关键词： 三七   复杂收获作业工况   目标检测   通道剪枝   Jetson Nano   YOLO v8s  

摘要： 为实现三七联合收获作业过程中的自适应分级输送和收获状态实时监测,本文针对三七根土复合体特征和复杂田间收获工况,提出一种基于YOLO v8s并适用于Jetson Nano端部署的三七目标检测方法。在YOLO v8s对三七准确识别的基础上,针对其新的模型结构特性,利用通道剪枝算法,制定相应剪枝策略,保证模型精度的同时提升实时检测性能。采用TensorRT推理加速框架将改进模型部署至Jetson Nano,实现了三七目标检测模型的灵活部署。试验结果表明,改进后的PN-YOLO v8s-Pruned模型在主机端的平均精度均值为93.71%,参数量、计算量、模型内存占用量分别为原始模型的39.75%、57.69%、40.25%,检测速度提升44.26%,与其他目标检测模型相比,本文改进模型在计算复杂度、检测精度和实时性方面具有更好的综合检测性能。在Jetson Nano端部署后,改进模型检测速度达18.9 f/s,较加速前提升2.7倍,较原始模型提升5.8 f/s。台架试验结果表明,4种输送分离收获作业工况下三七目标检测的平均精度均值达87%以上,不同输送分离收获作业工况和不同流量等级下的目标三七计数平均正确率分别达92.61%、91.76%。田间试验结果表明,三七目标检测平均精度均值达84%,计数平均正确率达88.11%,图像推理速度达31.0 f/s。模型检测性能和计数效果能够满足复杂田间收获工况下目标三七的检测需求,可为基于边缘计算设备的三七联合收获作业自适应分级输送系统和收获作业质量监测系统提供技术支撑。

关键词： 目标跟踪   孪生网路   外观特征   信息熵  

摘要： 目标跟踪通常只能使用视频第1帧的外观信息,在线学习目标的外观特征,并预测后续帧中该目标的位置和大小.然而,跟踪过程中目标外观时刻变化,仅通过第1帧并不能准确描述后续目标的外观.针对上述问题,提出一种基于并行多外观特征的孪生网络目标跟踪算法.首先,引入包含目标近期外观信息的动态模板帧,同时提出3种方法:多外观特征、并行外观特征、并行多外观特征,利用动态模板帧进行目标跟踪.与简单地使用动态模板帧替换初始模板帧不同,所提出的方法可解决由动态模板帧中目标容易漂移导致的跟踪算法性能下降的问题.其次引入评价模块,使用基于信息熵的评价方法或基于IOU-Net的评价方法,对得到的多个预测结果分别进行打分,选择得分最高的预测结果作为最终的预测结果.最后提出更新模块,对评价模块得到的得分进行分析,当得分满足更新模块设立的更新条件时,用最终的预测结果更新动态模板帧,使用新的外观信息指导下一帧跟踪.实验结果显示,该算法在GOT-10k、OTB100等标准数据集上取得较好效果,验证了所提算法的有效性.

关键词： YOLOv5s   注意力机制   Efficient-RepGFPN   SimAM注意力机制   轻量级卷积  

摘要： 针对无序密集放置的多尺度零件识别难度大等问题,提出一种基于改进YOLOv5s的轻量化零件目标检测算法。在Backbone网络C3模块添加CA注意力机制,提高目标特征提取能力;引入了damo-yolo的Efficient-RepGFPN结构代替原有的Neck层,以减轻模型的复杂度;引入SimAM注意力机制,提高卷积网络的表征能力;为加快计算速度,降低运算成本,用轻量级卷积GSConv代替Neck结构中的标准卷积;采用FocalEIOU替换YOLOv5算法中的CIOU对模型识别性能进行优化。实验结果表明,在自制零件数据集上,改进算法的mAP@0.5达到99.4%,检测速度仅需5.7 ms,FPS达到175帧/s,且计算量和参数量都大幅度降低,模型大小仅有原来的32%,易于移动端部署,在零件检测精度、检测速度等方面均优于原有YOLOv5s,满足视觉引导下对零件精准识别。

关键词： 目标检测   YOLO   SSD   Faster R-CNN   视频监控   算法优化  

摘要： 随着视频监控系统的复杂性增加,海量、实时且准确的视频监控目标检测变得至关重要。现有的视频目标检测算法如YOLO、SSD和Faster R-CNN各有优劣,且对于海量视频进行目标检测,单一算法均难以满足不同的视频检测需求。鉴于此针对视频目标检测,提出了一种混合的目标检测算法,该算法结合了YOLO的快速检测能力、SSD的多尺度处理优势以及Faster R-CNN的高精度特点,旨在优化视频监控的性能。通过在合成数据集和真实世界数据集上的实验验证,该混合算法在速度和准确性上均展现出显著改进,特别是在处理小目标和高密度交通场景时的表现良好。

