关键词： 激光遥感图像   残差密集块   卷积神经网络   聚类算法   大律法   目标检测   去噪处理  

摘要： 为了提高对目标检测的效果,提出基于残差密集块的激光遥感图像中目标检测方法。首先,设计基于残差密集块的卷积神经网络,在设计ReLU激活函数并完成网络训练后,基于含噪激光遥感图像的初步特征提取结果,利用单个卷积展开卷积映射处理,抽取出潜在干净图像。然后,通过聚类处理的方式,得到激光遥感图像中车辆目标的显著图,再利用大律法,通过建立的特征比例关系的方式检测出其中的目标信息。实验结果表明,应用该方法有效滤除激光遥感图像中的噪声,并精准检测出激光遥感图像中的车辆目标。相比于3种传统方法,该方法检测结果均值误差的最小值仅为0.0156,说明该方法有效实现了设计预期。

关键词： 目标检测   anchor-free   卷积神经网络   Transformer  

摘要： 目标检测作为计算机视觉领域的基础,其研究价值对于推动人工智能发展具有重要意义。长期以来,许多学者都致力于提升目标检测算法效率及性能的研究,无锚点(anchor-free)的目标检测深度学习算法以尺度灵活、鲁棒性强等优势,开始逐渐广泛应用于目标检测任务。介绍了目标检测领域中卷积神经网络和Transformer两种经典的网络架构;以核心网络架构为分类标准,分别介绍了基于卷积神经网络和基于Transformer的anchor-free目标检测深度学习算法,总结了这些算法的改进点和优缺点,并对该方向的未来发展及应用做出展望。

关键词： 计算机视觉   电子鼻   数据融合策略   红茶发酵  

摘要： 发酵是红茶加工中最关键的步骤,为解决传统加工依赖人工经验的问题,利用计算机视觉和电子鼻联合数据融合策略快速无损检测红茶的发酵质量。通过茶多酚质量分数将红茶发酵程度划分成不同等级,并与图像和气味信息建立关系;采用不同的数据融合策略结合随机森林(RF)、K最近邻(KNN)和支持向量机(SVM)建立红茶发酵的定性判别模型,并与单一传感器模型进行比较。结果表明,数据融合策略结合了不同传感器的信息,获得了更全面的数据,其模型判别结果优于单一传感器;特征级融合策略提取了不同传感器的信息特征值,简化了模型数据,获得了比数据级融合策略更优的模型性能;其中基于特征级融合策略的SVM模型分类效果最好,训练集分类正确率为100%,预测集分类正确率为95.56%,实现了对红茶发酵程度的快速、准确判别。

关键词： 自动驾驶   3D点云目标检测   深度信息融合   点云体素化   KITTI数据集  

摘要： 目的基于点云的3D目标检测是自动驾驶领域的重要技术之一。由于点云的非结构化特性,通常将点云进行体素化处理,然后基于体素特征完成3D目标检测任务。在基于体素的3D目标检测算法中,对点云进行体素化时会导致部分点云的数据信息和结构信息的损失,降低检测效果。针对该问题,本文提出一种融合点云深度信息的方法,有效提高了3D目标检测的精度。方法首先将点云通过球面投影的方法转换为深度图像,然后将深度图像与3D目标检测算法提取的特征图进行融合,从而对损失信息进行补全。由于此时的融合特征以2D伪图像的形式表示,因此使用YOLOv7(you only look once v7)中的主干网络提取融合特征。最后设计回归与分类网络,将提取到的融合特征送入到网络中预测目标的位置、大小以及类别。结果本文方法在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)数据集和DAIR-V2X数据集上进行测试。以AP(average precision)值为评价指标,在KITTI数据集上,改进算法PP-Depth相较于PointPillars在汽车、行人和自行车类别上分别有0.84%、2.3%和1.77%的提升。以自行车简单难度为例,改进算法PP-YOLO-Depth相较于PointPillars、PP-YOLO和PP-Depth分别有5.15%、1.1%和2.75%的提升。在DAIR-V2X数据集上,PP-Depth相较于PointPillars在汽车、行人和自行车类别上分别有17.46%、20.72%和12.7%的提升。以汽车简单难度为例,PP-YOLO-Depth相较于PointPillars、PP-YOLO和PP-Depth分别有13.53%、5.59%和1.08%的提升。结论本文方法在KITTI数据集和DAIR-V2X数据集上都取得了较好表现,减少了点云在体素化过程中的信息损失并提高了网络对融合特征的提取能力和多尺度目标的检测性能,使目标检测结果更加准确。

关键词： 图像处理   深度学习   砂石骨料质量检测  

摘要： 在现代工程建设中,砂石骨料作为混凝土的主要组成部分,其质量直接影响工程质量和安全.本文研究的图像处理和深度学习技术被应用于砂石骨料的质量检测,以提高检测的准确性和效率.采集砂石骨料的图像数据,利用图像处理技术提取特征参数,再通过深度学习模型进行质量等级判别,可以快速识别砂石骨料质量,该方法能有效区分不同质量等级的砂石骨料,为混凝土质量控制提供技术支持.

