关键词： 深度学习   桑叶成熟度   图像处理   特征提取   智能识别  

摘要： 准确识别桑叶成熟度对养蚕及桑叶附属品加工具有重要意义。本研究提出了一种基于深度学习的桑叶成熟度智能识别方法。利用VGG(Visual Geometry Group)网络模型提取桑叶图像特征;利用改进的Otsu(最大类间方差法)阈值分割算法提取桑叶图中桑果和绿叶区域;对桑叶图中的桑叶区域进行颜色阈值分割;结合颜色和形状特征对桑叶图进行分类,实现桑叶成熟度识别。结果表明,研究对不同桑树品种的桑叶图均能进行识别,准确率达到90%以上,相比传统方法识别速度快、精度高。

关键词： 宏观与精细指标   组合权重   数据关联   软硬决策  

摘要： 针对目前雷达多目标跟踪的评估指标单一化、只能对特定类型关联算法进行评估和单一权重计算导致评估偏差等问题,本文提出了基于宏观和精细的多维度指标体系并结合主客观组合权重,构建雷达多目标跟踪评估模型。首先,分别从多目标跟踪的航迹整体维度与航迹中点迹的精细变化角度入手,提出宏观与精细两类指标对目标跟踪结果进行多维度的分析;然后,针对不同的数据关联方式采用软硬两种决策来对目标与实际航迹进行匹配并计算各指标值;最后,分别通过G1序列法和CRITIC法计算指标的主客观权重,再通过最小二乘法将主客观权重融合为组合权重,将其代入优化模型得到最终的多目标跟踪评估结果。实验结果表明,该模型可以在稀疏、密集等多目标复杂运动场景下对多目标跟踪做出灵活全面的评估。

关键词： 雷达目标识别   图像处理   SAR舰船检测   小波变换   小波阈值   快速非局部均值滤波   双向特征金字塔网络(Bi-FPN)   YOLOv7  

摘要： [目的]针对高分辨率合成孔径雷达(SAR)舰船目标多场景、多尺度、密集排布的显著特征,以及成像过程中相干噪声导致目标边缘细节模糊的问题,提出一种融合小波阈值和快速非局部均值滤波(F-NLM)去噪的高分辨率SAR舰船检测方法。[方法]首先,利用小波阈值与F-NLM融合去噪模块预处理SAR图像,来降低海杂波噪声及增强检测目标细节特征和边缘信息,使提取的特征更具判别性。然后,选用YOLOv7检测算法结合双向特征金字塔网络来对多尺度特征有效聚合,以进一步提高模型准确率。[结果]实验结果显示,使用去噪数据集D-SSDD得到的检测平均准确度可达98.69%,虚警率降低至2.37%。[结论]研究表明,所提方法不仅能均匀背景杂波以提高图像质量,还能提高多尺度特征信息的交互性,保证目标检测精度和准确度。

关键词： 智能社区监控   深度学习   目标检测   图像识别   大数据分析  

摘要： 智慧社区监控系统是当前社区安全管理的重要组成部分。本文旨在研究智能社区监控系统中的关键算法,并结合实际案例对其应用进行探讨。本研究采用了YOLOV8目标检测网络模型、RFDN图像超分辨率重建网络模型和Hyperlpr创新车牌识别算法,实现了对社区内异常情况的实时监测和识别,进一步提高了系统的应用价值。此外,本文还对系统中的大数据分析技术进行了探讨,实现了多维度的数据分析和管理。本研究成果对于提高社区安全性、优化社区管理、降低社区成本具有重要意义。

关键词： 目标跟踪   光流估计   注意力机制   运动信息  

摘要： 目前,大多数跟踪器都聚焦于构建目标的外观特征模型,不考虑动态目标的运动信息,而基于学习的光流估计方法在描述外观特征的同时可估计动态目标位移的运动信息。因此,将Transformer与光流估计相结合,提出紧凑型特征编码器,在全局上下文信息之间通过自注意力机制建立相关性,强化区域特征。此外,提出交叉型解码器进行流回归,将迭代细化和交叉注意力机制相结合,去除了大量的细化步骤,提高处理速度,通过上采样器实现无人机视角下的高特征分辨率光流估计。实验结果表明:所提方法在精确度和鲁棒性方面具有优越性。