关键词： 小目标检测   主干网络   上下文   特征交互  

摘要： 无人机航拍图像内,小目标像素少、细节模糊且特征易丢失,现有算法对小目标检测效果不够理想。为此,提出一种基于上下文与特征交互的小目标检测算法。首先,采用ConvNeXt新一代卷积网络以增强特征表达能力;其次,设计稠密式信息增强模块(Dense Information Enhancement Module,DIEM)提取上下文信息;最后,提出特征交互单元(Feature Interaction Unit,FIU)促进浅层和深层特征的信息交互。检测结果显示,模型精度mAP50达到45.9%,相较于基线提升了6.0%,减少了错检漏检现象。

关键词： 红外船舶   目标检测跟踪   PP-YOLOE   任务对齐学习   ByteTrack  

摘要： 针于无人机侦察采集到的红外影像,如何快速准确地检测到船舶目标,并进行连续跟踪,提出了一种基于改进PP-YOLOE和ByteTrack算法的红外船舶目标检测跟踪方法。对红外船舶目标检测过程中存在的多尺度、小目标、有遮挡的情况,在PP-YOLOE算法基础上,通过采用任务对齐学习(task alignment learning,TAL)、增加多采样路径、加强检测头的方式进行了相应的改进;对跟踪过程中通常存在遮挡容易导致跟踪丢失的情况,在ByteTrack算法基础上,通过将卡尔曼滤波与匈牙利算法相结合、增加ReID特征计算外观相似度的方法进行了一定的强化。实验结果表明,所提方法检测精度较高,跟踪效果较好,能够满足现实任务的需要。

关键词： 智能视频监控   深度学习   安防   目标检测   行为分析   异常预警  

摘要： 针对传统视频监控系统在环境适应性、目标多样性识别及遮挡处理方面的不足,本研究设计了一种基于深度学习的智能视频监控系统。该系统通过自适应视频采集、改进的级联区域卷积神经网络(region-based convolutional neural network,R-CNN)目标检测、基于图卷积网络和长短期记忆网络的时空行为理解等关键技术,有效提升了监控系统的环境适应性、检测精度和智能分析能力。实验结果表明:该系统在目标检测、行为识别、异常预警等方面均优于传统方法,为智慧安防应用提供了新的思路和方案。

关键词： 运动姿态识别   目标检测   自适应跑步机   回归分析  

摘要： 阐述一种可以用于检测用户实时速度变化及运动姿态变化的运动姿态图像识别计算算法。通过摄像头对目标关键信息进行特征提取,结合惯性传感数据进行数据交叉。采用帧差和校准计算的特征提取方法,并对处理过的数据进行归一化和回归分析,最终给出用户未来可能的运动方向及姿态,对运动结果进行预判分析。

关键词： 纯方位多目标跟踪   多传感器   势平衡多伯努利滤波   伪线性卡尔曼滤波   贪婪算法  

摘要： 被动传感器不主动发射信号,通常仅获得目标的角度量测信息,无法获得径向距离信息,这种仅利用角度量测信息对多目标跟踪的方法称为纯方位多目标跟踪。实际应用中,纯方位多目标跟踪面临三个主要问题:一是由于被动传感器只获取目标的角度量测,导致量测信息不完备;二是量测方程存在高度非线性;三是由于传感器可能接收到杂波等非目标产生的量测,导致量测源不确定。针对上述问题,本文提出一种多传感器贪婪伪线性粒子势平衡多伯努利滤波。首先采用Rao-Blackwell理论将混合目标状态向量分解,将与量测值相关的位置分量视为非线性分量,而与量测值无关的速度分量视为线性分量,并分别采用粒子滤波器(Particle Filter,PF)和卡尔曼滤波器(Kalman Filter,KF)进行处理,从而有效降低粒子滤波采样维度。其次,针对传统粒子采样严重依赖模型的问题,基于伪线性卡尔曼滤波器(Pseudo-linear Kalman Filter,PLKF)设计一种新型粒子采样方法,即利用PLKF和最新量测信息构造重要性密度函数,并对非线性分量进行粒子采样;在更新阶段采用贪婪量测划分策略选取最优量测集合,并利用最优量测集合中量测信息实现多目标状态集中式融合估计。最后,通过仿真结果验证,本文所提滤波器能在杂波环境中仅利用角度量测对目标进行有效稳定的跟踪,相较于对比方法,所提滤波器能够更为准确估计目标数量和状态。

关键词： 无人机   孪生网络   轻量化网络   注意力机制   自适应加权   特征融合   视觉跟踪  

摘要： 针对传统的目标跟踪算法在无人机场景下的计算量大、实时性差等问题,提出一种基于孪生网络融合Transformer的轻量化算法(SiamTMA)。通过在孪生网络目标跟踪方法上融合Transformer编解码器模块和自适应加权融合算法,帮助模型更好地建模目标的运动轨迹,提高目标跟踪的准确率和鲁棒性;引入轻量化的主干网络MobileNetV2,使算法在保持较高的准确性同时可以在计算资源有限的无人机设备上运行。在目标跟踪标准数据集OTB100、UAV123及VOT2018上进行对比实验评估,结果表明,与传统的目标跟踪算法相比,SiamTMA在无人机场景中展现出更优越的性能。