关键词： 卷积神经网络   交通标志识别   YOLOv5   深度学习   目标检测  

摘要： 现如今交通标志识别作为智能驾驶中不可或缺的一部分有着重要的研究意义。为了提高交通标志识别的分类准确度,结合当下流行的YOLOv5卷积神经网络目标检测模型,本文以国内交通标志为例,研究如何运用YOLOv5算法实现交通标志目标检测,同时结合软件开发技术,使用Flask后台框架、Vue前端框架设计了一套基于卷积神经网络的交通标志识别系统,系统包含可交互界面,支持用户上传图片进行实时识别,并返回相应的识别结果,提高了交通标志识别模型的可用性。

关键词： 开放世界目标检测   自适应得分   未知目标特征强化   偏移过滤  

摘要： 开放世界目标检测(open world object detection,OWOD)是一个计算机视觉挑战,聚焦于现实世界环境,其不仅要检测出标记出的已知物体,还需要能处理训练过程中被忽视的未知物体。针对已知和未知物体的检测混淆、密集未知目标和小目标遗漏等问题,提出了一种新的基于偏移过滤和未知特征强化的开放世界目标检测器(offset filter and unknown-feature reinforcement for open world object detection,OFUR-OWOD)。首先设计一个未知类特征强化(unknown class feature reinforcement,UCFR)模块,通过自适应未知对象得分的方法来强化未知类目标特征,进而提高模型对未知类对象的训练准确度。然后,将重叠框偏移过滤器(overlapping box offset filter,OBOF)应用于目标预测框,根据目标位置和大小,获得不同偏移得分,以过滤冗余未知框。通过丰富实验证明,该方法在COCO-OOD和COCO-Mix上优于现有一些最先进的方法。

关键词： 无线传感器网络   目标跟踪   网络攻击   分布式集员滤波   高斯混合模型   聚类融合  

摘要： 针对网络攻击下无线传感器网络中的目标跟踪,构建一种高斯混合分布式鲁棒集员滤波算法,旨在提高网络恶意攻击下移动目标跟踪的一致性和精确性.该算法可分解为校正/测量更新、聚类融合和预测/时间更新3个步骤:校正/测量更新步是指根据传感器采集的测量值更新前一时刻的状态估计(先验估计);聚类融合步是指采用高斯混合模型聚类算法对传感器节点估计进行分类,分为信任节点估计和非信任节点估计,非信任节点估计会被忽略而信任节点估计将参与融合;预测/时间更新步是指预测目标状态的先验估计,将目标的当前时刻状态估计传递至下一时刻.仿真结果表明:算法在抵御随机攻击、拒绝服务攻击、虚假数据注入攻击、重放攻击以及混合攻击这5种常见的网络攻击方式下具有较好的鲁棒性.

关键词： 小目标检测   多尺度   轻量化   YOLOv8   可编程梯度信息  

摘要： 针对低空无人机目标检测面临目标尺度变化大、小目标容易漏检和误检的挑战,发展了一种融合多尺度特征的目标检测轻量化网络(LMUAV-YOLOv8),通过开展消融和对比实验,验证了算法的有效性和先进性,并借助类激活图,对模型的决策过程进行了解释。设计了一种轻量化的特征融合网络(UAV_RepGFPN),提出新的特征融合路径以及特征融合模块DBB_GELAN,降低参数量和计算量的同时,提高特征融合网络的性能。使用部分卷积(PConv)和三重注意力机制(Triplet Attention)构建特征提取模块(FTA_C2f),并引入ADown下采样模块,通过对输入特征图维度的重新排列和细粒度调整,以提升模型中深层网络对空间特征的捕捉能力,并进一步降低参数量和计算量。优化YOLOv9的可编程梯度信息(programmable gradient information,PGI)策略,设计基于上下文引导(Context_guided)的可逆架构,并额外生成三个辅助检测头,提出UAV_PGI可编程梯度方法,避免传统深度监督中多路径特征集成可能导致的语义信息损失。为了验证模型的有效性及泛化能力,在VisDrone 2019测试集上开展了对比实验,结果显示,与YOLOv8s相比,LMUAV-YOLOv8s的准确度、召回率、mAP@0.5和mAP@0.5:0.95等指标分别提升了4.2、3.9、5.1和3.0个百分点,同时参数量减少了63.9%,计算量仅增加0.4 GFLOPs,实现了检测性能与资源消耗的良好平衡。基于NVIDIA Jetson Xavier NX嵌入式平台的推理实验结果显示:与基线模型相比,该算法能够在满足实时检测要求的条件下,获得更高的检测精度,对于无人机实时目标检测场景具有较好的适用性。借助类激活图,对算法的决策过程进行了可视化分析,结果表明,该模型具备更优异的小尺度特征提取和高分辨率处理能力。

