关键词： 单目三维目标检测   深度引导   多尺度通道注意力机制   自动驾驶  

摘要： 针对三维边界框无法从缺少空间线索的单目图像中准确估计的问题,本文提出一种基于深度信息引导和多尺度通道注意力机制的单目三维目标检测算法。为了引入三维信息并有效地获取和利用不同尺度特征图的空间信息,在特征提取模块中利用多尺度分割注意力算法,分别从单目图像和深度图中提取多尺度预处理特征图,利用通道注意力算法进行权重标定,提高了特征图的表征能力。通过深度引导动态局部卷积网络,将包含多尺度信息的深度图特征作为单目图像特征的特定卷积核,引入三维信息作为指导,减少直接融合的误差累积,并解决单目视觉中近大远小的尺度敏感问题。选择不同的评估指标对模型的性能进行评价与比较。实验结果表明,同其他算法相比,本文算法的自动驾驶数据集中汽车、行人、骑自行车的人的三维目标检测平均精度均提高。

关键词： 分布式光伏   深度学习   目标检测   行为分析  

摘要： 文章提出一种基于深度学习算法的人员违章识别分析方法,旨在通过自动分析现场监控视频,实现对分布式光伏项目建设过程中人员违章行为的快速检测和分类。基于多特征融合的图像分割算法,结合目标检测和行为分析算法,判断是否存在违章行为。试验结果表明,文章提出的方法在分布式光伏项目中具有较高的准确性和实时性。通过对实际监控视频的分析,能够准确检测出人员违章行为,并对其进行分类。这种方法不仅提高了监控效率,避免了人员违章行为影响项目进度,减少了安全事故的发生,还为人员违章的监管和预防提供了有效技术支持。

关键词： 激光预测   目标跟踪   目标运动估计  

摘要： 空中目标运动状态的自由度更高,目标的运动状态更难获知。现有的方法聚焦于二维空间(方位、俯仰)相对运动轨迹估算,忽略了侦查平台自身姿态变化对目标运动轨迹估算的干扰,难以直接应用于机载红外平台应用。针对该问题,本文提出一种机载红外平台下空中目标三维运动估计方法,测算目标在北西天坐标系下各向的运动状态。为提升目标位置估算的精度,本方法引入了目标距离信息,及侦查平台的自身姿态信息,提升红外目标运动状态估计的抗干扰性。本文方法首先采用基于TLD和卡尔曼滤波的目标跟踪模块,采用先检测后跟踪的策略,同时采用卡尔曼滤波缓解目标质心抖动对目标位置估算精度的影响;其次提出长短时策略距离预测模块,用于预测补充激光测距器未获取到的目标距离信息;最后通过基于先验信息的空中目标运动估计模块,获取目标在北西天坐标系下各向的运动状态,实现对空中目标三维运动信息估计。在已知空中目标三维运动信息条件下,通过本文方法可以反向解算目标在当前侦查系统的二维空间信息。实验结果表明,本方法目标距离预测结果误差小于50 m,参考坐标系下北西天各向速度误差小于25 m/s,当侦查系统姿态角发生变化时,本文方法对目标跟踪的稳定性优于卡尔曼滤波。

关键词： 多曝光图像融合   多尺度分解   引导滤波   计算机视觉   图像增强  

摘要： 普通的成像设备易受光照影响,过曝光或欠曝光都会导致图像质量下降,难以满足人们的需求。基于此,许多学者提出了曝光图像处理算法,通过将多幅不同曝光程度的图像进行合成,实现曝光图像质量的提升。在现有算法的基础上提出了一种多曝光图像融合算法,将图像在HSV空间进行基于引导滤波的多尺度分解,将图像分解为细节层和基础层。通过赋予细节层和基础层不同的权重来完成细节层与基础层的融合。将细节层和基础层进行叠加,同时将融合后的图像转回到RGB色彩空间来完成对曝光图像的处理。实验结果表明,提出的算法能够较好地完成多曝光图像的融合,保留图像细节,与对比算法相比有较好的融合性能。

