关键词： 智轨电车   多任务网络   目标检测   语义分割   鸟瞰图   特征金字塔  

摘要： 智轨电车在城市复杂道路场景下的安全运行离不开车载感知系统的支持,相较激光雷达感知,视觉感知算法存在距离检测精度不够、对环境光照敏感的短板。基于此,文章从智轨电车运行场景和感知方案部署成本出发,提出了一种基于激光雷达的多任务鸟瞰图(bird's-eye-view,BEV)感知算法。该算法采用深度学习的方法,将点云目标检测和语义分割两个任务统一到一个多任务网络中,相较独立部署两个网络的方法,其不仅节省了计算开销,还能提升网络检测分割性能。此外,该多任务网络采用基于BEV的点云编码方式,将从点云提取的特征通过映射转换到BEV空间,再通过特征金字塔进行多尺度的特征融合,最后分别通过检测模块和分割模块获取对应预测结果。测试结果表明,该算法的3D检测平均准确率达到0.925,分割准确率达到0.984,部署后单帧点云检测分割推理时间约为60ms,能够满足智轨电车实时准确感知周围障碍物和环境的要求。

关键词： 脑机接口   稳态视觉诱发电位   增强现实   目标识别  

摘要： 本研究探讨了一种基于增强现实(AR)环境和稳态视觉诱发电位(SSVEP)的脑机接口(BCI)系统,用于在真实场景下通过视觉注视完成对现实物品的选取任务。该系统结合了目标检测技术和AR技术,在真实物体上附加视觉增强效果,从而给予用户视觉刺激诱发相关脑电信号,再利用SSVEP技术解析脑电信号,完成对用户关注物体的识别。此外,本文采用了基于自适应动态时间窗的滤波器组典型相关分析算法实现对受试者脑电信号的快速解析。实验结果表明,该系统可以有效地识别解析SSVEP信号,对用户视觉目标的识别平均准确率达到了90.6%。该系统拓展了SSVEP信号在现实生活场景中的应用,在帮助行动不便和肢体功能受损患者进行物品选取任务上具备可行性和有效性。

关键词： 目标检测   缺陷检测   YOLOv8   可变形卷积   Inner-IoU  

摘要： 针对钢材表面缺陷检测任务中目标尺寸较小且形态多变,传统检测方法效率较低,通用算法也难以准确捕捉其特征信息等问题,提出基于YOLOv8的改进模型。利用可变形卷积替换部分标准卷积,使模型能更好地学习采样位置的偏移,适应表面缺陷的几何变换,从而提高检测精度;引入基于辅助边框的Inner-IoU损失函数,其能根据不同的检测任务自我调整比例因子,以控制辅助边界框的生成,适合处理形状多变的表面缺陷,提高模型泛化性。在基准数据集NEU-DET上的实验结果表明,与具有相同参数量的基线模型相比,改进后的模型的检测精度提高了2.3%,且优于其他对比算法。此外,在GC10-DET数据集上,与基线模型相比,其检测精度提高了4.0%,表明该模型具有良好的泛化性。

关键词： 生物医学工程   图像处理   脑机接口   生物医学信号处理   医疗卫生装备   生物医学成像   技术研究成果   神经工程  

摘要： 为促进我国生物医学工程领域的繁荣与发展,提升卫勤保障装备研发速度和质量,我刊“论著-研究与设计”栏目特面向全国征稿。该栏目主要报道生物医学工程领域最新的理论和技术研究成果、新型医疗卫生装备及器械的研制、医院数字化及智能化建设,选题包括但不限于:(1)基础研究类,如生物医学工程关键技术研究、生物系统建模及仿真研究、生物医学信号处理技术研究、生物医学成像与图像处理研究、脑机接口与神经工程研究。

关键词： 森林火情   深度学习   目标检测   YOLOv8  

摘要： 为解决森林防火工作中监测预警不及时、不准确的问题,基于YOLOv8模型提出了一种面向复杂场景的监测技术,实现了森林火情的快速准确监测。在Backbone部分引入动态蛇形卷积(Dynamic Snake Convolution, DySConv)模块和全局注意力机制(Global Attention Mechanism, GAM)模块,显著增强了模型的特征提取能力,提升了烟火特征的表现力。采用WIoU(Wise Intersection over Union)损失函数,增强网络对普通质量锚框的关注度,从而提供更准确的目标检测评估。通过将DyHead模块集成到检测头中,增强了检测头的尺寸、空间和任务感知能力,优化了整体性能。为了对模型性能进行严格评估,设计了消融实验和主流模型对比实验,结果表明,提出的方法是有效的,该方法的权重大小为14.4 MB,平均精度均值(mean Average Precision, mAP)@.5:.95达到80.3%。相较于YOLOv8,mAP@5:.95提高了8.7%。该模型可为远程火情监控与预警提供技术支持,在森林防火工作中具备实用价值和现实意义。