关键词： 高斯混合模型   遮挡目标监测   特征提取   表征数据集   背景减除  

摘要： 在篮球赛场上,由于区域位置不同,运动员运动的背景与摄像机拍到的图像之间的差异很大,多人被遮挡的情况下篮球运动员目标检测效果会下降。基于此,本文提出了一种基于高斯混合模型的篮球运动员目标检测方法。利用金字塔特征结构的多尺度学习方法,建立遮挡篮球运动员特征表征数据集,根据每帧图像提取出的像素点建立高斯混合模型,并进行背景描述,实现背景减除,最后优化遮挡篮球运动员的目标检测流程。为验证方法有效性,设计实验,结果表明:应用该方法后,检测速度更快,平均为14.3帧/s,检测精度更高,平均为76.56%。

关键词： 家畜   体尺测量   体重预估   图像处理   计算机视觉  

摘要： 家畜的体尺参数和体重数据是衡量生产繁育特性的主要参数之一,可为优良品种的选择提供主要参照数据。传统的家畜体尺、体重测量方法费时费力,且受个人等主观因素干扰较大,严重损害动物福利。随着现代科学技术水平的提高,家畜体尺及体重自动测量技术的发展取得了显著进展。作者对当下主流的体尺测量和体重预估方法进行总结,全面阐述了数据采集和处理方法、家畜体尺测量和体重预测的研究现状、方法特点及优缺点,通过了解高效的现代技术手段,准确地对家畜进行体尺测量和体重预估,进而帮助养殖者更好地管理畜群,预测生长趋势,评估畜体健康状况,提高生产效率。作者还对基础自动测量领域的研究现状和发展趋势进行了展望,旨在为家畜体尺测量技术研究提供参考。

关键词： 深度学习   目标检测   YOLOv7   安检图像   注意力机制  

摘要： 针对X光安检图像存在的违禁物品重叠和背景复杂等问题,提出了一种基于YOLOv7改进的X光安检图像违禁物品检测算法。在模型颈部网络中构建注意力特征融合模块,分别添加空间注意力和通道注意力挖掘浅层细节特征和深层语义特征,减少噪音信息冗余,降低有效特征丢失;重新设计WHIoU Loss替换CIoU Loss作为新的边界框损失函数,确保在预测框与真实边界框的宽高呈现相同线性比例关系的情况下,宽高比惩罚函数仍然具有约束效果,提升收敛速度和精度。在SIXray数据集上的实验结果表明,算法在mAP50、mAP50:95上分别提高了2%和4.5%,同时检测速度也达到了58 FPS。

关键词： 图像处理   分级检测   水果分级   特征提取  

摘要： 传统的水果分级检测主要由人工完成,效率和准确度低。数字图像处理技术效率和准确度高,在水果分级检测中发挥着重要作用。本文通过系统整理国内外相关领域文献,基于数字图像处理的核心步骤,即图像采集与数字化、图像预处理、图像背景分割、图像特征提取和图像分类,概括基于数字图像处理技术的水果分级检测研究现状,分析目前存在的问题并展望未来发展趋势,旨在为后续研究提供参考。

关键词： 核心网   NWDAF   智能化   部署方案   5G-A  

摘要： 随着中国成为全球最大的电动自行车市场,保有量的不断增长带来了火灾风险的上升,已成为应急救援管理领域研究的核心议题。目前,电动自行车火灾预警系统主要依赖监测充电设备的温度、电流、电压等指标,并结合烟雾、火焰探测数据,但在火情发生后往往缺乏智能化分析能力,无法准确评估火灾危险级别。这导致在紧急情况下仍需依赖人工经验进行决策,影响了应对效率。提出了一种基于图像识别技术的电动自行车火灾危险程度评估方法,在识别到明火明烟后,通过监控视频流进行图像回溯处理,识别潜在可燃物,统计电动自行车数量,并计算密度,最终利用半定量风险评估工具NOC进行风险识别和量化,输出火灾危险程度判定。该方法能够在AIVA指挥调度平台上判断电动自行车火灾危险程度,为现场应急决策提供科学依据,从而提高电动自行车火灾应对的效率和安全性。

关键词： 物联网   智慧交通   图像处理   车牌识别  

摘要： 车牌识别系统是智慧交通系统的重要组成部分,本文设计了一个高精度和低成本的车牌识别系统,本系统依赖于三个图像处理阶段来实现高精度车牌识别,这三个阶段分别是预处理、分割和字符识别,在预处理阶段采用不同阈值的Canny边缘检测方法、轮廓检测和掩模技术来定位车辆边缘和车牌。实验结果表明:该系统以93%的准确率识别了车牌。此外,本文还使用ESP32摄像头和Raspberry-Pi(树莓派)实现了一个原型系统。