关键词： 目标检测   铁路综合视频监控系统   明度动态感知   深度学习   YOLOv8  

摘要： 铁路轨道沿线场景具有空旷开阔、占地面积大的特点。由于高清摄像头的普及,导致大部分入侵物体目标在图像中具有占比面积小,像素点数量少,进而降低算法对目标尤其是小目标的检测性能。针对该问题,提出基于明度动态感知裁剪和YOLOv8的铁路沿线异常感知检测方法。首先通过明度动态感知方法感知运动目标区域,再以动态目标为中心裁剪图片输入YOLOv8网络进行检测,防止目标区域图像输入网络时特征信息被压缩,最后在RailD49数据集上验证了该算法的召回率为80.33%,准确率为81.67%,相较于原始YOLOv8m对铁路运动目标的检测能力有所提升。

关键词： 道路目标检测   YOLOv5   Transformer编码器   特征重组   高效卷积注意力模块  

摘要： 针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度的道路目标检测算法——YOLOv5-FTCE。执行多尺度的目标定位改进,采用完全交并比(Complete Intersection over Union,CIoU)边界框损失,通过K-means算法对先验框进行重聚类,调整先验框的锚框参数并增加一个针对小目标的YOLO检测头;引入Transformer encoder结构融入C3模块改进Backbone网络,增强网络对不同局部信息的捕获能力;选用基于特征重组的Content-Aware ReAssembly of FEatures(CARAFE)模块进行上采样,提高上采样性能的同时减少特征处理过程中的信息损失;引入高效注意力模块(Efficient Attention Module,EAM)融合空间和通道信息,对网络中重要的信息进行增强。结果表明,YOLOv5-FTCE算法在VisDrone数据集上,检测精确率相比原始算法提高了9.5%,mAP50提高了8.9%,优于YOLOv7等其他常见的算法,有效改善了道路小目标和遮挡目标的漏检现象。

关键词： 列车运行环境感知   深度学习   图像处理   三维感知   多模态融合  

摘要： 阐述深度学习在感知任务中的理论和相关基础,梳理深度学习在视觉、点云处理方面的模型架构及性能.系统总结基于图像识别的轨道区域提取、接触网异物检测和低照度图像增强等关键算法,归纳现有算法的难点.针对列车对3D感知的需求,进一步梳理面向铁路场景的点云分割、单目3D检测和多模态融合检测算法,对常见于文献的数据集进行模型性能的对比分析.总结列车运行环境感知现阶段存在的问题和未来的发展趋势.

关键词： 视觉识别   Python   OpenCV   图像处理  

摘要： 视觉识别是一种基于图像处理和机器学习的人工智能应用技术,通过特定算法识别出图像中的有效信息。基于Python语言编写OpenCV程序,在生产线中利用摄像头采集并识别车身条形码,读取车身信息,并实现比对防错等功能,使生产过程更加精确、高效。

关键词： 深度学习   目标检测   注意力机制   轻量化  

摘要： 为全面识别并检测摄像头拍摄的在城市道路上的车辆目标,本文提出一种基于YOLOv7的改进模型C-YOLOv7。在头部网络末端加入注意力机制模块,提高模型检测准确率。为减少YOLOv7算法的参数量,降低计算的复杂度,对改进后的模型进行剪枝轻量化。试验结果表示,与原模型相比,改进后的模型的平均精度(Average Precision,AP)、精度和召回率均有提高,与C-YOLOv7模型相比,轻量化后的模型的传输帧数增加,推理延迟和参数量减少。改进后的模型能够提高车辆检测的准确度,节省存储空间,在交通安全与管理领域发挥更大作用。

关键词： 高职   CDIO理念   ADDIE模式   图形图像处理   应用  

摘要： 经调查分析,高职教育正面临着新的挑战和要求,传统的知识传授和考试评价已经不再适应高职教育的需求,相比之下更加注重的是学生实践能力、创新能力和解决问题能力的培养。CDIO教育理念强调的是实践能力的培养,项目驱动学习让学生在真实工程项目中实践,从而提升操作能力;ADDIE模式强调系统化的教学设计和评估,确保课程内容与行业需求、学生需求相匹配,提高教学质量和教学效果。因此,应用CDIO+ADDIE教学设计以高职图形图像处理课程为例,以期在整合模式下满足高职学生的培养目标,并推动高职教育的发展。