关键词： 目标检测   注意力机制   轻量化   深度学习  

摘要： 针对零件(以轴承座为例)表面缺陷人工检测效率低、容易误检和漏检的问题,提出了一种基于YOLOv5的改进的检测算法。首先在主干网络中引入CA注意力机制,该机制将位置信息嵌入到了通道注意力中,有效提升了模型的检测性能。其次,将YOLOv5的定位损失函数由CIoU改为WIoU v3 loss,以提高预测框回归精度。接着用轻量级卷积方法GSConv代替原有的标准卷积,使网络模型计算量及参数量降低,以提升模型推理速度。实验结果表明,所改进算法与YOLOv5s原模型相比,参数量减少了6.1%,计算量减少了3%,平均检测精度提升了1.3%,检测速度提升了1.6%。

关键词： 跌倒检测   计算机视觉   机器学习   深度学习  

摘要： 随着我国老龄化程度加剧,空巢独居老人所占比重明显上升,适老化设备越来越受到人们的关注。家庭环境下,由于无人看护、年龄增加以及突发疾病等一系列客观或主观原因导致的老年人跌倒已经成为威胁老年人健康的主要原因之一。因此,实时监测老年人的居家行为,对摔倒行为及时做出检测和预警,在一定程度上可以保障老人的生命安全,降低老年人由于意外跌倒所带来的生命健康风险。本文在对近几年跌倒检测方法研究进行广泛调研的基础上,根据数据获取所使用的不同类型传感器,将跌倒检测技术主要分成2类:非视觉跌倒检测方法和视觉跌倒检测方法。总结介绍了不同跌倒检测方式的系统构成,探讨了国内外最新的相关研究成果,并对其方法特点和实际应用进行了讨论。随着近几年深度学习技术的快速蓬勃发展,本文对基于深度学习的跌倒检测方法进行了重点调研,对相关算法原理及研究成果进行了深入分析与总结。此外,本文还介绍了常用的公开跌倒检测数据集,包括它们的规模和存储格式等特性,最后本文对跌倒检测技术近年来已取得的进展和未来的发展趋势分别进行总结和展望,并提出了不同方面的合理发展建议。

关键词： 树干检测   森林移动机器人   目标检测   热成像   轻量化  

摘要： 基于视觉导航的森林移动机器人具有机器人作为边缘设备算力有限、导航效果受光照影响较大的问题。为此,提出一种轻量化的树干检测方法,该方法基于YOLOv7-tiny模型,采用可见光图像与热成像图像作为输入,导航效果受光照影响较小;同时采用基于部分通道卷积(Partial Convolution,PConv)的特征提取模块-部分通道卷积高效层聚合网络(Partial Efficient Layer Aggregation Networks,P-ELAN),对基准模型进行轻量化改进;在训练阶段用alpha-CIoU损失函数替换原始的CIoU损失函数,提高边界框回归的准确性。结果表明,所提出的森林移动机器人树干检测方法相较于原始YOLOv7-tiny模型参数量减少31.7%,计算量减少33.3%,在图形处理器(Graphics Processing Unit,GPU)和中央处理器(Central Processing Unit,CPU)上的推理速度分别提升了33.3%和7.8%。修改后的模型在保持对树干检测精度基本不变的基础上更加轻量化,成为部署在机器人等边缘设备上的理想选择。

关键词： 目标检测   电力梯子   深度学习   特征提取   特征融合  

摘要： 针对传统电力监控存在效率低下、防控不全面和安全风险高等问题,设计了一种基于广义交并比的电力梯子自动化监测方法。首先,从大量监控视频中抽帧处理并制作一组电力梯子检测数据集,用于训练和测试算法。然后,在保证检测精度的前提下,使用MobileNetv2的主干网络替代YOLOv3的主干网络,适度地降低计算冗余度。最后,利用广义交并比损失提升检测精度。结果表明,与现有同类网络相比,提出的检测网络在电力场景梯子检测数据集上的检测精度为93.1%,具有更高的检测精度和速度,适合实际工程应用。

关键词： 无人机   OpenMV   目标识别   自动伴飞  

摘要： 无人机在众多领域展现出巨大的应用潜力,其中作为关键技术之一,目标跟踪对于提升无人机自主作业能力至关重要。文章介绍一种无人机目标识别与跟踪系统。该系统基于OpenMV平台,利用阈值分割的图像处理算法,确保目标识别的高精度与鲁棒性。通过分析图像中特定色块的位置,计算相对于图像中心的偏移量,进而确定目标运动轨迹。所获取的偏移信息被实时传输至无人机控制系统,无人机通过PID控制器调节,自动调整飞行路径,对目标实施紧密跟踪。在实现过程中,通过优化算法参数和进行大量实验测试,确保系统的稳定、可靠运行。实验结果表明,该系统能准确识别目标色块,并实现对目标的稳定伴飞,为无人机在目标跟踪、智能监控等领域的应用提供有力支持。