关键词： 目标检测   注意力机制   YOLOv5s   DIoU_NMS方法  

摘要： 针对目标检测算法在雾天天气下的识别精度低、容易漏检等问题,提出一种基于YOLOv5框架的先去雾后检测的算法。利用改进的AOD-Net去雾算法进行图像增强,采用Twin-transform Block模块替换提取中小目标特征,同时添加CBMA注意力机制,增强模型提取图像特征的能力。采用DIoU_NMS后处理方法,精准回归预测框。实验结果表明,在BDD100K数据集上进行对比分析,相较于原有YOLOv5s网络,文中提出的改进方案准确率明显提升,其中薄雾场景中mAP提高1.59%,浓雾场景中mAP提高5.80%。因此,文中提出的算法能够有效地改善雾天条件下目标识别中存在的漏检问题。

关键词： 计算机视觉   行人跟踪   目标检测   重识别   关联算法   抗遮挡   自注意力   特征提取  

摘要： 为了解决在复杂场景下行人相互遮挡导致跟踪系统精度降低的问题,提出了基于FairMOT的抗遮挡多目标跟踪算法(multiple obeject tracking algorithm with anti-occlusions,AOMOT)。首先通过轻量化平衡模块,解耦不同层次的语义信息,减少检测任务和重识别任务的语义冲突,降低重识别任务的性能提升对检测任务的影响。其次应用自注意力结构提取行人的外观特征,加强局部窗口下的类内特征的区分度,增强行人身份信息的匹配一致性并减少身份标识的频繁切换。最后优化身份关联算法,挖掘低置信度目标中的被遮挡对象,将其重新纳入目标身份关联并更新其重识别特征。实验结果表明,AOMOT相比原有FairMOT在MOT17数据集中高阶跟踪精度提升1.5百分点,身份F1分数提升3百分点,身份切换数量降低32%。

关键词： 实时监控   运动目标   识别检测   注意力机制   深度可分离卷积网络  

摘要： 为了提高实时视频监控系统对运动目标的检测精度与检测效率,提出一种结合深度可分离卷积网络与CBAM注意力机制改进的YOLOv4目标检测算法。一方面将YOLOv4模型中CSPDarknet53主干网络替换为结构更简单的深度可分离卷积网络,减少模型计算量;另一方面在网络末端三个分支中分别添加CBAM注意力机制模块,在尽可能不增加模型负担的基础上,尽可能保留YOLOv4的检测性能,同时提高模型在不同色彩、光照等因素影响下对运动目标的检测效果。结果表明,所提改进YOLOv4算法的检测精准率和召回率达到91.54%和86.27%,远远高于基于多尺度特征融合改进的YOLOv4-W算法,与原始YOLOv4的检测精度相近;相较于原始YOLOv4算法,所提算法的训练模型减小了0.11 Gib,检测速度达到19 fps,检测效率大幅提高,总体结果在3种算法中最佳。测试结果表明,基于所提改进YOLOv4目标检测算法构建的实时视频监控系统,不仅可以实现对运动目标的实时监测,在多人密集、昏暗、远距离和有遮挡等复杂场景下,依然具有较高的精测精度,值得进一步研究和推广。

关键词： 5G   港口   智能机器人   巡检   计算机视觉  

摘要： 为实现对港口集装箱区域的实时监测和智能巡检,融合5G和计算机视觉技术,设计一款智能海关巡检机器人。这款巡检机器人已在福建江阴港口落地应用,显著提升了巡检效率,同时大幅推进了港口运维的智能化进程,为工作人员全面掌握港口集装箱信息、危化品区域防护设施的运行状态等提供可靠的依据。

关键词： Pc1地磁脉动   计算机视觉   自动识别   极低频电磁台网  

摘要： 极低频电磁台网成功观测到大量的Pc1地磁脉动事件,研究极低频Pc1地磁脉动的自动识别方法对于全面分析地球空间电磁物理环境具有重要意义.本文采用了YOLOv8目标检测网络、ResNet残差网络和定向特征增强技术,提出了一种基于计算机视觉的Pc1地磁脉动自动识别模型(Automatic Detection Model for Pc1 Geomagnetic Pulsation,简称ADM-Pc1).以大连台站和丽江台站的极低频观测数据为例,利用2015—2016年的数据作为训练集进行模型的监督学习,并使用2017—2022年的数据作为测试集对模型性能进行评估.实验结果显示,ADM-Pc1模型的F1-Score值达到了95%,错分率仅为0.9%,虚警率仅为5.8%,漏检率仅为9%,处理1天数据平均耗时是2.72 s,显著优于现有的最优识别模型.这表明,ADM-Pc1模型在识别效果和计算速度方面均能更好地满足实际工程需求.

关键词： 机器视觉   水下目标检测   对抗样本   损失函数   SE-ResNet50网络   特征融合  

摘要： 水下环境复杂,遮挡目标信息缺失严重而难以提取到足够的特征信息,导致水下遮挡目标易被漏检。为解决该问题,提出一种基于对抗注意力机制的水下目标检测算法。以Faster R-CNN算法为框架,提出基于空间注意力机制的对抗生成遮挡样本网络(AOGN)。AOGN与Faster R-CNN网络相互竞争,通过三阶段训练过程,在不增加推理负担的情况下学习生成检测网络难以正确区分的样本,提高Faster R-CNN网络对水下遮挡目标的检测精度。使用Focal loss增加困难样本的损失比重,解决水下数据集难易样本不平衡的问题。在此基础上,为获得更丰富的水下目标特征信息,使用SE-ResNet50代替VGG16作为骨干网络,通过残差网络和SE模块的结合获得更有效、更丰富的水下目标信息,提高对检测目标的特征提取能力,同时加入多条ROIpooling支路实现多尺度特征融合,增加特征的丰富性。实验结果表明,该算法在URPC数据集和水下垃圾数据集上分别取得了73.76%和86.85%的平均精度均值(mAP),遮挡目标漏检率分别达到2%和7%,相较于其他检测算法能够有效提升检测性能。

