关键词： 目标检测   红外图像处理   多特征融合   深度学习   全卷积回归  

摘要： 针对基于数学建模的红外气体检测方法无法解决气体逸散过程中虚景干扰的问题,提出一种基于全卷积回归和分类的甲烷气体检测方法。首先输入红外源图像,经过定向梯度特征图(Histogram of Oriented Gradient,HOG)提取模块,同时经过并行的ResNet18特征提取模块;其次将ResNet18特征与HOG特征融合;融合特征经过输出网络中的分类、回归模块,在分类模块中加入中心度偏差回归减少远离目标中心的稀薄气体、虚警产生的低质量边界框,进而提高网络模型的稳定性;最终分类模块提供的分类特征图、中心度偏差特征以及回归模块提供的边界框回归特征图经过边界框回归模块计算出最终的预测边界框。实验结果显示,检测准确率和重叠率分别可达到64.38%和51.38%,相比其它气体检测方法分别提升了20%~40%、10%~25%。表明本文方法可更为准确检测甲烷气体泄漏位置。

关键词： 条形码定位   图像处理   深度学习  

摘要： 随着物联网的发展,条形码技术在商业、医疗、运输和制造等领域都有不可或缺的作用。为了确保自动识别系统能够快速准确地读取条码信息,准确实时的条码定位算法是关键所在。首先着重介绍了条码定位算法研究:主要分为基于传统图像处理的条形码定位方法和基于深度学习的条形码定位方法。传统图像处理方法通常包括图像预处理、边缘检测和模式匹配等步骤。这些方法在处理简单场景的条码定位时表现良好。深度学习方法通过构建卷积神经网络(CNN)等模型,实现了对图像特征的自动学习和提取,具有更好的适应性和泛化能力,其次详细介绍了条形码算法所用到的数据集,并且简单介绍条形码的发展和和评价指标,最后进行总结和展望。With the development of the Internet of Things (IoT), barcode technology plays an indispensable role in various fields including commerce, healthcare, transportation, and manufacturing. To ensure that automatic identification systems can quickly and accurately read barcode information, accurate and real-time barcode localization algorithms are crucial. This paper first provides an overview of barcode localization algorithm research, which is primarily divided into traditional image processing-based methods and deep learning-based methods. Traditional image processing methods typically include image preprocessing, edge detection, and pattern matching. These methods perform well for barcode localization in simple scenarios. Deep learning methods, through the construction of models such as Convolutional Neural Networks (CNNs), achieve automatic learning and extraction of image features, offering better adaptability and generalization capabilities. Furthermore, this paper details the datasets used in barcode algorithms, briefly introduces the development of barcodes and evaluation metrics, and concludes with a summary and outlook.

关键词： 多目标跟踪   数据关联   遗漏现象   单目标跟踪器   重匹配  

摘要： 数据关联是多目标跟踪(Multiple object tracking, MOT)中的重要步骤,一般需要根据特征相似性实现目标和检测物体之间的身份匹配。部分目标或检测物体可能在匹配结束后仍处于孤立状态,可能导致轨迹中断或身份错乱的遗漏现象。为改善MOT的精度和稳定性,抑制数据关联中的遗漏现象,提出了一种基于高性能单目标跟踪器(Single object tracker, SOT)和重匹配的防遗漏机制。该机制运用Transformer和扩散模型,设计了一款契合MOT需求的SOT用于追踪遗漏目标,并通过记忆目标信息对遗漏检测物体实施重匹配。通过消融实验验证了SOT和重匹配方法在防遗漏机制中的作用,并在标准数据集上测试了该机制对MOT算法跟踪性能的影响。结果表明,各算法加入该机制后性能获得全面改善,该机制可有效抑制MOT中的遗漏现象。

关键词： 目标检测   野外监控传感网   运动小目标   双帧融合   时空注意力  

摘要： 由于野外监控传感系统中背景干扰较多、小目标像素点较少以及缺乏相关公开数据集等因素,在野外复杂环境中检测运动小目标仍然是国防军事应用中一个具有挑战性的问题。针对这一问题,提出一种基于YOLOv5改进的双帧融合目标检测网络(YOLO-DFNet)。首先,提出双帧融合模块用来处理骨干网络输出的相邻帧特征,通过计算通道及时间维度的注意力和空间注意力,提取运动特征;其次,在颈部网络与检测头之间设计一个时间梯形融合网络,关注不同大小感受野上的运动目标,改善大位移小目标的检测效果。在野外运动小目标数据集FMSOD上的实验结果表明:YOLO-DFNet在不同IoU上的平均精度比YOLOv5算法提高3.9个百分点,同时也优于TPH-YOLOv5、YOLOv7等其他目标检测网络。

关键词： 深度学习   YOLOv7   目标检测   裂隙识别  

摘要： 传统的裂隙检测方法存在人力、时间消耗大以及准确性不高等问题,因此提出了基于深度学习的裂隙检测方法。通过构建和训练YOLOv7深度神经网络模型,并利用大量的煤样图像数据,实现了对煤样中裂隙的自动化识别。试验结果表明,所采用的YOLOv7模型在裂隙检测方面取得了较高的准确性和鲁棒性,具有很好的应用前景。研究成果有望为煤矿行业提供一种高效、精确的裂隙检测解决方案,为煤炭生产的安全管理和质量评估提供有力支持。

