关键词： 道路限速   道路限高   交通标志牌   目标检测   信息提取   街景影像  

摘要： 针对端到端识别模型对样本稀疏交通标志牌识别效果差的问题,本文构建了一种在街景影像中先检测交通标志牌,再提取限速限高语义信息的方法,以实现对标志牌所在道路限速限高属性的更新。首先,融合公开样本数据集,训练基于4种典型网络的检测模型,对比选用效果最佳的Faster R-CNN作为标志牌检测模型;然后,分割全景街景影像,在子图像中检测限速限高标志牌;最后,引入PP-OCRv3文字识别模型提取限速限高值,并通过语义约束清洗结果。结合交通运输部门公开数据,对本文方法进行测试,并在中国台湾省台南市开展应用试验。结果表明,该方法适用于样本稀疏的限速限高标志牌,能从街景影像中准确提取限速限高信息,对交通标志牌管理和限速限高道路属性校验更新具有应用价值。

关键词： 图像去噪   滤波   轨道图像   峰值信噪比   归一化均方误差  

摘要： 为保证轨道图像的质量和边缘细节信息的完整,对轨道图像进行去噪非常重要,基于此重点讨论和比较了均值滤波、高斯滤波、中值滤波、双边滤波四种去噪方法的去噪效果,通过采用峰值信噪比PSNR、归一化均方误差NMSE进行评价,仿真实验表明,采用双边滤波对轨道图像进行去噪效果相对较好,有利地保护了轨道图像的边缘细节信息。

关键词： 目标检测   多尺度特征融合   特征解耦   注意力   可变形卷积  

摘要： 针对目标检测中特征金字塔网络(FPN)造成的大尺度目标检测精度下降及目标检测2个子任务所需语义特征不一致问题,提出一种基于相邻特征融合(AFF)与特征解耦的网络(AFFDN)模型。该模型中的AFF模块通过多对一连接引入更短的梯度回传路径,缓解了大尺度目标梯度消失的问题;AFF模块通过共享参数和偏移量,有效减小了模型参数量,并增强了多尺度特征语义一致性;相比于基于神经架构搜索的FPN(NAS-FPN),AFF参数量更小、性能增益更显著。AFFDN模型中的特征解耦模块(FDM)通过动态感受野和全局注意力,在感受野-通道-空间3个维度上进行细粒度特征解耦,为不同分支生成特有的任务相关特征,进而提高目标检测精度。将AFFDN模型应用到不同的一阶段目标检测模型时,在PASCAL VOC和MS COCO2017数据集上与基线模型相比,检测精度分别提升了至少0.9%和2.3%。

关键词： 阵列雷达   自适应目标检测   协方差结构   目标信息   全增量线性化模型  

摘要： 针对多通道阵列雷达探测目标时有限训练样本与目标信息不准确等敏感因素导致检测性能急剧下降的问题,提出了协方差结构辅助的全增量线性化模型自适应目标检测方法。该方法采取联合处理思想,将目标不准确信息通过阵列导向矢量建模为全增量线性化模型,然后利用酉矩阵变换设计协方差结构辅助的检测,并将该检测问题转化为分数优化问题,再通过白化处理并优化求解推导出最终检测统计量。数值仿真结果表明,通过辅助利用协方差结构信息优化全增量线性化模型,有效改善了目标在复杂敏感环境下的检测性能,相比传统检测方法,在特定参数条件下自适应样本量减少时检测性能仍然保持最优。

关键词： 钢缆缺陷   注意力机制   目标检测   SSD算法   特征融合  

摘要： 针对在框绞过程中钢缆表面会产生缺陷的问题,采用了改进型SSD算法的方法。具体措施为:使用ResNet18作为SSD的骨干算法来提取特征信息;通过萤火虫优化算法和K-Means算法优化先验框,提高匹配精度;引入单向特征融合模块和改进的CBAM注意力模块,提高了检测的精度;将Focalloss作为损失函数,减少训练过程中负样本的权值。结合钢缆缺陷数据集进行训练实验,得出改进型SSD算法平均精度为80.3%,相对于传统的SSD-VGG模型提升9%,FPS保持在63.3。在检测精度和检测速度方面上,改进型SSD算法能满足实际需求。

