行结构化改良。将训练集与验证集置入原模型与改良模型,经过200轮迭代训练得到佳权重文件,用于测试集的最终化检验。结果表明,经过200轮迭代训练后,两种模型对所有乳腺肿瘤超声图像检测的平均精度均值分别为72.1%、79.6%。通过测试集检验证明,与原始模型相比,改良模型对图像的识别精度得到了显著提高,同时对中小目标的检测能力也得到了提升,有助于提高临床中乳腺肿瘤的诊断效能。