关键词： 安全监管可视化   图像采集   细节增强   图像照度   Retinex算法  

摘要： 若视频图像质量较差会影响安全监管可视化平台对现场安全性的判断,为此提出一种面向安全监管可视化的作业现场视频图像处理技术。首先根据图像采集系统采集作业现场视频图像,并根据稀疏字典对图像实施去噪处理;再通过Retinex算法建立去噪后视频图像的图像模型,并通过引导滤波对图像实施照度估计,实现图像照度分量的均衡化调整;最后引入细节增强系数,增强图像细节实现图像融合,完成作业现场视频图像的质量增强。实验结果表明,使用该方法开展图像处理时,图像的处理效果好,且可在22 ms时间内完成图像处理,效率高,性能好。

关键词： 目标检测   水稻害虫   深度学习   YOLO v8   极化自注意力  

摘要： 实时监测稻田害虫泛滥情况是预防水稻产量降低的重要手段之一。针对当前的目标检测算法在实际稻田环境下检测精度较低且模型计算量较大、难以实现实时检测等问题,提出一种基于YOLO v8的改进的水稻害虫识别算法YOLO v8-SDPS。首先在主干网络中用SD_Conv卷积替代标准卷积,重构特征提取模块,在降低参数量的同时尽可能保留害虫目标的边缘特征信息,提升对害虫目标的特征提取能力;其次在颈部引入基于Slim-Neck范式的GSConv模块和VoV-GSCSP模块,在减少模型计算量的同时提升模型的检测精度;最后在SPPF层前引入PSA注意力模块,降低背景的噪声干扰,使模型更加关注个体的空间位置信息。用本研究提出的算法在经数据增强后的自建水稻害虫数据集上进行试验,结果表明,YOLO v8-SDPS获得86.6%的平均检测精度,相较于原始YOLO v8n模型提升4.1百分点。同时改进后的模型参数量为2.62 M,计算量为7.5 GFLOPs,相较于基准模型分别降低16.8%和15.7%,实现了模型轻量化和较高检测精度的平衡。在害虫小且密集、背景干扰严重、光照强烈等复杂环境下,YOLO v8-SDPS均能较好地识别出目标个体,有效地降低漏检率和误检率,具有较好的鲁棒性,可为稻田实时巡检提供有效技术支持。

关键词： 自动驾驶   不确定性估计   目标检测   预期功能安全  

摘要： 在自动驾驶的视觉感知任务中,准确且快速提取认知不确定性和偶然不确定性对有效解决自动驾驶的预期功能安全问题至关重要。传统方法中,如Monte-Carlo Dropout和Deep Ensembles,通过采样不同子模型的预测结果来估计不确定性,这使在模型推理阶段不确定性估计速度很慢且容易占用处理器大量内存。针对Monte-Carlo Dropout不确定性估计速度较慢及其后续检测结果选取的问题,提出了一种快速Monte-Carlo Dropout方法及后续检测结果校正的方法。此方法使用多头机制替换了Monte-Carlo Dropout传统的多次采样机制,节省了采样时间,进而节省了整个不确定性估计阶段的推理时间。

关键词： 深度学习   目标检测   知识蒸馏  

摘要： 深度学习目标检测模型的应用场景相当广泛,然而,受制于部署设备的性能,部署模型的检测精度往往较低。为提高检测模型的性能,本文提出一种高效的动态蒸馏训练方法。该方法创新性地引入动态样本分配策略来筛选教师模型的高质量输出,并配合蒸馏损失的动态权重调整,对传统的目标检测模型蒸馏算法进行改进。在电网安全施工场景数据集上的实验结果表明,相较于直接训练,该方法使YOLOv6-n模型的AP (Average Precision)值平均提高了2.63个百分点。本文提出的蒸馏方法不影响原有部署模型的推理速度,有助于提升目标检测模型在各种工业场景上的检测性能。

关键词： 智能汽车   目标检测   深度学习   嵌入式   FPGA  

摘要： 针对当前目标检测技术在智能汽车上所需的体积小、能效比高、检测速度快、精度高等要求,提出了一种新型嵌入式道路交通目标检测设计。该方案以YOLOv3为基础网络模型,通过新增网络检测层和网络剪枝技术分别提升网络的检测精度和检测速度,在硬件端以深度处理单元(Deep Learning Processing Unit,DPU)为核心搭建了底层硬件平台,对网络的卷积计算进行并行加速,改进后的模型通过量化和编译后可以部署至FPGA+ARM异构平台。经测试,在KITTI数据集上的检测精度为85.32%,功耗为8.2 W,检测帧率为31.2 Hz,算力功耗比达到58.3 GOPs/W,是RTX 2060 super型GPU的3.9倍,Intel i7-12400型CPU的9.3倍。实验结果表明,该方案满足道路交通目标检测设计要求,相较常用目标检测平台GPU,所提方案的部署空间小、功耗低,更适于灵活部署在空间紧凑、能源供给受限的智能汽车中。

