关键词： 目标检测技术   小目标检测   无跨步卷积   上下文信息   轻量化  

摘要： 针对目标检测过程中小目标检测更容易出现漏检、错检等问题,提出了一种改进型的轻量化小目标检测算法NSCOT-YOLO。首先,设计了一种特征提取模块NSC-MFFM,使用无跨步卷积进行特征提取并通过多支路进行特征融合,以有效地避免小目标重要特征信息被忽略,提高模型的检测精度,并设计实验来确定放置模块的最佳位置;然后,添加一个更浅层的检测分支及检测层,同时去掉最深层的检测分支,使用含有丰富上下文信息和共享权重的C-Cot模块替代YOLOv8s的检测层,更好地分离小尺度目标和噪声背景;最后,引入轻量高效的GhostConv模块,在不显著降低模型准确度的前提下,让模型参数量大幅下降。在公开的VisDrone2019-DET数据集上评估了所提算法的有效性。实验结果表明:NSCOT-YOLO算法的mAP@0.5和mAP@0.5∶0.95分别为38.3%和22.0%,与YOLOv8s算法相比分别提高了5.5和3.2个百分点,模型参数量为6.8×10^(6),与YOLOv8s相比减少了39%。可见,提出的NSCOT-YOLO算法在保证模型轻量化的同时,大幅提高了对小目标物体的检测精度。

关键词： 激光熔覆   图像处理   熔池监测   闭环控制  

摘要： 激光熔覆是一种通过粉末熔化沉积来制造或修复金属零件的增材制造技术,是零件修复的重要手段之一。对熔池形貌进行实时监测与闭环控制是当下的研究热点之一。对熔池形貌的实时监测与闭环控制现状进行总结,对熔池图像的处理和熔池信息的提取进行回顾分析,并提出了熔池形貌监测进一步的发展趋势。

关键词： 多任务卷积神经网络   目标检测语义分割  

摘要： 针对单任务网络理解海上场景所需要提供的视觉信息的维度局限性和计算负担的问题,提出了一种基于YOLOv5的海上目标检测和区域分割的多任务算法。首先将空洞卷积及混合注意力引入ASPP模块,扩大感受野,增强模型对船舶的定位能力和区分背景与前景的能力;采用改进的PAN+模块,提升模型对不同语义信息的融合能力;引入边缘增强模块,在不损伤检测速度的情况下,提升水面岸体的分割精度。实验结果表明,上述方法相较于YOLOv5s船舶检测精度提升了5.2个百分点,相较于YOLOP分割精度提升了3.2个百分点,能够在较小计算量的情况下很好地平衡检测和分割精度与实时性。

关键词： 肺结节   目标检测   残差反馈   注意力机制   CIoU  

摘要： 肺结节作为肺癌早期的表现形式,且肺结节大小不一,将其快速准确地检测出来不仅对预防及治疗肺癌有重大意义而且是一项艰巨的任务。为此,提出一种改进YOLOv3的方法。针对肺结节大小不一的问题,改进多尺度特征融合结构,由3尺度预测增加至4尺度来获取更多小尺度结节特征信息;添加注意力机制提高对有效信息的提取能力,并改进回环残差结构增强有效信息加快网络的收敛速度;选用CIoU为边界框损失函数。实验分析表明,改进后的算法mAP相较于原算法提升了0.063,FPS提升了4.8帧/s,对肺结节检测效果有所提升,与其他算法相比具有更好的准确性和实时性。

关键词： 目标检测   Shufflenetv2   采摘机器人   ECA注意力机制  

摘要： 为了使目标检测算法更好地嵌入到番茄采摘机器人中,使其可以在温室环境中快速准确地识别检测成熟的番茄,提出一种基于Shufflenetv2-YOLOv5的番茄采摘机器人目标检测方法。该方法以YOLOv5为基础,以轻量级网络Shufflenetv2为主干网络,减少参数量和计算量,加入ECA注意力机制,并用FReLU激活函数替换原来网络结构中的激活函数,实现像素级的空间建模能力,进一步提高检测精度,增加该模型的鲁棒性。试验结果表明,改进后模型的算法精确率P、召回率R和平均精度均值mAP分别提升了2.2%、1.9%、3.2%,参数量降低约54%,计算量降低约62.6%,模型大小减少约53.1%,FPS也有了一定的提升,能够满足高速度、高精度检测的要求。

关键词： 多任务感知   自动驾驶   目标检测   语义分割   感受野注意力卷积(RFAConv)  

