关键词： 图像处理   多目标跟踪   深度学习   卷积神经网络   生成对抗网络  

摘要： 针对多目标跟踪中的跟踪结果易受遮挡而产生的漏检问题,提出一种公路场景下的基于生成对抗机制的多目标跟踪方法。首先,对经过预训练的跟踪网络输出的特征进行处理,在特征空间中添加自适应的二维遮挡掩码,生成现实生活中难以获得的遮挡样本;其次,利用生成对抗网络在无监督学习方面的优势,将FairMOT模型作为判别网络,加入结合强化学习机制的生成网络来学习如何筛选困难样本,2个网络进行对抗训练以提升多目标跟踪模型的遮挡不变性,提高跟踪精度;最后,在重识别分支中引入中心损失函数以提高重识别准确度。取数据集BDD100K中部分视频序列进行实验,实验结果表明:改进后算法的跟踪准确率提升了0.8个百分点,跟踪精度降低了0.4个百分点,跟踪过程中身份的切换次数减少了208。

关键词： 精准农业   目标检测   农作物分类   机器学习   模型压缩  

摘要： 【目的】解决自动化杂草管理中的一个核心挑战——杂草的识别,提高杂草识别的效率和准确性。【方法】采用了深度学习的方法进行目标识别,并结合经过优化的YOLOv5网络,开发出了一种轻量级的杂草识别网络,然后进行模型训练和测试。【结果】剪枝后得到的YOLO-WeedV3,其mAP值为0.886,超越了YOLOv5(0.853)和YOLOX(0.877),同时在参数量和计算量方面均是三者中最低的。【结论】相较于原始的YOLOv5模型,该网络在保证精度的前提下,降低了对存储空间和计算量的要求,使其更适合移动或嵌入式设备上的应用。这一成果不仅证明了该技术在处理杂草识别问题上的有效性,也展示了其在计算能力受限的边缘计算环境中的应用潜力。

关键词： FCN   图像处理   语义分割   膨胀卷积   多尺度提取   残差网络  

摘要： 针对胸部X射线影像中肺炎病灶识别工作量大,结果不够精准等问题,提出一种基于改进FCN的肺炎病灶图像分割方法。首先,构建Pascal数据集格式的健康肺部影像和感染肺炎影像的数据集。其次,对比不同ResNet网络和传统VGG网络训练损失的收敛速度。然后使用效果最好的ResNet50网络代替经典FCN算法中VGG网络作为主干网络,并提出一种多尺度特征提取模块,最后将改进的FCN网络与传统FCN网络、LR-ASPP、DEEPLAB-V3进行对比,改进的FCN网络较其他方法得到了更好的效果。实验结果表明,改进的FCN网络可以精准分割胸部X射线中各种形状和大小的肺炎病灶,分割效果良好,可以为临床的肺炎诊断提供可靠依据。

关键词： 齿轮参数   机器视觉   图像处理   虚拟仪器  

摘要： 针对传统的齿轮参数检测中测量不便、效率低和人机交互不强等问题,以LabVIEW为开发平台,利用虚拟仪器技术、图像处理技术和机器视觉技术,设计一种基于机器视觉的齿轮参数检测评定系统。系统具有齿轮图像采集、图像处理、系统标定、轴孔中心检测以及齿轮参数检测评定等功能,可测量评定齿轮齿顶圆、齿根圆、单个齿距偏差f_(pt)及齿距总偏差F_(p)、公法线长度偏差等。采用0级标准量块对系统进行标定,并对设计的系统进行了测试和对比,通过将检测结果与齿轮的设计理论值进行对比评定系统的准确性。结果表明:该检测评定系统界面友好、易扩展、效率高、操作方便,并可对采集数据进行自动保存、回放和齿轮参数可视化评定。

关键词： 改进YOLOv8算法   目标检测   机器视觉   异物检测  

摘要： 为解决人工检测发动机缸内异物时的漏检和误检等问题,设计基于改进目标检测算法YOLOv8的发动机缸内异物检测算法并进行试验验证。基于CoTNet中的注意力机制,设计Contextual Attention模块,重构C2f中的Bottleneck结构为CoA_C2f,替换YOLOv8骨干网络中的C2f模块;将模型Neck部分连续上采样后的特征图Concat模块替换为上下文聚合模块CAM;在Neck和Head之间嵌入Triplet Attention模块。试验结果表明:设计的发动机缸内异物检测模型可有效识别缸内异物,在原始YOLOv8基础上引入CoA_C2f、CAM和Triplet Attention 3个模块后的平均检测精度提高21.65%。

