关键词： YOLOv8n   目标检测   无人驾驶   轻量化  

摘要： 随着无人驾驶技术在地下矿井中不断展开应用,精确的目标检测成为保证电机车安全运行的关键。然而,矿井内部存在光线昏暗、粉尘弥漫以及设备遮挡等问题,使得目标检测面临着巨大的挑战。为了解决这些问题,本文提出了一种基于YOLOv8n改进的目标检测模型,称为YOLOv8n-C-S。YOLOv8n-C-S首先引入低照度图像增强网络SCINet,解决了低光照条件下图像模糊、目标难以辨识的问题,有效提高了输入图像的质量。同时,为了使模型更加专注于前景信息,减少背景噪声的干扰,利用CBAM注意力机制,显著提升了目标检测的准确性。此外,采用Slim-Neck设计范式对模型Neck部分进行优化,使得模型计算规模得到了降低。实验结果显示,在地下矿井检测数据集上,改进后的模型比YOLOv8n模型精确度提升了2.6%,参数量降低了4.65%,且mAP@0.5—0.95提升了5.9%,这表明YOLOv8n-C-S在准确性、实时性和鲁棒性方面都得到了提升。

关键词： 大卷积核   目标检测   时空行为检测   行为识别   特征融合  

摘要： 目前大卷积核模型在图像领域已经证明其有效性,但是在视频领域还没有优秀的3D大卷积核模型。此外,之前的工作中忽视了时空行为检测任务主体是人的特点,其中的骨干网络只针对通用目标提取特征。针对上述原因,提出了一种含有特征融合结构的3D大卷积核神经网络(FFConvNeXt3D)。首先,将成熟的ConvNeXt网络膨胀成用于视频领域的ConvNeXt3D网络,其中,预训练权重也进行处理用于膨胀后的网络。其次,研究了卷积核时间维度大小和位置对模型性能的影响。最后,提出了一个特征融合结构,着重提高骨干网络提取人物大小目标特征的能力。在UCF101-24数据集上进行了消融实验和对比实验,实验结果验证了特征融合结构的有效性,并且该模型性能优于其他方法。

关键词： 孕羊   深度学习   目标检测   行为识别  

摘要： 分娩对于母羊和羔羊来说都是一个关键时期,若在这一时期忽视母羊的接产和助产,可能会导致母羊难产、羔羊死亡等,这将直接影响到养殖场的经济效益。怀孕母羊的某些特定的生理表现或者行为变化可能是即将分娩的指示信号,在孕羊产前对此进行检测有助于预测分娩行为的开始。本文提出了一种基于YOLOv7的深度学习网络对视频中孕羊的产前站立、普通躺卧、进食、饮水和分娩躺卧5种行为进行识别。试验结果表明该方法能够准确监测和识别出与分娩事件相关的个体孕羊行为,对于产前5种行为的识别精确度和召回率都在97%以上,全类别平均精度达到98.77%。

关键词： 松材线虫病   大尺度范围疫木识别   无人机航拍图像   目标检测   YOLOv7  

摘要： 松材线虫病是一种危害程度极高的传染性松树病害。为精确掌握大尺度范围松材线虫病疫木的数量和分布,提出了一种基于改进YOLOv7的无人机航拍图像下松材线虫病疫木检测模型。首先,针对因航拍图像背景复杂而导致的疫木错检漏检问题,在模型主干特征提取部分引入SimAM注意力机制,以便模型更好地聚焦松材线虫病疫木颜色、纹理等关键特征;其次,用ConvNeXt网络对Head部分的ELAN-W网络进行替换,以提高模型对单株疫木的特征提取效率,在降低模型参数量的同时提升模型检测速度;然后,引入SPD-Conv以提高低分辨率航拍图像下小目标的检测精度;最后,将颈部网络的卷积替换为CoordConv,以更好地感受特征图中疫木的位置信息。在自建的松材线虫病疫木数据集中进行了大量验证,结果表明:经改进后的YOLOv7模型检测精确度为91.1%,召回率为93.5%,F_(1)分数为92.3%,与原YOLOv7模型及其他当前主流模型相比,各项主要指标均有一定提升。在选取的两块不同区域测试样地上的实验结果表明,本模型具有较好的适应性,可有效应用于大尺度松材线虫病疫木普查任务中。

关键词： 矿石分类   YOLOv8   视觉识别技术   目标检测  

摘要： 矿石种类繁多且单次采矿数量较大,采用视觉识别技术分类时,易造成漏检及误检。为了实现矿物的精确识别、标注与分类,提出了以YOLOv8网络结构为基础的EffCD-YOLOv8算法,该算法在主干网络中引入EfficientNetv2模块,能在保证训练速度的基础上,提升检测精度。在颈部网络中采用CCFF模块,以实现跨尺度特征的融合;在头部网络中采用DBB模块,对不同空间尺度下的目标进行处理,从而实现更准确地识别、标注与分类。结果表明:在自制的矿石数据集中,EFFCD-YOLOv8模型对矿石的识别精度达到83.2%,优于YOLOv8的目标检测算法,能实现对矿石的准确识别、标注与分类。

