关键词： 自动驾驶   ECA-Net   DLA-34   目标检测   CenterNet  

摘要： 在多目标检测中,当目标发生移动时会导致目标形态变化或目标发生遮挡,影响目标检测精度,因此,针对在自动驾驶领域中行驶环境复杂以及传统目标检测算法依赖大量预设置先验框、泛化能力差、检测精度低等问题,提出了一种改进的CenterNet目标检测算法。选取DLA-34为主干特征提取网络,并引入可自适应确定卷积核且能跨通道交互的轻量级模块ECA-Net,实现CenterNet改进。在kitti数据集上的实验结果显示,改进后的CenterNet相比原网络的AP在car类别上提升了1.39%,在pedestrian类别上提升了11.16%,在cyclist类别上提升了19.45%,与Yolov3网络相比,改进后的CenterNet在不同类别目标检测精度上也有着明显提升。

关键词： remote sensing images   object detection   YOLOX-S   attention module   loss function  

摘要： Remote sensing image object detection is one of the core tasks of remote sensing image *** recent years,with the development of deep learning,great progress has been made in object detection in remote ***,the problems of dense small targets,complex backgrounds and poor target positioning accuracy in remote sensing images make the detection of remote sensing targets still *** order to solve these problems,this research proposes a remote sensing image object detection algorithm based on improved ***,the Efficient Channel Attention(ECA)module is introduced to improve the network's ability to extract features in the image and suppress useless information such as background;Secondly,the loss function is optimized to improve the regression accuracy of the target bounding *** evaluate the effectiveness of our algorithm on the NWPU VHR-10 remote sensing image dataset,the experimental results show that the detection accuracy of the algorithm can reach 95.5%,without increasing the amount of *** is significantly improved compared with that of the original YOLOX-S network,and the detection performance is much better than that of some other mainstream remote sensing image detection ***,our method also shows good generalization detection performance in experiments on aircraft images in the RSOD dataset.

关键词： 伪装目标检测   轻量化   线性注意力   知识蒸馏  

摘要： Transformer式的伪装目标检测模型具有二次时空复杂度,因而模型具有参数量大和高计算复杂度等问题,影响了其在资源受限设备上的部署与应用。模型加速和模型压缩是实现模型轻量化的重要方法。模型加速旨在降低模型的计算复杂度,提升模型的运行速度。模型压缩则致力于减少模型所需的计算资源和存储空间,同时保持模型性能。本研究以UGTR模型为基础,提出了一种基于注意力机制和知识蒸馏的轻量化伪装目标检测模型DE-UGTR。实验表明,轻量化后的DE-UGTR模型参数量下降了30.1%,推理速度提升了约1.75倍。

关键词： 夜景照明   无人机技术   故障分析   图像处理   深度学习   灯具故障检测  

摘要： 本研究提出了一种基于无人机的智慧巡检技术,针对城市夜景照明中日益增长的故障检测需求。结合无人机的自主飞行与深度学习驱动的图像处理技术,有效提高故障检测的效率和准确性。文章首先分析了夜景照明领域的挑战和无人机技术的应用前景,然后详细介绍了巡检系统的设计、数据处理流程和故障分析的关键技术。重点讨论了图像融合和目标检测算法及其在实时故障识别中的应用,旨在为夜景照明维护提供创新解决方案,并探索其在城市基础设施维护中的潜在价值。

关键词： 目标检测   密集交通场景   EIOU   CBAM   K-means++  

摘要： 道路交通场景下目标检测任务往往由于物体相互遮挡、远处目标像素低等原因,导致检测精度低,出现漏检、误检等问题,为此提出一种改进YOLOv5s的交通场景密集目标检测模型YOLOv5-ECFK。首先,将边界框回归损失函数由CIOU替换为EIOU,提高模型评估预测框的准确性;其次,在主体网络结构中融合CBAM注意力机制,帮助网络在具有密集对象场景中找到注意力区域;然后,通过增加小尺度特征融合层和检测层,提升模型小目标检测精度;最后,使用K-means++算法重新聚类锚框,使生成的锚框更适合实验数据集,提升算法整体性能。实验数据集由公开数据集Rope3D和自制数据集联合组成。实验结果表明,最终改进算法YOLOv5-ECFK相比于YOLOv5s、mAP@0.5/%和mAP@0.5:0.95/%分别提升3.4%、2.7%,Precision和Recall分别提升3.5%、1.3%,最终改进算法对道路交通场景下的密集目标具有优秀的检测效果。

