关键词： 异物检测   轻量级的网络   哈达玛积   共享卷积   YOLOv8  

摘要： 为了实现对高速列车接触网异物入侵的自动识别，提出了一种基于YOLOv8算法的接触网异物识别方法，该方法具有准确率高和轻量化的优点，适合部署在计算资源有限的平台中。首先，利用哈达玛积的隐式映射的性质构建了一个新的特征提取模块CSPLayer＿Star，轻量化的同时保证了模型的性能。其次，利用共享卷积的理念设计了一种轻量化共享检测头，很好的降低了检测头的参数量和计算量。针对接触网常见异物，通过网络和公共数据集构建了接触网异物数据集。实验结果表明，该方法在接触网异物目标检测任务中相较于基线模型YOLOv8n可以降低一半的参数量和计算量，同时模型精度与基线模型YOLOv8n相差无几。实现了适用于计算资源受限平台部署的轻量化接触网异物目标检测。

关键词： YOLOv8   轻量化   火灾检测   目标检测   加权双向特征金字塔(BiFPN)  

摘要： 针对传统火灾检测算法存在的检测精度不足及速度瓶颈,特别是对于小规模初发火情与大规模迅速蔓延火灾的识别难题,研究提出一种基于多尺度特征融合的轻量级火灾检测算法,设计了EDBAN模块以替代YOLOv8中的C2f模块,提升模型的泛化能力和适应性,尤其是在处理多尺度火灾场景时的精准度。改进原有的BiFPN结构适配YOLOv8模型结构,并设计Weighted Blend模块对各层特征进行加权融合,增强特征的表征能力,降低漏检风险。进一步提出LOTT检测模块,以替代传统的YOLOv8检测,通过一系列组卷积和尺度调整操作,实现了在轻量化的同时保持了检测性能的准确性和稳定性。通过在场景丰富的火灾数据集上进行实验,结果表明,改进的YOLOv8算法在基准模型的基础上参数量减少了58.3%、计算量减少了34.5%,同时mAP提升了2.6个百分点,基本满足火灾实时检测的需求。

关键词： 改进ViBe算法   运动目标检测   Zynq   Vivado HLS   VDMA  

摘要： 针对原Vi Be算法存在的“鬼影”和运动目标静止时被更新为背景模型的问题提出改进ViBe算法;并针对当前运动目标检测系统平台大,功耗高等问题,设计了一种基于Zynq平台的运动目标检测系统,使用Vivado HLS进行接口为AXI4-Stream的改进ViBe算法IP核的开发。在Zynq7020平台,使用PL端作为算法的实现单元,PS端作为控制核心,充分发挥异构So C的架构优势。实验结果表明:改进ViBe算法解决了“鬼影”问题和运动目标静止时被更新为背景的问题,系统实时性较高,在保证对运动目标检测准确性的基础上降低了系统功耗,且体积小。

关键词： 智能交通   深度学习   目标检测   YOLO   复杂交通场景  

摘要： 针对复杂交通场景下,特别是拥堵道路中,经常出现的交通目标密集、互相遮挡,小尺度目标检测精度低的问题,提出了一种面向复杂交通场景的目标检测模型YOLO-T(You Only Look Once-Transformer)。首先提出CTNet主干网络,相较于CSPDarknet53,该主干拥有更深的网络结构和多尺度特征提取模块,不仅能够更好地学习密集目标的多级特征,还可以提高模型对复杂交通场景的应对能力,进而引导模型更加关注小目标的特征信息,提升小目标的检测性能;其次引入Vit-Block,采用卷积和Transformer并行的方式融合更多的特征,兼顾局部和上下文信息的关联性,从而提升检测精度;最后在颈部网络Neck后增加Reasonable模块,引入注意力机制,进一步提高目标检测算法对复杂场景和遮挡目标的鲁棒性。实验结果表明,相比基准算法,YOLO-T在KITTI数据集和BDD100K数据集的检测精度分别提高了1.92%和12.78%,能有效提升复杂交通场景下的检测性能,更好地辅助驾驶员对其他车辆行驶行为的判断,减少交通事故的发生。

关键词： 划线车   图像处理   MPC  

摘要： 道路标线划线车是标记或划定道路边界、车道、停车线等交通标线的专业车辆,其作用是施划道路标线,确保道路标线整齐清晰,从而提高道路安全性和车辆行驶的有序性。针对使用传统手推划线车存在施工效率和施工精度偏低、人眼对齐施工道路引导水线(以下简称引导水线)难的问题,设计了小型划线车无人驾驶改造方案。该系统首先采用图像处理技术改进Haar-like模版进行引导水线特征识别;其次,结合GNSS定位信息将图像中引导水线特征中点转换到全局坐标系下,并根据图像所得到的全局定位信息进行模型预测控制器(MPC)轨迹跟踪设计;最后通过实车实验进行验证,本文所设计的小型无人驾驶划线车改造方案能够清晰识别引导水线特征,无人驾驶跟踪精度满足道路标线工艺要求。The road marking vehicle is a specialized apparatus for marking or delineating road boundaries, lanes, and parking lines, with the primary function of applying road markings to ensure clarity and neatness, thereby enhancing road safety and facilitating orderly vehicle movement. To address the issues of low construction efficiency and precision, as well as the difficulty for manual alignment of the guide waterline (hereafter referred to as the guide waterline) during traditional hand-push road marking operations, a solution for the driverless transformation of a small road marking vehicle has been designed. This system first utilizes image processing techniques to improve the Haar-like template for guide waterline feature recognition. Next, it integrates GNSS positioning information to transform the midpoint of the guide waterline features from the image into the global coordinate system. Based on the globally positioned information derived from the image, a model predictive controller (MPC) is designed for trajectory tracking. Finally, through real vehicle experiments, it is demonstrated that the intelligent modification solution for the small autonomous road marking vehicle can accurately recognize guide waterline features, and its unmanned tracking precision meets the requirements of road marking processes.

