关键词： 目标检测   主动学习   不确定度   对抗网络  

摘要： 基于主动学习的目标检测通常使用更少的标注数据来提高目标检测模型的性能,即学习者可以从大量未标注样本中选取有价值的样本进行人工标注,并通过迭代训练来优化模型。然而,现有基于主动学习的目标检测方法仍然无法有效平衡样本不确定性和多样性,且查询样本冗余度高。为了解决这一问题,提出一种不确定度引导的对抗主动学习目标检测方法。首先,引入损失预测模块评估未标注样本的不确定度,并利用不确定度引导对抗网络训练,构建具有不确定性和多样性的查询样本集;其次,基于特征相似度评估样本差异性,降低查询样本的冗余度;最后,采用多种目标检测框架在MS COCO数据集与Pascal VOC数据集上进行实验,所提方法能在较少标注下有效提升目标检测精度。

关键词： 配电线路异物检测   小样本目标检测   迁移学习   注意力机制   异物检测  

摘要： 为了解决小样本目标检测算法中网络倾斜现象,小样本数据误检、漏检等问题,提出一种基于小样本目标检测的配电线路异物识别方法。首先,通过在迁移训练中引入注意力机制,解决网络倾斜现象。其次,提出在线难度样本选择的方法,解决小样本分类以及小尺寸异物误检和漏检问题。再次,采用内卷积解决传统卷积问题,提高异物检测精度。再次,提出新的锚框方案,解决小尺寸异物目标定位不准问题。最后,构建一个配电线路异物数据集。该方法相较于之前先进算法在配电线路异物检测数据集上检测精度提高了4.4%,达到98.6%,具有优异性能。

关键词： 深度学习   目标检测   量化   YOLOv3-Tiny   FPGA  

摘要： 随着神经网络技术的发展,深度学习在目标检测领域取得了非常好的性能和应用效果,但深度学习算法的边缘部署一直是一个挑战。为了克服这一挑战,设计了一种基于YOLOv3-Tiny网络的实时目标检测硬件加速器,旨在实现高效准确的目标识别和跟踪,并满足边缘计算对性能和功耗的要求。为了减少FPGA在浮点运算上的开销,将神经网络的浮点数量化成了定点数进行计算;同时使用了DSP乘法优化、深度可配置的行缓冲机制,流水与并行划分等一系列的策略来提高性能。在口罩识别与运动跟踪以及COCO数据集的基准测试中,该文的加速器功能得以实现,有效算力为107.5 GOPs,帧率可达27.6 fps。

关键词： 农业病虫害   目标检测   轻量级模型   注意力机制  

摘要： 针对模型对复杂场景下农作物病虫害的识别精度低、模型参数量大的问题,本研究对轻量级YOLOv5n模型进行改进。首先,在YOLOv5n模型的骨干网络中加入坐标注意力模块,使模型关注检测目标及其位置,减少复杂背景对模型的影响。其次,引入加权的双向特征融合金字塔网络(BiFPN),减少小目标信息丢失,提高了模型的特征学习能力。最后,用损失函数SIoU代替损失函数CIoU,在不改变模型参数量的情况下,提升了目标检测精度。在无人机采集到的玉米病虫害数据集上,本研究提出的AgriPest-YOLOv5n模型的mAP@0.50达81.32%,在Jetson Xavier开发板上检测速度达到77 FPS,模型大小为1.63 MB。改进后的YOLOv5n模型能够满足轻量化的要求,能够实时、准确地识别复杂背景下的农作物病虫害,本研究结果可为病虫害精准防治提供技术支持。

关键词： 深度神经网络   有限状态机   智能管控   电缆附件安装   工艺识别   视频分析   YOLOv8   目标检测  

摘要： 文章提出了一种基于深度学习和有限状态机的智能化电缆安装管控方法。通过识别处理电缆附件安装视频,该方法能够记录工序时长并判断工艺是否达标。建立基于电缆附件安装视频的数据集,构建基于YOLOv8的目标检测深度神经网络模型学习电缆附件特征。定义有限状态机模型记录安装时间和过程,并利用深度神经网络检测结果确定当前状态以管理安装工艺。比较工序状态转变时间与标准时间以判断达标情况。试验结果表明,该方法能够快速准确地识别电缆附件安装过程,并有效判断工艺是否达标。该方法可用于提高电缆安装效率和质量,并为智能电缆安装系统提供技术支撑。

关键词： 车牌号识别   目标检测   YOLOv5  

摘要： 当前车牌定位与识别技术在面对不同视角和周围复杂背景环境的挑战时,在实际应用中遇到了一些瓶颈,导致识别检测的结果精度和效率不高。为此,需要寻找更为先进和有效的方法来解决车牌识别问题。本文基于计算机视觉的车牌号识别技术,采用了基于YOLOv5s的识别定位算法,并结合CBAM(Convolutional Block Attention Module)注意力机制,以更加聚焦和精准的方式识别和定位车辆及其牌照;采用了调整学习率、引入正则化方法,以及使用数据增强技术等一系列训练和优化策略,构建了一种基于LPRNet的车牌字符识别算法模型,设计基于计算机视觉的车牌号识别系统。实验结果表明,该系统能够适应不同的街景环境和光线条件等复杂环境,在识别精度和泛化能力上都有较好的识别效果。