关键词： 目标检测   YOLOv8   CPAM   小目标检测   知识蒸馏  

摘要： 安全帽在保护施工人员免受事故伤害方面发挥着至关重要的作用。然而,由于种种原因,工人们并没有严格执行戴安全帽的规定。为了检测工人是否佩戴安全帽,本文提出了基于YOLOv8改进的目标检测算法(CPAM-P2-YOLOv8)。在YOLOv8的颈部添加CPAM结构,增强网络对图片的特征提取,在YOLOv8的头部引入处理后的小目标检测层P2。CPAM-P2-YOLOv8提高了目标检测的精确度,实验结果表明,改进模型的精确度达到了91%。与YOLOv8对比,CPAM-P2-YOLOv8的mAP50提高了1.0%,参数量减少了17%,同时通过对比发现,CPAM-P2-YOLOv8比YOLOv8在检测小目标方面更有优势。与YOLOv10对比,CPAM-P2-YOLOv8的mAP50提高1.9%。使用知识蒸馏方法,使CPAM-P2-YOLOv8的精确度进一步提升,达到91.4%。Safety helmets play a crucial role in protecting construction workers from accidents and injuries. However, due to various reasons, workers did not strictly adhere to the rule of wearing safety helmets. To detect whether workers are wearing helmets, this article proposes an improved object detection algorithm based on YOLOv8 (CPAM-P2-YOLOv8). Add CPAM structure to the neck network of YOLOv8 to enhance the feature extraction of safety helmets, and introduce a processed small object detection layer P2 at the head of YOLOv8. CPAM-P2-YOLOv8 improved the accuracy of object detection, and experimental results showed that the improved model achieved an accuracy of 91%. Compared with the YOLOv8 model, CPAM-P2-YOLOv8 improved mAP50 by 1.0% and reduced parameter count by 17%. Through comparison, it was found that CPAM-P2-YOLOv8 has more advantages in detecting small targets than YOLOv8. Compared with YOLOv10, the mAP50 of CPAM-P2-YOLOv8 increased by 1.9%. By using the knowledge distillation, the precision of CPAM-P2-YOLOv8 was further improved to 91.4%.

关键词： MED算法   光照量校正   计算机视觉   图像识别   表面缺陷  

摘要： 研究旨在提出一种基于计算机图像识别的工件表面缺陷检测方法,以实现自动化的缺陷检测和分类。研究通过基于亮度均衡的光照量校正图像处理方法,以消除不同光照条件对图像质量的影响,采用自适应混合中值滤波(Median filtering,MED)算法进行图像降噪处理,并提出了一种基于支持向量机的工件表面缺陷识别分类模型。实验结果表明,亮度均衡光照量校正将图像整体亮度均衡度约提升了30%。相比于MED,自适应MED和混合MED可以将图像信噪比提升5%和8%,将图像结构相似性提升0.1和0.2。分类模型的识别率和准确率平均值分别可达99%和98%。结果表明,该方法可以有效地提升图像质量,降低噪声干扰,实现高精度的缺陷识别和分类。

关键词： 深度学习   农作物图像识别   卷积神经网络   目标检测  

摘要： 农作物图像识别是一项重要的农业技术,它能够通过分析农田中的图像数据来快速、准确地识别不同作物的生长状态和健康状况。随着深度学习技术的快速发展,基于深度学习的农作物图像识别研究取得了显著的进展。梳理近年来该领域的研究进展,总结不同深度学习模型在农作物图像识别任务中的应用。首先,回顾农作物图像识别技术的发展进程,从基于特征选择的传统方法到近年来基于深度学习的方法;其次,讨论神经网络、生成对抗网络、目标检测、知识蒸馏等深度学习算法在农作物图像识别中的应用,包括对不同农作物品种、病虫害和生长阶段的识别;最后,分析该领域存在的问题与挑战,并提出未来可探索的研究方向,进而为农业科技的进一步发展提供参考,促进农作物图像识别技术的应用和推广,推动我国农业生产的智能化和可持续发展。

关键词： 计算机视觉   数据机房   设备安全   巡检方法  

摘要： 针对现有计算机机房巡检方法过于复杂、工作效率低、易出错等问题,文章结合计算机视觉技术,提出了一种新的安全巡检方法。该方法先通过计算物方感兴趣立方体,从多维信息决策技术支持库当中获得相应坐标信息,并利用高斯滤波算法实现对图像滤波处理,从而提取巡检时机房设备的状态信息,以此实现对机房设备状态的安全巡检和管理。该方法能够准确、高效地检测机房设备异常情况,为机房安全管理提供有力的技术支持。

关键词： 自动驾驶   单目3D目标检测   Contextual Transformer   多尺度感知   坐标注意力机制  

摘要： 针对当前单目3D目标检测中存在的漏检和多尺度目标检测效果不佳的问题,提出了一种基于Contextual Transformer的自动驾驶单目3D目标检测算法(CM-RTM3D)。在ResNet-50网络中引入Contextual Transformer(CoT),构建ResNet-Transformer架构以提取特征。设计多尺度空间感知模块(MSP),通过尺度空间响应操作改善浅层特征的丢失情况,嵌入沿水平和竖直两个空间方向的坐标注意力机制(CA),使用softmax函数生成各尺度的重要性软权重。在偏移损失中采用Huber损失函数代替L1损失函数。实验结果表明:在KITTI自动驾驶数据集上,相较于RTM3D算法,该算法在简单、中等、困难三个难度级别下,AP3D分别提升了4.84、3.82、5.36个百分点,APBEV分别提升了4.75、6.26、3.56个百分点。