关键词： 计算机视觉   行为识别   目标检测   深度学习  

摘要： 学生的课堂行为可以直接反映出学生的学习效果,利用深度学习的方法检测学生课堂行为可以更有效地分析课堂行为以及提高教学效率。提出一种基于YOLOv8模型的识别方法,通过添加BiFormer模块,增强模型对小目标的特征感知,提高其在复杂环境下的行为检测能力,然后将模型的原上采样模块替换为CARAFE,减少上采样过程中的信息丢失,提高模型的检测精度。通过实验,此方法对课堂常见的行为识别的mAP@50达到93.1%,相较于YOLOv8提升了1.5个百分点,能够更加有效地识别课堂行为。

关键词： Exemplar Transformer   目标跟踪   特征增强   外观变化  

摘要： 近年来目标跟踪在学术研究和实际应用中具有巨大潜力,受到越来越多的关注并成为计算机视觉的热点研究方向。针对现有的目标跟踪算法在光照变化、遮挡和快速运动复杂背景条件下跟踪精度较低这一问题,提出一种结合多注意力机制的Transformer跟踪算法——TrKYS。引入多注意力模块捕捉目标在空间和通道维度中的特征,实现对目标特征上下文依赖关系的建模;通过多个不同空洞率的平行空洞卷积对特征图进行采样,以获得图像的多尺度特征,增强局部特征表达能力;构建Exemplar Transformer模块,利用模板化的空间信息和目标特征建立了外观跟踪模型。为了适应外观变化,该跟踪算法在连续帧中跟踪目标物体时会实时更新跟踪模板特征向量、运动参数和空间信息,提高跟踪定位的精度。在LaSOT、VOT2018、NFS、OTB-2015、TrackingNet和GOT-10k数据集上实验结果表明,与其他主流目标跟踪算法相比,所提算法具有更好的跟踪性能,特别是在TrackingNet上的跟踪算法(TrKYS)相对于基准跟踪算法(KYS)成功率提高了3个百分点。

关键词： 机器视觉   目标检测   辅助标记法   滚转速度  

摘要： 针对使用高速相机对目标进行跟踪拍摄时出现的“运动模糊”以及受相机视场影响使得拍摄范围较小两个问题,提出一种基于振镜系统的高速飞行目标滚转速度测量方法.该方法利用帧差法原理完善螺旋线辅助标记法,对目标进一步标记计算.实验结果表明,该方法对场地要求低,设备搭建简单,具有成本低、鲁棒性好等优点,在较为简单的条件下依然能很好地完成目标滚转速度的测量.滚转速度测量实验平均相对误差为0.63%,小于1%的精度指标,表明该方法是可行的,精确的.

关键词： 目标检测   双路径主干   池化注意力   全局特征融合颈部网络   Ghost检测头  

摘要： 常规单路径架构主干经过积极的下采样,往往导致特征信息的丢失。同时,仅依靠特征金字塔简单地相加或拼接不利于浅层到深层的特征集成。针对上述问题,提出一种并行双路径主干下全局特征融合的目标检测算法。采用双路径架构主干并行地提取空间与语义信息,并通过双路径融合模块,促进特征信息间的相互补充。顶部特征依次与金字塔池化多尺度池映射相加,利用注意力机制将多尺度池化特征聚集其中,进一步提高多尺度的检测性能。聚集全局尺度信息,利用自注意机制将其融入不同层特征,并重复多次以构建全局特征融合的颈部网络结构,有效提升颈部网络融合全局上下文信息的能力。头部采用Ghost Conv并结合通道混洗操作,维持模型性能的同时减少参数冗余。在KITTI、BDD100K和PASCAL VOC数据集上展开实验,所提算法的平均精度值相较于基线模型(YOLOv7-tiny)分别提高了3.5、3.4和2.7个百分点。实验结果表明,提出的算法提升了复杂场景下的检测性能,而且对算力等资源的要求较低。

关键词： YOLOv4-tiny   递归特征金字塔   目标检测   特征融合  

摘要： 无人机作为一种新兴的信息与物质传输工具,具有极高研究价值.受限于无人机硬件条件,嵌入无人机的目标检测算法需要轻量化的模型.在无人机目标检测中,往往存在目标尺度变化大,图像存在相移和目标遮挡的问题,导致检测精度降低.针对无人机目标检测精度低的问题,该文提出了一种基于YOLOv4-tiny的改进算法.该改进算法基于YOLOv4-tiny算法模型,融合了递归特征金字塔以加强特征语义表达,设计了可融合深层特征与浅层特征的特征转换和特征融合模块以增强算法性能,提升算法精确度.经Visdrone数据集训练、测试,mAP值达到了0.146,算法精确度优于其他同级轻量化算法.