关键词： 红外图像   目标检测   注意力机制   特征融合   深度神经网络  

摘要： 目的基于可见光和红外双模态图像融合的目标检测算法是解决复杂场景下目标检测任务的有效手段。然而现有双光检测算法中的特征融合过程存在两大问题:一是特征融合方式较为简单,逐特征元素相加或者并联操作导致特征融合效果不佳;二是算法结构中仅有特征融合过程,而缺少特征选择过程,导致有用特征无法得到高效利用。为解决上述问题,提出了一种基于动态特征选择的可见光红外图像融合目标检测算法。方法本文算法包含特征的动态融合层和动态选择层两个创新模块:动态融合层嵌入在骨干网络中,利用Transformer结构,多次对多源的图像特征图进行特征融合,以丰富特征表达;动态选择层嵌入在颈部网络中,利用3种注意力机制对多尺度特征图进行特征增强,以筛选有用特征。结果本文算法在FLIR、LLVIP(visible-infrared paired dataset for low-light vision)和VEDAI(vehicle detection in aerial imagery)3个公开数据集上开展实验验证,与多种特征融合方式进行平均精度均值(mean average precision,mAP)性能比较,mAP50指标相比于基线模型分别提升了1.3%、0.6%和3.9%;mAP75指标相比于基线模型分别提升了4.6%、2.6%和7.5%;mAP指标相比于基线模型分别提升了3.2%、2.1%和3.1%。同时设计了相关结构的消融实验,验证了所提算法的有效性。结论提出的基于动态特征选择的可见光红外图像融合目标检测算法,可以有效地融合可见光和红外两种图像模态的特征信息,提升了目标检测的性能。

关键词： 伪装目标检测   多波谱数据集   注意力机制   可见光图像   红外图像  

摘要： 为了深入挖掘伪装目标特征信息含量、充分发挥目标检测算法潜能,解决伪装目标检测精度低、漏检率高等问题,该文提出一种多模态图像特征级融合的伪装目标检测算法(CAFM-YOLOv5)。首先,构建伪装目标多波谱数据集用于多模态图像融合方法性能验证;其次,构建双流卷积通道用于可见光和红外图像特征提取;最后,基于通道注意力机制和空间注意力机制提出一种交叉注意力融合模块,以实现两种不同特征有效融合。实验结果表明,模型的检测精度达到96.4%、识别概率88.1%,优于YOLOv5参考网络;同时,在与YOLOv8等单模态检测算法、SLBAF-Net等多模态检测算法比较过程中,该算法在检测精度等指标上也体现出巨大优势。可见该方法对于战场军事目标检测具有实际应用价值,能够有效提升战场态势信息感知能力。

关键词： SAR舰船检测   边缘特征增强   目标检测   图像去噪   注意力机制  

摘要： 合成孔径雷达图像用于舰船检测时,不可避免地受到相干斑噪声影响,并且近岸舰船检测易被复杂背景信号淹没。对此提出一种基于边缘特征融合网络的舰船检测算法RBox-YOLO,以YOLOv8为基线网络通过优化Canny算子边缘来增强图像中的边缘轮廓,形成较完整的物体边界。引入一种基于坐标注意力机制的FDN模块融合去噪后图像,以提高复杂背景下捕获关键信息的能力。采用双线性插值法的上采样与注意力机制结合的CAU模块,减少上采样带来的细节特征损失。另外,使用一种基于旋转框的损失函数来提高复杂背景下舰船的检测效果。实验结果表明,RBox-YOLO算法既保持了YOLOv8算法实时检测速度,平均精度还提高了8个百分点。初步判定RBox-YOLO算法具有良好的检测性能和较高的应用价值。

关键词： 无人机   目标检测   量化加速   行人跟踪   重识别  

摘要： 将智能检测跟踪算法与无人机(UAV)的灵活性相结合是UAV应用的研究热点。针对UAV的视角及运动导致目标滑移和遮挡的问题,提出一种基于检测和重识别的UAV行人跟踪算法。对训练好的YOLOv5进行TensorRT加速,解决UAV计算资源有限的问题;以量化加速的目标检测算法与重识别算法为基础,构建行人跟踪算法框架;设计判定行人匹配度,完成行人匹配系统设计。仿真试验表明:训练后的YOLOv5和OSNet具备一定的精度,采用TensorRT加速后的YOLOv5网络在保证精度的情况下,帧率有了近50%的提升。飞行试验表明:所提算法在行人穿插及障碍物遮挡的情况下,可以实现对目标的稳定跟踪,具备一定的实用性和有效性。

关键词： 目标检测   无人机图像   小目标   特征融合   损失函数  

摘要： 无人机因其飞行高度和拍摄角度的独特性,采集的遥感图像中存在大量小目标。小目标物体像素小、语义信息少,容易受背景信息干扰和出现聚集遮挡,是当前检测模型性能不佳的主要原因之一。提出一种面向小目标的无人机图像目标检测模型UAIDet(unmanned aerial vehicles images detector),从解决信息冲突和检测框回归难入手,提升模型的检测性能。其一,构建自适应的通道融合模块,在特征融合阶段动态学习通道权重以过滤不同尺度特征之间的信息冲突,抑制特征融合时的尺度不一致性,提高小目标物体的检测能力;其二,设计误差敏感定位损失函数,在小目标物体检测框的收敛阶段提出偏移敏感损失项以解决小目标对几何误差的敏感性,提高定位损失函数的鲁棒性,优化小目标物体的检测精度。在数据集Visdrone2022上对文章方法进行实验,mAP(means average precision)和AP50(average precision at IOU threshold 50%)分别达到了22.0%和37.1%,相较于基准模型分别提高3和4.7个百分点。TinyPerson数据集上的mAP和AP50为9.9%和29.1%,分别提高了4.29和4.2个百分点,证明UAIDet模型的有效性和鲁棒性。