关键词： 黑土层划分   土壤剖面图像   颜色模型   机器学习   数字土壤形态学  

摘要： 【目的】传统的黑土层判定多依赖于野外剖面挖掘测定、室内理化指标数据分析和专家经验,工作量大、主观性强且周期长。本研究采用机器学习和数字图像处理技术,以期快速判定黑土层。【方法】利用中国土系调查数据集的土壤剖面图像信息,建立土壤颜色与理化性质之间的关系模型,并采用随机森林、支持向量机、梯度提升树3种机器学习分类器,进行黑土层和非黑土层的二值划分。【结果】3种分类器均可实现对黑土层的判别,其中随机森林的分类效果最好,平均精度为0.80,平均kappa系数为0.55;超红波段2R-G-B和La*b*、Lu*v*颜色模型中的a、b、u、v变量是区分黑土层样本和非黑土层样本的重要分类特征变量,而La*b*、Lu*v*颜色模型中的L变量,以及CIEXYZ颜色模型中的X、Y、Z几个变量对于分类的贡献度较低;相比于sRGB颜色模型,La*b*、Lu*v*颜色模型有更好的分类效果。【结论】本研究提出的基于土壤剖面图像的黑土层判别方法,能够有效辅助传统方法的判别,快速、精细化地识别黑土层,但对于土体构型复杂的土壤剖面仍需进一步研究。

关键词： 目标检测   超宽带定位   卷积神经网络   飞行时间   时间到达差   扩展卡尔曼滤波  

摘要： 作业工人和车辆是煤场安全管理的关键对象,实时获得高精度定位信息对避免安全事故具有十分重要的意义。研究基于超宽带与视觉融合的人员车辆检测与定位方法,根据封闭煤场的场景特点,提出了基于飞行时间-时间到达差混合定位的方法,实现煤场内携带标签目标的高精度定位;为解决因遮挡导致超宽带定位中断的问题,采用视觉位置估计辅助超宽带定位,提出了基于Trans-former和Yolov7融合目标检测识别方法,根据目标在图像中的位置变化,估计目标的位置坐标,采用扩展卡尔曼滤波方法实现融合定位。该方法在国能宁夏灵武发电厂煤场进行测试,通过收集煤场内作业场景数据图像,制作了作业人员与车辆数据集,目标检测模型的平均准确率指标mAP@0.5为0.925,模型在现场部署后的图片检测速度为30fps。检测模型的试验结果表明该模型对储煤场中的主要目标具有较高的检测精度和较快的检测速度,实时性达到了煤场应用落地的实际需求。对比试验结果表明,提出的目标检测模型在不牺牲处理帧率的情况下,mAP@0.5相比于原始CNN网络Yolov7提升了1.4%。煤场内定位精度范围为0.5~0.9m,定位刷新频率为10fps,有效地解决因遮挡导致的UWB定位中断问题。

关键词： 在轨服务   机器人抓取   目标检测   抓取检测   轻量化网络  

摘要： 以空间机器人为执行载体的在轨服务技术是实现航天器在轨维护、延长服役寿命的关键途径。该文面对空间机器人在轨计算硬件资源有限的问题,基于深度学习提出一种轻量级机器人抓取方法,实现对目标的精准抓取和操作,提升机器人在轨作业的自主性。首先构建YOLO-Light目标检测模型,该模型基于YOLOv8网络结构,引入半解耦的LightHead检测头以减少计算负担和参数量,设计C2f-MBConv模块降低参数量和计算量的同时保持检测精度,并通过剪枝实现对模型的进一步压缩。与YOLOv8n相比,YOLO-Light模型的参数量、计算量和模型大小分别减少70%、65.4%和66.7%,而mAP50指数仅下降0.06。进一步,基于生成残差卷积神经网络,设计了融合ECA注意力机制的抓取检测网络,在不引入过多额外参数的情况下,更精细地调整通道特征的权重,有效增强通道间的信息交互,使得网络在面对复杂环境时,仍能准确地识别目标姿态,最终以矩形抓取框作为输出,合理地表示目标的抓取姿态。训练结果表明:在IOU为0.25时,准确度达到93%。最后,利用基于Gazebo的机器人抓取仿真实验验证所提轻量级机器人抓取方法的有效性。

关键词： 卷积神经网络(CNN)   残差网络结构   图像处理   去模糊  

摘要： 本研究针对图像去模糊任务,提出了一种基于深度卷积神经网络的方法,并引入残差网络结构进行优化。首先,通过对深度卷积神经网络的研究;其次,引入残差网络结构,通过残差连接实现了网络的优化,有效缓解了深层网络训练中的梯度消失问题;最后,使用现实和动态场景的数据集(realistic and diverse scenes, REDS)对所提出的方法进行了验证。结果表明:与传统卷积神经网络(convolutional neural network, CNN)方法相比,引入残差网络结构的方法在峰值信噪比(peak signal-to-noise ratio, PSNR)和结构相似性(structural similarity, SSIM)指标上均取得了显著提升,表现出更好的图像去模糊效果。

关键词： YOLOv8算法   目标检测   枸杞  

摘要： 针对枸杞果实较小、遮挡严重等问题,提出一种改进YOLOv8算法对枸杞红果进行识别。引入Inner-IoU提升网络收敛速度;嵌入DAT模块,对提取到的冗余特征进行筛选;引入DBB模块来扩大感受野;增加一个更小尺寸的检测头提高检测精度。实验表明,改进后的YOLOv8算法的mAP达到90.2%。