关键词： 图像处理   肝脏肿瘤   U-Net   并行卷积   纹理特征   注意力机制  

摘要： 针对计算机断层扫描图像中肝脏肿瘤边界模糊、类型多样、与周围组织对比度低等特点,以及现有网络对医学图像中的纹理信息利用不充分等问题,提出了一种结合多分支纹理特征提取和注意力机制的肝脏肿瘤自动分割方法。首先,设计了一个并行卷积编码器,替换基准网络U-Net中的双卷积模块,用于提取两种不同感受野下的表层特征;接着,提出了一个纹理特征提取网络,将其搭建于U-Net的跳跃连接部分,以提取多尺度特征下肝脏肿瘤的深层纹理信息;最后,在解码阶段引入了一个带有残差路径的通道注意力模块,旨在有效捕获通道间的依赖关系,增强肝脏肿瘤分割任务相关特征。将所提方法在LiTS2017和3DIRDCADb-01肝脏肿瘤分割数据集上进行了实验论证,结果表明,所提方法在评价指标和可视化结果上均优于对比方法,对于小尺寸和边界模糊的肿瘤分割具有优势,有望为肝脏肿瘤筛检提供新的参考。

关键词： 目标检测   YOLOv7   缺陷检测   纹理信息   多尺度自适应卷积  

摘要： 针对钢材表面缺陷纹理特征不明显、不同缺陷类间差异不明显和缺陷尺度变化剧烈等问题,本文设计了一个纹理信息增强模块(Texture Information Enhancement Module,TIEM)来保留主干网络上采样丢失的细节纹理特征信息和加强主干网络对不规则缺陷的空间建模能力;在颈部网络融入跳跃连接的多尺度自适应卷积模块(Multi-scale Adaptive convolution mod-ule with Skip Connections,MASC)来增强网络对不同尺度缺陷目标的感知能力,进而增强小目标的细粒度特征和大目标的高层语义信息,增强检测器的全局感知能力。以YOLOv7为基线模型,在公开数据集NEU-DET上,改进后的模型比基线模型mAP_(50)和mAP_(50:95)分别提高了3.0%和2.1%,并优于现阶段其他主流目标检测器。

关键词： 卷积神经网络   轻量化模型   目标检测   注意力模块   多尺度融合  

摘要： 交通标志检测在自动驾驶领域具有重要的应用价值,及时准确地检测交通目标对提高驾驶安全性和预防交通事故具有重要意义。针对交通标志尺寸小,易受遮挡,在复杂环境下容易出现漏检、错检等问题,在YOLOv8的结构基础上提出一种结合轻量化与多尺度融合的交通标志检测网络架构M-YOLO,构建M-YOLOs模型来应对高精度需求的检测任务,并调整网络深度得到更轻量化的M-YOLOn模型来解决不同环境下的检测需求。首先针对交通标志目标尺寸小、图像特征流失的问题,通过增加小目标检测层,保留更多的特征信息,提高网络对于小目标的特征学习能力。提出高效多尺度特征金字塔融合网络MPANet,将浅层特征图进行降维与跳跃连接,从而融合更多的图像特征信息。然后提出融合稀疏注意力和空间注意力的BRSA注意力模块,有效提取全局和局部的位置信息,减少复杂背景下对于关键信息的干扰。最后设计两种轻量高效的BBot模块和C2fGhost模块,以提高模型运算速度并减少参数量。实验结果表明,M-YOLO相较于YOLOv8,参数量降低约1/3。在TT100K数据集和GTSDB数据集上,M-YOLOs检测精度分别提升了9.7和2.1个百分点,M-YOLOn检测精度分别提升了14.5和2.6个百分点,在轻量化的同时具备更高的检测效果。M-YOLO架构解决了浅层特征图在特征提取过程中信息丢失的问题,并显著降低模型特征提取过程中冗余的计算开销,在实景采集的数据集上证实效果有效,表明在交通标志检测任务中具有应用价值。

关键词： 柑橘   病害   虫害   目标检测   YOLOv5   Large Kernel Attention   CARAFE   FReLU  

摘要： [目的]柑橘叶片受到病菌感染或虫害侵袭后,导致柑橘树生长发育异常、产量减少甚至死亡。早期柑橘叶片病虫害检测有助于做好预防措施减少损失。[方法]实际检测过程中YOLOv5s模型存在定位不精确、背景复杂等问题,受VAN(visual attention network)模型的启发,引入LKA(large kernel attention)模块,对YOLOv5s模型进行改进。改进的YOLOv5s模型可实现对图像信息的集中关注和精细抽取;使用CARAFE轻量级算子替换常规的上采样方法,能够提高特征重建质量,解决尺度不匹配问题并提高检测性能;使用FReLU激活函数,能够捕捉更多的柑橘病虫害的关键特征,提高检测准确度。此外,还构建了一个包含炭疽病、溃疡病和受潜叶蝇病虫侵害的柑橘叶片数据集,采用该数据集进行试验。[结果]改进后的模型YOLOv5-LC对于柑橘病虫害的检测结果显示:平均检测精度mAP50达到94.5%,mAP50:95为84.3%,较原模型分别提高了2.0%和4.4%,模型大小仅为7.3 MB。准确率为93.8%,召回率84.5%,浮点运算次数仅为18.5 G。[结论]改进后的YOLOv5-LC模型可以更加准确检测出柑橘病虫害。