关键词： 电力通信机房巡检   多阶段   超分辨率重建   多小目标检测   注意力机制   K-means++  

摘要： 提出了一种多阶段小目标检测方法。首先,利用轻量级目标检测网络YOLOX-m对待检目标进行快速检测,获取含有小目标的中间图像;然后,利用改进SRCNN(super-resolution convolutional neural network)超分重建算法对中间图像进行超分预处理操作,获取含有小目标的高分辨率图像;最后,构建基于深度可分离卷积核和通道注意力机制的轻量化小目标检测网络(small object network,SO-Net),并在模型训练过程中引入先验框聚类机制,以提高小目标检测精度。对电力通信机房巡检目标的测试结果表明,该改进SRCNN+SO-Net多阶段目标检测方法能提高小目标图像分辨率,平均检测精度均值、检测速度分别为91.72%、18.7帧/s,明显优于其他小目标检测方法。该方法为提高图像背景复杂条件下小目标检测精度和速度提供了一种新的技术手段和研究思路。

关键词： 图像识别   计算机视觉   深度学习   酿酒葡萄   品种鉴定   少样本学习   元学习  

摘要： 酿酒葡萄品种的精确鉴定是实现葡萄园智慧化管理的关键环节。针对品种鉴定过程中,标注数据需求量大、成本高昂且对新品种适应性不足的问题,该研究提出了一种基于少样本学习的两阶段品种鉴定方法。首先,为了减少复杂背景对少样本学习模型的干扰,构建了Deeplabv3+语义分割模型,实现了前景叶片的精细提取;其次,采用基于度量的元学习方法,使用基于MobileNetV2网络结构并融合注意力机制设计的Mobile-CS作为主干网络,实现了在少样本条件下品种的准确鉴定,并在新的品种鉴定任务中快速适应。试验结果表明,Deeplabv3+模型在叶片分割上实现了97.52%的平均交并比;少样本学习模型在5-way 5-shot任务上达到了80.06%的平均准确率,优于经典卷积神经网络结构和经典少样本学习的方法。该研究的两阶段品种鉴定方法具有较高的识别准确率和较强的泛化能力,能够为农业领域的智能识别技术提供新的解决方案。

关键词： 深度学习   计算机视觉   行人搜索   目标检测   粒计算   数据处理   特征提取   生成对抗网络   对齐  

摘要： 现有行人搜索方法着重于从有限的标注场景图中学习有效的行人表征,虽然这些方法取得了一定的效果,但学习更具有身份辨别力的行人表征通常依赖于大规模的标注数据,而获取大规模的标注数据是一个资源、劳动密集型的过程。为此,该文提出了一种场景图多粒度遮挡特征增强算法,对原始场景图进行多粒度随机遮挡,扩充训练数据,并从遮挡后的场景图中生成具有多样化信息的虚拟特征,最后利用生成的虚拟特征增强真实特征中的行人表征。进一步,基于生成对抗学习,该文设计了多粒度特征对齐模块,用于对齐遮挡图像特征和原始图像特征,保持两者语义一致性。实验结果表明,在CUHK-SYSU和PRW数据集上,该算法能够显著提升行人搜索任务的搜索精度。

关键词： 裂缝检测   动态蛇形卷积   反向残差注意力   MPDIoU   Lion优化器   CrackDetectX  

摘要： 混凝土结构产生裂缝会严重影响建筑物的安全稳定运行。为实现混凝土出露裂缝的实时高效检测,提出了一种新的单阶段混凝土裂缝检测模型CrackDetectX,该模型由基础特征提取网络、多级特征融合网络、检测头三部分组成。采用动态蛇形卷积(DSConv)精准捕捉裂缝特征,添加反向残差注意力模块(iRMB)融合不同尺度的上下文信息,使神经网络能够为特征图产生更好的像素级注意力。在检测头中引入一种基于MPDIoU的损失函数,全面考虑边界框所有信息,使模型更好地处理边界框宽度及高度的差异。此外,在模型中还引入Lion优化器保存动量信息,并利用其独特的更新规则来更新梯度,提高模型训练的效率。最后对所建模型进行评估,平均精度AP_0.5/%、AP_0.5-0.95/%、参数量、计算量及推理速度分别为93.1%、77.8%、1.62 M、4.3 GFLOPs和61.4 FPS,均优于对比方法,表明所提模型具有良好的鲁棒性,是一种高精度、高效率、轻量化的混凝土出露裂缝检测方法。