关键词： 距离选通图像   深度学习   目标检测  

摘要： 由于距离选通图像缺少颜色特征信息导致检测率低、距离信息特征提取能力较弱等问题,因此,提出了一种基于改进YOLOv8s网络的距离选通图像检测方法。首先,提出自适应选通特征融合模块,对距离选通图像和其深度信息进行特征级融合,获取高级语义信息;其次,采用基于多尺度的深度可分离卷积模块构成的空间注意力模块,对每个特征层进行加权运算,以获得更多的关键特征;最后,改进了Neck部分PAN结构,提高了网络的目标检测能力。在距离选通图像数据集上进行了实验,实验结果表明该方法能有效地提升检测精度,并具有实际应用价值。

关键词： 机器视觉   透视变换   平面单应性变换   图像处理   位姿估计  

摘要： 为提高三维激光投影系统现场使用的灵活性和快速性,提出了一种基于对象空间采样的三维激光投影系统校准方法。该方法直接将待投影对象上的一点经过透视变换映射到单目相机的像素平面,再利用待投影对象空间采样所获取到的相机像素平面与振镜数字量平面之间的单应性矩阵,得到该点所对应的数字量控制信号。通过拍摄两张图像便可实现整个三维激光投影系统的校准。试验结果表明,利用该方法,投影系统校准时间小于5 min,在3 m范围内投影定位误差小于±0.4 mm,满足工业场景的应用需求。同时,该方法对于大型待投影对象中多台振镜的协同工作有重要意义。

关键词： Attention机制   路况分析   目标检测   碰撞预警  

摘要： 随着汽车保有量的增加,智能交通中路况分析技术变得日益重要。它广泛应用于目标检测、自动驾驶和汽车碰撞危险预警等领域,具有显著的研究意义。文章基于Python语言,提出了一种结合YOLOv5s和Attention机制的改进模型,实现了路况检测与车流量分析,能广泛用于汽车碰撞危险等级预警的场景,结合对乘员坐姿的智能识别,可以为乘员提供更恰当的保护。系统支持用户上传图像,利用改进模型对车辆进行识别并统计车流量,实现对路况的分析。实验采用近8万张图片的数据集,其中80%用于训练,20%用于测试。结果表明,改进后的模型在目标检测性能上有明显提升,准确度和效率优于基础模型,在预警汽车碰撞等领域具有一定的实际意义。

关键词： 机器视觉   YOLOv8n   目标检测   葡萄   CBAM   深度相机  

摘要： [目的/意义]为了提高葡萄采摘效率、做到葡萄采摘自动化,提出了3C-YOLOv8n目标检测模型,与RealSense D415深度相机结合,对葡萄进行识别和定位。[方法]首先对YOLOv8n主干网络进行改进,将卷积块注意力模块(Convolutional Block Attention Module,CBAM)与原本的网络结构融合,使模块全面捕获特征中的关键信息。再嵌入坐标注意力(Coordinate Attention,CA),既可以对一个通道的特征进行全面捕获,又可以对不同方向的特征进行敏锐感知。然后,在YOLOv8n颈部将最近邻插值上采样算法替换为内容感知特征重组算法(Contentaware ReAssembly of Features,CARAFE),弥补YOLOv8n的原始上采样模块没有利用特征图语义信息的缺点,增大了感受野。最后转换相机坐标系,将目标葡萄的二维平面坐标和距离深度相机的垂直距离结合,得到目标葡萄的世界坐标,实现葡萄的识别和定位。[结果和讨论]经过对比试验和消融试验,3C-YOLOv8n模型在并交比为0.5(IOU=0.5)的平均精度均值(Mean Average Precision,mAP)达到94.3%,高于YOLOv8n模型1%,准确率(Preci⁃sion,P)和召回率(Recall,R)分别为91.6%和86.4%,3种改进策略的结合使损失初始值降低,曲线收敛更快。与其他主流YOLO系列算法对比,3C-YOLOv8n各个评价指标都有所提升,且漏检率、错检率为所有算法中最低,在实际检测中具有很大的优势。[结论]基于3C-YOLOv8n网络模型和RealSense D415深度相机,对葡萄进行精准识别和定位,为采摘自动化提供了技术手段。

关键词： 图像处理   合成孔径雷达   深度学习   目标检测  

摘要： 针对合成孔径雷达(synthetic aperture radar,SAR)图像中的3个通道数据均相同、以至于在使用基于深度学习的目标检测网络对其进行目标检测时会造成通道信息利用效率低下的问题,基于对SAR图像中各种目标物轮廓特点的研究,提出一种基于平滑和锐化滤波的通道扩展预处理算法模块,并将其命名为ORLM(Original,Roberts,Laplace,Mean)模块。所提算法可被封装、集成并应用于目标检测算法的数据读取程序,可将每个通道数据均相同的SAR图像进行通道扩展,并且保证扩展后的通道数据充分包含目标的全部轮廓信息。通过将有否搭配本预处理算法的目标检测网络在不同舰船目标检测数据集上进行训练、测试及对比实验,实验结果表明,所提预处理算法可被应用在各种目标检测算法中,起到提升检测准确性的作用,且不会明显降低检测实时性。