关键词： 无人机倾斜摄影测量   三维建模   目标检测   深度学习  

摘要： 滑坡现象对人类居住环境和城市建设的安全性构成了相当大的威胁,准确无误地识别滑坡就成为了防灾减灾领域内诸多研究课题的核心前置步骤。针对传统的滑坡体识别主要靠人工野外实地调查,危险性高、效率低、检测精度低的问题。首先,使用无人机倾斜摄影技术进行图像采集,其次,利用ContextCapture进行三维实景建模,最后通过深度学习技术可以对滑坡灾害区域进行图像分割,对滑坡发生的区域进行图像提取,从而达到识别的目的。选取山西省大同市云州区西坪村为研究区,通过基于深度学习的目标检测算法可以为滑坡体的精确识别定位提供数据支撑。通过对比YOLOV8-RCS-OSA、YOLOV3-tiny、YOLOV5n三种训练模型,最终选择YOLOV8-RCS-OSA进行目标检测,实验结果证明YOLOV8-RCS-OSA模型的mAP@0.5达到99.5%,mAP@0.5:0.95达到65.2%,对精确快速地获取滑坡信息对预测滑坡发生的可能性、减轻山体滑坡灾害影响、强化预防和治理效果都极具重要意义。

关键词： 水下目标检测   图诱导原型对齐   域自适应   卷积块注意模块  

摘要： 针对水下目标检测易出现域偏移而导致检测精度下降的现象,文中提出了基于图诱导原型对齐(GPA)的域自适应水下目标检测方法。该方法通过区域建议之间基于图的信息传播得到图像中的实例级特征,导出每个类别的原型表示用于类别级域对齐,从而聚合水下目标的不同模态信息,以此实现源域和目标域的对齐,减少域偏移带来的影响;同时添加了卷积块注意模块(CBAM),使神经网络能够专注于不同水域分布下的实例级特征。实验结果证明该方法能够有效提高发生域偏移时的检测精度。

关键词： 智能交通   车路协同   目标检测   激光点云   联邦学习(FL)策略   深度学习模型  

摘要： 在智能交通中,为弥补路侧端点云数据集的缺乏,提高目标检测模型泛化能力,提出了一种基于参数自适应联邦学习(FL)的点云目标检测算法(FLA3DSSD)。在各个路侧客户端数据不互通的情况下,将基于点的3D单级目标检测器(3DSSD)算法与经典联邦学习(FL)策略相结合,同时通过上传局部模型在路侧服务器进行模型自适应参数融合改进客户端模型参数更新策略,实现数据信息共享,并提升检测精度。结果表明:在车路协同差异路口场景算法部署任务中,对比本地数据训练模型,直接部署于其余客户端,用FL与3DSSD的聚合模型所测试的检测平均精度(AP),上升5%~40%;带有改进参数的自适应联邦学习FLA3DSSD聚合模型,实现AP值提升1%~7%。因此,在保护数据隐私的前提下,本方法能够提高模型泛化能力和检测精度。

关键词： 目标检测   航拍图像   小目标   特征提取   注意力机制  

摘要： 针对传统检测算法在航拍图像小目标检测上准确率低,并存在误检、漏检等问题,提出一种基于YOLOv5的改进算法RBN-YOLOv5。设计基于RepVGG模块的C3RepBlock特征提取模块,增加小目标检测层更具判别性的浅层特征,通过局部和全局信息的联合表征获得更大的感受野;引入BiFormer注意力机制,提升模型检测精度,并基于归一化Wasserstein距离改进损失函数,增强小目标定位能力。在VisDrone2019数据集上的训练结果表明,RBN-YOLOv5相较于YOLOv5在检测精度上提高了9.8%,而且模型参数量大幅降低。

关键词： 目标检测   轨道交通   深度学习   YOLOP   注意力机制  

摘要： 针对轨道交通场景下环境感知中目标检测精度不足、检测速度缓慢以及如何在两者之间寻求平衡的挑战,文章提出了一种可同时检测与分割的多任务感知模型。首先,针对轨道交通场景现有数据集缺失问题,利用在轨道现场拍摄的样本图片创建了铁路环境感知数据集,用于训练模型和评估模型;其次,针对数据集数据量有限、多样性不足的问题,对数据集进行Differential RandAugment数据增强,通过引入可微分参数来优化数据增强策略,生成更加多样化的训练样本;最后,增加三重注意力机制以改进原YOLOP算法在特征提取时丢失关键信息的不足,通过对特征图3个方向进行注意力加权,改善了原始模型对关键信息的提取情况,从而提升了模型在小目标检测任务中的性能。通过在实际场景数据集上进行验证,结果表明,该模型在小目标检测、运行速度和环境适应性方面都取得了显著的改进。在自创数据集上,所有类别目标的检测准确率达到了0.945,召回率为0.853,平均精度为0.900;在小目标检测方面,平均精度达到了0.837,检测速度达到了23.5帧/s,为轨道交通领域的目标检测研究提供了有效的解决方案,具有重要的实际应用前景。