关键词： 多目标跟踪   YOLO   计算机视觉   深度学习  

摘要： 【目的】针对监控视频跨域环境下的多目标跟踪画面中,频繁遮挡、轨迹开始终止时刻未知、目标太小、目标间交互、表观相似以及摄像头视角变化等问题,提出一种改进的多目标跟踪算法。【方法】该算法最大化利用低分检测对象,将未匹配的低分对象进行二次匹配,目标跨域后,依据摄像头拓扑排序规则,以及相邻摄像头的未匹配跟踪轨迹,同时对检测器YOLOv5算法进行优化改进,通过信息流的层层递进,有效解决多尺度问题和小目标信息提取不充分等问题,在相邻的摄像头中快速匹配到跟踪对象,以提高跨域环境下特定多目标跟踪的精度。【结果】对比消融试验表明,本改进算法MOTA达到了62.8%,IDswitch也显著降低。

关键词： 目标检测   半监督学习   伪标签   数据集  

摘要： 随着深度学习在目标检测中的应用越来越广泛,其对标记数据的过度依赖问题日益凸显。为了缓解目标检测任务对高成本标记数据的依赖,半监督学习算法备受关注且飞速发展。如何有效挖掘无标数据中蕴含的信息,并获取高质量的伪标签,是当前半监督目标检测算法面临的问题。对此,提出双分支的教师-学生(Teacher-Student,TS)网络结构缓解传统单分支教师-学生网络结构中的耦合问题,有效挖掘、利用无标数据。基于所提出的双分支网络结构设计一种伪标签生成机制,以获取高质量的伪标签用于模型训练,从而提升模型性能。在PASCALVOC数据集和MSCOCO数据集上分别进行多组实验,结果表明提出的方法能有效提升模型性能。

关键词： 多目标跟踪   协同探测   概率假设密度滤波   信息关联   最小方差加权  

摘要： 针对多平台被动、主动雷达探测信息异步和高密度杂波混叠导致多目标状态估计精度下降与多目标数量过度估计的问题,提出基于信息关联加权的概率假设密度滤波算法。构建多目标跟踪模型,并分析了现有算法易受杂波影响的机理。推导了基于信息关联加权的多目标跟踪算法,根据目标速度和可容忍误差设置容忍时间参数,将异步时间较短的探测信息近似为同步,利用关联算法筛选来源于同一目标的被动、主动雷达信息,利用最小方差加权融合提升探测精度,而随机分布的杂波由于角度数值差距较大导致难以关联而被剔除。仿真分析表明,所提算法相比于现有算法提升了多目标状态估计精度,减少多目标数量过度估计情况。

关键词： 智能变电站   巡检机器人   图像处理   效益分析  

摘要： 在智能变电站中,智能巡检机器人可以有效提高巡检效率,通过人工智能算法预警预判,及时发现线路隐患,减少线路故障,降低输电线路发生风险的几率。研究了220kV智能变电站巡检机器人的结构,研究了巡检机器人的关键技术,包括红外测温技术和图像处理技术。最后,针对某220kV智能变电站分析了智能巡检机器人的应用效益。通过本文分析可知,采用智能巡检机器人可以显著提高巡检效率和故障发现率。

关键词： 地铁车辆   附着异物   图像识别   深度卷积神经网络   目标检测   数据集   模型训练   训练方法  

摘要： 现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物图像与可能附着异物的图像随机融合,生成附着异物图像数据集。采用随机mixup方法,利用扩充后的数据集,训练基于YOLOv4网络的地铁车辆附着异物检测模型,并开展验证试验。试验结果表明,利用扩充后的异物数据集,采用随机mixup方法训练后的检测模型,检测效果更佳。

关键词： 旋转目标检测   箱体定位   YOLOv7-tiny   特征融合   注意力机制  

摘要： 针对物流领域箱体拆垛场景中,箱体密集堆叠、排列杂乱且来料随机等导致难以精确定位的问题,提出了一种基于旋转框定位的轻量级箱体精确检测方法。在单阶段目标检测网络YOLOv7-tiny的基础上,针对箱体目标密集排列的问题,引入融合多尺度可变形卷积的特征选择模块改善箱体形变建模,提升上下文特征提取能力;融合坐标注意力(coordinate attention,CA)机制以增强目标位置特征表达;采用旋转框长边表示法精确表示箱体边界,并结合高斯分布的KL散度(Kullback-Leibler divergence,KLD)作为损失函数,实现箱体旋转框的高精度回归。实验结果表明,改进方法在箱体数据集上检测精度AP_(75)达到85.25%,与原模型相比提升了7.85个百分点,箱体中心点平均像素距离小于3个像素,平均偏移角度小于4°,在小幅增加模型参数量的基础上,检测速度达到26.52FPS,所提方法可以有效提高拆垛箱体的定位精度,满足实际拆垛需求。