关键词： 智能车   目标检测   目标跟踪   传感器融合   实例分割   透视投影  

摘要： 针对智能车的环境感知任务,为了结合相机图像中丰富的语义信息与激光雷达点云中准确的位置信息,提出一种基于图像和点云实例匹配的融合检测方法。通过实例分割网络预测图像中目标的实例掩膜,通过透视投影变换将点云投影至图像平面,根据每个目标的实例掩膜提取属于该目标的点云,然后利用聚类算法去除点云中的噪声,并利用凸包轮廓逼近算法拟合点云的三维轮廓,实现对目标的融合检测。在所提出的融合检测方法的基础上,设计跟踪门实现多目标的数据关联与管理,基于卡尔曼滤波对目标进行跟踪并估计各目标的运动状态。试验结果表明,该方法能够有效地对图像数据和点云数据进行信息融合,从而准确快速地对目标的位置、尺寸、方向角进行拟合并对目标的速度进行估计,且在不同试验场景中表现出鲁棒性。

关键词： 稻种分类   稻种识别   机器学习   深度学习   图像处理   特征提取  

摘要： 通过概述图像采集的2种方式,即RGB图像和光谱图像的获取,探讨图像预处理技术,包括图像去噪、增强及分割等步骤。在特征提取方面采用主成分分析(PCA)和线性判别分析(LDA)方法,能高效提取稻种的颜色、纹理和形状特征;探讨了机器学习和深度学习在稻种光谱图像及RGB图像处理中的实践应用,以及深度学习模型在稻种识别分类的性能优化和改进方法。研究发现,机器视觉技术在稻种识别领域展现出高效与准确性,未来可以期待开发出低成本的图像采集平台和更为轻量级的稻种识别软件,推动稻种数据共享,并持续探索新兴的深度学习技术,进一步优化稻种识别的效果。

关键词： 多普勒雷达   三维目标跟踪   非线性滤波   状态转换卡尔曼滤波  

摘要： 雷达及声呐系统采集的三维球坐标量测与运动目标的笛卡尔坐标状态呈非线性,导致跟踪精度受限,而具有强非线性的多普勒量测更难以高效利用。针对上述问题,构造由距离、俯仰角、方位角及其微分组成的状态向量,使测量方程线性化;在距离、俯仰角构成二维时变极坐标系中对常微分动力学方程离散化,再基于投影关系引入方位角,建立球坐标系中的典型三维常速度和常加速度运动模型;结合标准卡尔曼滤波在线性高斯框架下,实现跟踪以避免非线性误差。通过仿真验证了在包括多普勒雷达等若干三维跟踪场景下提出方法的有效性与性能优势。

关键词： 多目标跟踪   RCS   贝叶斯估计   随机有限集   PHD滤波   TPHD滤波  

摘要： 针对密集目标场景下的多目标跟踪算法易出现航迹混批的问题,考虑引入RCS信息辅助跟踪,提出了一种基于Gamma分布的贝叶斯RCS估计的多目标跟踪算法。首先,提出目标RCS状态及量测滤波过程,使用非平稳自回归Gamma过程对状态动力学进行建模,在时间更新中实现贝叶斯RCS估计。然后,在PHD滤波器中引入贝叶斯RCS估计,提出了PHDwRCS滤波器,实现对密集目标的跟踪。针对PHD类滤波器无法实时形成航迹、跟踪精度较低的问题,在TPHD滤波器中引入RCS估计,提出了TPHDwRCS滤波器,实现了对密集目标的有效航迹跟踪。通过计算机仿真实验表明,所提算法能够有效实现贝叶斯RCS估计,引入RCS信息后的PHDwRCS滤波器和TPHDwRCS滤波器能够实现对密集目标的精确跟踪,基于GOSPA度量的定量误差性能得到提升,一定程度上缓解了航迹混批问题。

关键词： 计算机视觉   目标检测   深度学习   YOLOv7算法  

摘要： 道路环境感知是自动驾驶任务中的重要组成部分,为解决道路环境感知中小目标检测困难、检测目标尺寸不一致以及检测目标的遮挡给检测任务带来的困难,提出一种深度学习增强方法以提高目标检测性能。设计了Bottleneck-ELAN(bottleneck-efficient layer aggregation networks)模块作为主干,加强了模型的特征提取能力。使用Gather-and-Distribute(GD)机制实现了特征图之间跨尺度的直接融合,解决了颈部网络的信息丢失问题。此外,采用Complete-IOU(CIOU)和Normalized Wasserstein Distance(NWD)相结合的损失函数组,解决了单一IOU损失函数对不同尺度物体位移敏感性不一致和平滑性差的问题。结果表明,改进后的模型在BDD100K数据集上的平均精度均值达到了43.4%,相较于原始的YOLOv7算法提高了3.1%,并且在小目标检测中精度提升更为明显,达到10%。