关键词： 海面小目标   目标检测   序数图变换   图无符号拉氏矩阵  

摘要： 针对现有基于图域变换的雷达海面小目标检测算法仅考虑单个样本之间的相关性,存在性能不佳、复杂度高等问题,提出了一种基于序数图变换的改进算法。首先,将雷达回波信号的自相关函数转换成可有效获取状态向量之间关联性的序数图,进而提取该图的无符号拉氏矩阵最大特征值作为检测统计量,以实现区分海杂波和目标信号的目的。以McMaster大学提供的实测全相参X波段雷达数据集为对象,对算法的性能进行了广泛评估,结果表明所提算法的平均接收机工作特性曲线下面积(Area under Curve,AUC)可达0.907,优于现有算法,且其计算复杂度适中。

关键词： 深度学习   计算机视觉   三维重建   多视图立体视觉  

摘要： 多视图立体视觉在自动驾驶、增强现实、遗产保护和生物医学等领域得到广泛应用.为了弥补传统多视图立体视觉方法对低纹理区域不敏感、重建完整度差等不足,基于深度学习的多视图立体视觉方法应运而生.对基于深度学习的多视图立体视觉方法的开创性工作和发展现状进行综述,重点关注基于深度学习的多视图立体视觉局部功能改进和整体架构改进方法,深入分析代表性模型.同时,阐述目前广泛使用的数据集及评价指标,并对比现有方法在数据集上的测试性能.最后对多视图立体视觉未来有前景的研究发展方向进行展望.

关键词： 小目标检测   RT-DETR算法   特征融合   定位损失   位置编码  

摘要： 实时、准确地定位与识别航拍图像中飞机、轮船和车辆等目标是进一步决策的根本基础,针对航拍图像中小目标检测存在的效率和精度低等问题,提出了一种基于改进RT-DETR的航拍图像小目标检测算法。首先,通过构建高效的CCFM-P2ASF尺度序列特征融合模块,获得更丰富的语义信息,同时提高对小目标的敏感度;其次,集成灵活性更强的可学习的位置编码,提供更清晰的位置界定;然后,设计更高效的边界框损失函数,减小对目标位置预测的偏差,提供更准确的边界框信息;最后,构建EMA重参数响应模块,从而更有效地提取输入图像特征。实验结果表明:改进后的RT-DETR模型较原始模型参数量减少38.3%,精确率、mAP50和mAP50∶95指标分别提升5.1、5.0和2.2个百分点。对比其他同类主流算法模型,在航拍小目标检测任务中具有更好的检测效果。

关键词： 多传感器融合   机场不停航施工   安全风险监测   目标检测  

摘要： 随着机场运营规模不断扩大,各种改建和扩建工程愈加频繁,这些工程通常会对机场飞行安全造成一定的影响。本文因此研究了基于多传感器融合的机场不停航施工安全风险监测,保障施工过程中机场安全高效运行。首先,分析不停航施工涉及的安全项,梳理安全需求。然后,采用相机和激光雷达组合感知方式,获取目标物位置、类别和轨迹信息。最后,基于目标信息和触发规则实现了安全风险监测预警。实验结果表明,本方法克服了单一传感器感知的缺点,解决了传统施工现场监管和远程监管需要人工识别、判断风险并预警的问题。

关键词： 矿山行业   机器视觉   目标检测   智能检测   深度学习  

摘要： 新一代信息化技术已成为驱动工业和社会发展的重要力量,其与矿山深度融合也已成为矿山创新发展的必然趋势。机器视觉技术作为其中的重要代表之一,对于提高矿山感知能力、降低安全风险、实现危险区域少人化、生产指标数字化、信息反馈及时化具有重要作用。本文梳理了机器视觉技术的基本概念、原理、典型算法和发展历程,围绕矿山生产涉及到的主要生产要素,从料、机、人、环四个方面分别叙述了机器视觉技术在矿山领域的最新研究进展与应用现状,并分析了现阶段研究与应用的主要特点。研究结果表明,机器视觉技术在矿山中的应用面临基础数据获取难度大、算法与算力无较大突破、复杂环境检测稳定性较差等问题。针对机器视觉技术发展现状及面临的实际问题,未来可从小样本检测、3D视觉检测和多元数据融合检测等方向寻求突破。小样本技术通过高效的学习手段,降低数据采集成本;多元数据融合技术通过融合多元信息,提高检测的适应性;3D视觉技术增强在复杂立体空间中的检测能力,提升检测的精度。将上述前沿技术应用于矿山复杂环境的视觉检测中,可解决传统视觉检测方法在基础数据稀缺、环境多变等挑战下的应用局限性。