关键词： 三维点云   车载激光   语义分割   域自适应   增量学习   计算机视觉  

摘要： 由于城市车载激光点云应用场景的复杂性,导致基于深度学习的语义分割模型面临着目标语义层面的域迁移现象,通常需要重新训练完整模型才能处理新增的语义类别。然而城市车载激光点云通常包括极大量的点,重新训练语义分割模型会浪费大量的资源。通过基于特征记忆库的城市车载激光点云域自适应语义分割方法,解决城市车载激光点云之间的目标语义域迁移现象,使得新增语义类别数据时,只需提取新增语义类别的特征,而无需重新训练完整的语义分割模型,得到的语义分割性能对比重新训练完整模型仅有较小的损失。

关键词： 计算机视觉   多目标跟踪   特征增强   通道注意力机制   空间注意力机制   卷积混合注意力机制  

摘要： 基于检测的多目标跟踪方法在复杂场景问题上达到了较好的效果,但已有研究大多关注于时空特征关联而忽视了提高检测性能所能带来的全局跟踪收益.据此,提出一种卷积混合注意力机制,该模块结合动态稀疏通道注意力和空间位置注意力:在处理通道注意力时,整合空间上下文信息,动态调整通道权重;在处理空间注意力时,结合不同通道特征评估空间区域的重要性,旨在优化注意力分配并提升检测精度.进一步地,提出一种两阶段多目标跟踪方法——CHAMTrack,通过在运动目标检测阶段使用该注意力机制,增强算法在复杂场景中对关键信息的捕捉能力,提升不同尺度目标的跟踪效果,降低跟踪过程中漏检和ID切换的发生率.在MOT17和MOT20数据集上的实验结果表明,CHAMTrack在MOTA指标上分别提升28%和20.5%,显著提升了多目标跟踪算法在复杂场景中的效果和鲁棒性.

关键词： 发动机   叶片损伤   目标检测   YOLOv4   注意力机制   扩张卷积  

摘要： 针对孔探设备检测航空发动机叶片损伤时会出现的漏检和人力物力耗费过大的问题,在YOLOv4网络的基础上提出一种基于扩张卷积和注意力机制的目标检测算法。使用CSPDarknet53作为特征提取网络;引入混合注意力机制并融合扩张卷积来增强网络的特征提取能力;采用Focal Loss函数优化原有的损失函数。实验结果表明:改进后算法网络的检测精度提高了5.71个百分点,更能满足发动机叶片损伤检测不漏检的需求。

关键词： 红外目标检测   YOLOv8   注意力机制   语义信息   无人机  

摘要： 针对无人机航拍红外图像中因为噪声干扰、光照波动和复杂背景带来的目标检测困难的问题,提出了一种基于YOLOv8的无人机红外目标检测算法SDE-YOLOv8。首先,引入了YOLOv10中的SCDown模块让每个尺度最大化地保留上下文的语义信息;其次,引入动态上采样器DySample来提升模型对于图像细节的敏感度;同时引入三重注意力机制改进C2f,来强化模型对空间和通道维度之间关系的理解和复杂数据的处理能力;最后,设计了轻量级解耦头Efficient_Head模块,确保了检测精度的同时大幅度减少了模型参数。实验结果表明,改进后的算法mAP50达到83.7%,较YOLOv8n提高了4.2%,精确率提升了1.2%,召回率提升了3.8%,浮点运算次数下降了2.5%,FPS达到了323.17 fps的检测速度,充分说明改进算法整体性能优于其他主流算法,能更好的完成无人机红外目标检测任务。

关键词： 青枣病虫害   YOLOv5   目标检测   工程化应用   边缘部署   实时检测  

摘要： 针对青枣病虫害传统检测效率低、实时性差的问题,本文提出基于YOLOv5的工程化检测系统,创新性地构建了首个包含9类病虫害及正常果的青枣专用数据集,共计863张图像。通过采用数据增强(旋转±15°、对比度调整)、超参数优化(学习率5×10^(-4)、batch size 32)及余弦退火训练策略,对YOLOv5s模型进行优化。实验结果表明,系统在青枣数据集上mAP@50达0.79,单帧推理时间0.148 s,满足田间实时检测需求。与YOLOv8s系列模型相比,YOLOv5s在保持较高精度的同时,参数量减少36%,推理速度提升37%,在Jetson Nano等边缘设备部署上优势显著。该系统基于PyQt5开发,集成图像采集、预处理、检测与结果可视化功能,为复杂农业场景下青枣病虫害检测开辟智能化高效新路径,有望为农业智能化发展中的病虫害防治贡献力量,具备一定应用价值与推广潜力。