摘要： 可行驶区域分割、车道线检测及交通目标检测等作为自动驾驶感知的关键部分,并行执行对智能车辆的算力要求较高,多任务感知算法能够实现实际应用中精度与速度的权衡。针对多任务感知算法中路况复杂、目标受遮挡等难点,通过改进YOLOP网络,提出一种基于感受野注意力卷积(RFAConv)的多任务感知算法。将主干网络中的部分卷积替换为感受野注意力卷积,根据感受野中图像特征的重要程度动态分配卷积核权重以提高网络的特征提取能力;重构特征金字塔网络,使用高效跨尺度融合模块替换原有的跨阶段层次模块,充分保留特征融合的有效信息,并使用内容感知特征重组模块作为上采样方法,减少特征融合时上采样的信息丢失;使用MPDIoU函数计算回归损失,解决真实框与预测框之间同比例但不同大小的问题,进一步提高对交通目标的检测能力。在BDD100K数据集上的测试结果表明,该模型在可行驶区域分割、车道线检测及交通目标检测方面检测精度优于其他多任务模型甚至单任务模型,同时保证了网络实时推理性能。

关键词： 孪生网络   仓储配送   可视化监控   车辆目标跟踪  

摘要： 随着物流行业的快速发展,仓储配送环境下的车辆目标跟踪面临复杂背景、遮挡、光照变化等问题。为解决这些问题,提出一种基于优化孪生网络的车辆目标跟踪方法。该方法在孪生网络的基础上引入注意力机制来增强提取目标特征的能力,采用改进的特征提取技术以适应复杂的仓储环境,结合Kalman滤波器提升跟踪的稳定性和平滑性。实验结果表明,本方法在各项性能指标上优于对比算法,在精确度、召回率和F_(1)分数方面,分别达到94.2%、93.8%和94.0%的高水平。特别是在窄巷道、高架仓库等复杂场和极端条件下,该方法展现出优秀的跟踪性能和健壮性。

关键词： 深度学习   火焰检测   ViBe  

摘要： 针对目前基于深度学习的火焰检测任务中存在的识别准确率低、冗余计算较多的问题,提出一种基于ViBe与轻量级目标检测算法的火焰检测算法VYfire。首先,针对火焰的动态特征,通过引入自适应阈值的ViBe算法,提取完整的动态区域;其次,利用集成了轻量化模块FasterNet和加权双向特征金字塔网络BiFPN的YOLOv5s作为检测基准模型,对动态区域进行检测,实现火焰的精准框定。实验结果表明,改进后的检测模型较YOLOv5s平均检测精度提升了1.1%,参数量下降了15.4%,浮点运算次数下降了18.4%。并且VYfire在测试视频集上保持较高检测速度的同时达到了95.57%的平均召回率和0.77%的平均误检率,能够满足火焰检测任务的实时性和精度要求。

关键词： 深度学习   YOLOv5   目标检测   模型改进   轻量化  

摘要： 基于YOLOv5的行人检测方法已经在实际应用中取得了很好的效果,但仍存在一些缺点,例如在复杂场景下的检测不够精准,对于目标检测的处理速度不够理想等。为了解决以上存在的问题,提出了以下改进方法:将C3模块替换为RepGhost模块,降低模型的计算复杂度并提升检测速度。此外,结合最佳传输分配方法进一步优化行人检测精度,该方法通过最小化成本函数来优化检测框的分配。经过上述改进,模型的参数量减少了35%,计算量GFLOPs降低了20%,在RTX3090上的处理速度提升了7%,同时模型大小减少了33%。精度方面mAP_(50)提升了2.7%,mAP_(50-95)也有1%的提升。

关键词： 伪装目标检测(COD)   边缘语义   特征增强   特征聚合  

摘要： 伪装目标检测(camouflaged object detection,COD)旨在检测隐藏在复杂背景中的伪装目标。由于伪装目标的特点:前景与背景纹理相似、边缘对比度低,导致现有方法得到的预测图像边缘模糊、小目标区域缺失。因此,本文提出了边缘信息引导的伪装目标检测网络(edge information guided network,EIGNet)。首先,通过低层特征和高层特征对目标的边缘进行显式建模,充分提取目标的边缘特征指导后续特征表示。然后,通过双分支结构处理不同维度的伪装目标。其中,全局分支用以提取全局上下文信息强调大目标的全局贡献,局部分支用以挖掘丰富的局部低级线索增强小目标的特征表示。最后,采用自顶向下的方式实现相邻层特征的逐步融合,得到具有精细边缘和完整区域的预测图像。在3个伪装数据集上的实验结果表明本文方法优于其他15个模型,在NC4K数据集上平均绝对误差(mean absolute error,MAE)降至0.044。