关键词： 目标检测   YOLOv8   深度学习   Soft-NMS  

摘要： 近年来,随着新能源汽车的发展趋势日益火热,对辅助驾驶、自动驾驶等技术要求也越加严格,但是在现实的驾驶情景中,道路环境复杂程度较高,特别针对遮挡的现象,现有的算法检测精度不高,且车载电脑的算力有限。针对这些问题,文章设计了三点改进方案。改进后的模型在BDD100k数据集下计算量只有6.1GFLOPs,为原模型的75%,同时Map50提升了8.4%。研究结果为后续辅助驾驶的目标识别和移动端的部署提供了参考和依据。

关键词： 目标检测   YOLOv5s-SCB   改进的DehazeFormer去雾网络   RAFT光流网络  

摘要： 针对某发电厂捞渣机状态监测系统设计需求,将机器视觉技术应用到捞渣机状态监测系统中,设计了一种粉尘环境下的捞渣机刮板状态监测算法。该监测算法基于轻量化的YOLOv5s-SCB目标检测模型,实现了对电厂捞渣机刮板异常状态的监测。由于捞渣机所处环境粉尘较大,在YOLOv5s-SCB模型的基础上,前端引入DehazeFormer去雾网络,并对其进行了改进,将尺度、空间以及通道3种注意力融合到DehazeFormer网络中来提高其去雾能力。此外为了进一步提升检测精度,在监测算法中加入了RAFT光流网络来提取刮板的运动特征,利用RAFT光流网络提取的运动特征与YOLOv5s-SCB提取的卷积特征进行特征融合。最终,通过选取400副粉尘图像进行刮板监测测试,误检率为0%,漏检率为4.9%,实验表明,该模型具有良好的准确性和泛化能力,达到了预期目标。

关键词： 水下生物识别   目标检测   YOLO v8n   Wise-IoU   可变形卷积网络   分数阶傅里叶变换  

摘要： 水下生物目标检测是实现水下机器人自动化捕捞的关键性技术。针对水下生物目标检测任务中存在的目标重叠、遮挡以及目标尺度小而导致的误检、漏检等问题,提出了一种基于改进YOLO v8n的水下生物目标检测算法FDC-YOLO v8。首先,在主干网络中使用融合可变形卷积网络的FDC模块,以增强模型特征提取能力,提升其提取特征的丰富度。其次,引入融合分数阶傅里叶变换和空间注意力机制的FrSAConv模块,进一步分离多样目标特征,增强模型对多种特征的感知能力。最后,引入Wise-IoU损失函数作为模型边界框损失函数,以更好地解决目标不平衡以及尺度差异的问题。使用RUIE数据集进行实验,水下生物包括海胆、海星、海参、扇贝。实验结果表明,改进后的FDC-YOLO v8的平均精度均值达到85.3%,较基准模型提升2.6个百分点,推理速度达到769 f/s,在目标重叠、遮挡以及小尺度目标的水下生物目标检测中有更好的表现。

关键词： 图像三维目标检测   深度学习   自动驾驶   多模态融合   计算机视觉  

摘要： 二维目标检测技术由于缺乏对物理世界尺寸、深度等信息的描述,在自动驾驶场景中应用还存在较大的局限性。许多研究者结合自动驾驶实际需要,在图像三维目标检测上做了许多探索。为了对该领域进行全面研究,文中对近年来国内外发表的相关文献进行综述,介绍了基于图像的三维目标检测以及图像与点云融合的三维目标检测两类方法,并根据网络对输入数据的不同处理方式,对两类方法进一步细分,阐述了各个类别中的代表性方法,对各类方法的优劣进行总结,对比并分析了各算法的性能。此外,详细介绍了自动驾驶场景下三维目标检测的相关数据集和评价指标。最后,对图像三维目标检测领域中存在的挑战和困难进行了分析,并对未来可能的研究方向进行了展望。

关键词： 5G网络技术   计算机视觉技术   智慧港口   巡检机器人   设计   开发  

摘要： 港口巡检工作是维护港口安全,保障港口贸易通畅的重要方式,传统的港口巡检工作主要采用人工巡检的方式来完成,这种巡检方式存在劳动强度大、工作效率低等缺点,已经无法满足当前巡检的需求。本文基于5G网络和计算机视觉技术设计了一种智慧港口巡检机器人。该智慧港口巡检机器人充分利用5G网络技术来实现了数据信息的高速、低延迟传输,通过计算机视觉技术实现了目标检测、缺陷识别和路线规划等功能。充分利用该智慧港口巡检机器人来进行港口巡检工作,可以有效提升港口巡检效率,降低人工巡检的劳动强度和安全风险。