关键词： 隧道工程   烟雾检测   火灾试验   目标检测   YOLOv5s  

摘要： 隧道火灾快速感知可为隧道运营安全提供重要保障,并为隧道应急处置提供关键性决策信息。然而,现有的视频图像火灾烟雾检测方法在公路隧道复杂环境下存在准确性和时效性问题,并且缺乏基础视频图像数据。为此,通过开展实体公路隧道火灾试验,创建高清视频图像数据集,以真实隧道场景下模拟的火灾烟雾视频图像为研究对象,提出一种基于改进YOLOv5s的智能检测算法。在模型中,使用增强后的Mosaic方法对训练数据进行增强处理;引入Transformer Encoder模块增强网络全局特征提取的能力,改善较小烟雾目标特征提取较为困难的状况,以提升网络性能;利用最新的轻量级卷积方法GSConv替换掉部分卷积模块Conv,减少网络参数的同时保持网络性能,达到压缩网络目的;添加轻量级高效通道注意力模块ECA,通过局部跨通道交互策略缓解监控摄像机距目标较远与火灾初期烟雾漏检问题,在少参数量增加的情况下进一步提升网络性能;采用CIoU损失函数与SiLU激活函数的组合使网络更快得到收敛。为验证所提算法的有效性,选用YOLOv3、YOLOv3-efficientnet、YOLOv5s、YOLOX、YOLOv7、YOLOv7-tiny、SSD七种目标检测算法进行对比分析。结果表明:在自建的公路隧道火灾烟雾数据集上,所提算法的检测精确度达到97.27%,mAP@0.5为97.85%。尽管在原网络基础上提升的幅度仅为1.83%和1.13%,但相较于其他7种对比算法,所提算法对远距离和火灾初期的小尺寸烟雾目标有更好的检测效果,明显改善了漏检情况。此外,算法的检测速度为86.2帧·s~(-1),能够满足隧道火灾检测的时效性要求,同时利用重庆真武山隧道火灾视频验证了算法的可靠性,研究结果可为实现隧道复杂环境下的火灾快速感知提供技术支持。

关键词： 文物保护   计算机视觉   三维重建   COLMAP   神经辐射场  

摘要： 针对文物建筑保护面临的三维重建挑战,文章研究开发了一种名为FS-NeRF的新模型。基于F2-NeRF模型,结合S3IM技术,通过神经辐射场(NeRF)实现高效的三维重建。利用手机影像数据,采用运动恢复结构(SfM)方法进行预处理,并引入透视扭曲和自适应空间划分技术,提高了模型的重建速度和质量。在对云南石钟山石窟数据集的实验中,FS-NeRF在训练效率、PSNR、SSIM和LPIPS等评估指标上表现出色,并在LLFF数据集中展示了其良好的泛化能力。研究表明,方法不仅提升了文物建筑重建的效率和质量,还为数字化保护和虚拟展示提供了新的解决方案。

关键词： 图像处理   目标识别   数据传输   路径规划   虫害检测  

摘要： 针对传统的人工农田巡视方式效率低下、工作环境差、及时发现虫害难度大等问题。本设计模拟田间环境,基于机器视觉、人工智能等技术,搭建了一体化的虫害通信检测系统。使用全向麦轮圆形小车作为系统的搭载底盘,以适应各种户外场景,全方向应用,能够灵活采集各种图像数据,同时通过无线网卡进行WiFi数据传输,将其转发给搭建的上位机,实现云端巡视。本设计主要通过路径规划智能车行驶路径,在垄间巡视虫害、搭载摄像头实现巡拍垄间场景,实现环境与作物影像数据的自动化采集,同时开发农业数字化智能决策平台,接收智能车传来的视频并再现垄间场景进行分析、识别是否有虫害。该设计利用数字技术和数据分析方法来监测和管理田间虫害情况,可以通过收集和分析大量的数据,提供实时的虫害监测结果,帮助农民和农业专家迅速发现和应对农作物虫害的问题,具有良好的社会效益和应用可行性。

关键词： 深度学习   目标检测   YOLO   注意力机制   结构重参数化  

摘要： 水下目标检测广泛应用于水下勘探、水下生物监测等领域.水下生物的自身习性导致目标之间存在相互遮挡的问题,水体对光线的吸收与散射导致水下图像存在颜色偏移与模糊.针对上述问题,本文提出LKCA-YOLOv5水下目标检测算法.首先,设计空间融合(S2F)模块,增强对空间维度信息的关注,提高对遮挡目标的检测能力.其次,设计大核卷积注意力特征提取模块,增强对模糊及颜色偏移水下图像的特征提取能力.最后,重参数化LKCA-YOLOv5的跨尺度特征融合单元(CFFU),优化模型检测速度.实验结果表明,LKCA-YOLOv5算法在RUOD数据集和URPC数据集上的检测精度分别达到72.1%和87.3%,检测速度分别达到48FPS和33FPS,相比前沿水下目标检测算法,LKCA-YOLOv5在具有较高检测精度的同时具有更快的检测速度,更加适用于水下目标检测任务.