关键词： 视频目标跟踪   目标分割   在线优化   特征融合   注意力机制  

摘要： 针对D3S算法对跟踪目标的判别能力不足的问题,提出了一种基于双分支在线优化和特征融合的视频目标跟踪算法。首先,构建双分支的在线优化分类器,实现对目标的二次定位,得到更准确的目标位置响应图;然后,在特征层上实现响应图与搜索特征的融合,并通过encoder模块促进融合过程,进一步突出跟踪目标的特征;最后,通过encoder模块实现模板特征的更新,拟合特征间的差异,提高分割模块的判别能力。在VOT2018和UAV123数据集进行实验,改进后算法与原算法相比,在VOT2018数据集上EAO提高了2.9%,在UAV123数据集上成功率提高了2.4%,准确率提高了2.9%。实验结果表明,本文方法提高了算法的判别能力,并且进一步提升了精度和鲁棒性。

关键词： 加香加料   喷嘴雾化效果   在线多维监测   图像处理  

摘要： 为有效监视烟草制丝线加香加料雾化效果,避免因雾化不均给产品质量带来风险,通过设计一种香糖料喷嘴雾化效果在线监测装置,实现实时对加香加料喷嘴雾化效果进行判断。结果表明:该装置可在线对滚筒内喷嘴雾化情况进行实时有效监测,及时发现并警示喷嘴雾化的异常情况,有效提高卷烟加香加料的稳定性和均匀性,稳定烟丝质量,保障卷烟品质。

关键词： YOLOV5   动态卷积   绝缘子缺陷检测   目标检测  

摘要： 针对绝缘子缺陷部分识别精度低问题,提出一种改进的YOLOv5算法,在原模型的特征融合部分引入动态卷积模块ODConv(omni-dimensional dynamic convolution),其通过并行多维注意力机制策略,增强模型对目标的特征提取能力.实验结果表明,改进后的算法比原算法召回率提高2.2%,精度提高3%,平均精度(MAP)提高2%,在NVIDIA GeForce RTX 30606G显存设备上速度达到172帧/s,对比多种主流目标检测算法,本文算法综合性能较优,可为输电线路绝缘子故障巡检提供技术参考.

关键词： 三维目标检测   点云   注意力   残差块   数据增强  

摘要： 围绕目前三维点云目标检测中存在的特征提取不充分、困难(Hard)目标检测准确率低、模型泛化能力有待提高等问题,提出了一种新的单模态三维点云目标检测模型Myvoxel R-CNN,该模型由3个主要模块组成,分别是3D主干网络、2D鸟瞰区域建议网络(2D主干网络+区域建议网络(RPN))以及检测头,在3D主干网络中添加了多头自注意力模块和基于稀疏卷积的残差块,增强了3D主干网络的体素特征学习能力,捕获了更多数据和特征内部的相关性.设计了一个由注意力融合模块组成的2D主干网络,增加了原模型对2D特征的关注度.为了进一步增加所提出模型的泛化性,引入了一种新的数据增强方案——随机局部金字塔数据增强方法,以形状感知的方式生成增强对象样本.在KITTI数据集上,本模型对汽车Hard级别的检测精度AP 3D提升了约2.23%,此外简单(Easy)和中等(Moderate)类别分别提高了约0.60%和0.62%,对行人Easy级别的检测精度AP 3D、AP BEV分别提升了约0.62%和0.86%,Hard级别的AP 3D、AP BEV分别提升了约1.45%和1.53%,实验结果表明,Myvoxel R-CNN在KITTI数据集上的表现优于其他方法.

关键词： 道路病害检测   YOLOv5   无人机影像   目标检测   大尺寸影像   多尺度特征融合   非极大值抑制  

摘要： 结合无人机和深度学习目标检测算法自动检测道路病害具有范围广、成本效益高等优势。然而,道路病害的形状和大小变化剧烈,很难完整检测它们。此外,受限于计算资源,通用的目标检测算法只适用于小尺寸影像(512像素×512像素或640像素×640像素),很难直接应用于大尺寸的无人机影像(5 472像素×3 648像素或7 952像素×5 304像素)。使用传统方法检测大尺寸影像中的多尺度目标会出现大尺寸目标切分、小尺寸目标漏检等问题。针对上述问题,本文提出了一种结合全局-局部多尺度融合策略和YOLOv5-RDD的创新解决方案。(1)构建了YOLOv5-RDD模型,在现有YOLOv5模型的基础上,设计多尺度C3(MSC3)模块和上下文特征金字塔网络(CFPN),增强了对多尺度目标的检测能力。(2)提出了一种全局-局部多尺度融合策略,利用下采样和切分手段获取大尺寸无人机影像的全局和局部信息,然后叠加全局和局部多尺度信息以获取整个大尺寸影像的多尺度信息,并采用中心非极大值抑制算法优化检测结果。(3)为验证所提方法的有效性,创建了一个专门用于无人机道路病害检测的UAV-RDD数据集。实验结果显示,与原始的YOLOv5模型相比,新模型YOLOv5-RDD在mAP上提升了5.8%,而全局-局部多尺度融合策略相比传统方法在mAP上提升了9.73%,充分证明了本文方法的有效性和优越性。