关键词： 船舶目标检测   YOLOX   尺度自适应   特征强化   分配策略  

摘要： 现有船舶目标检测算法大部分只是基于传统目标检测算法的优化改进,没有考虑船舶具有尺度长宽比例的外观特性,在多尺度目标检测中出现漏检误检问题。为了解决此问题,在YOLOXs基础上,提出一种尺度适应性感受野的船舶检测方法(SAF-YOLOX)。首先,对主干网络提取的不同特征层通过构建双向特征金字塔进行特征融合,增强每个尺度下的特征描述力;同时,设计自适应特征强化模块,抑制不同尺度的特征融合引入的冗余信息,弱化背景信息;然后在预测时,采用多路并行感受野的检测头,利用具有适应目标大小以及比例的感受野提取目标尺度适应性特征信息进行预测;最后,采用先筛选再分配的收敛感知策略,根据网络的收敛状态动态地分配样本,保证检测速度的同时提高检测精度。实验结果显示,所提方法在大型海事监控数据集SeaShips和MCShips上的平均检测精度分别达到93.21%和92.34%,与传统YOLOXs相比,分别提高了1.01%和1.09%。实验结果证明,所提方法利用尺度适应性感受野能实现多尺度船舶目标的高精度检测。

关键词： 车辆工程   电气化公路   智能识别   计算机视觉   受电弓  

摘要： 针对当前电气化公路受电弓-接触网系统的弓网接触点检测方法无法适用于电气化公路重型卡车的问题,本文提出了一种基于计算机视觉的检测方法,用于实现对弓网相对位置的智能识别。该方法首先使用BiSeNet v2轻量级语义分割算法,对受电弓和接触网进行分割,通过筛选滤波得到弓网接触点的位置坐标,推算出弓网横向位移、速度值,提取受电弓-接触网系统的横向摆动的空间信息,为横向智能跟踪控制提供闭环输入支持。

关键词： 钢结构   表面锈蚀   损伤检测   计算机视觉   滑动窗口法  

摘要： 针对钢结构表面锈蚀损伤,传统的人工检测方法耗时、费力,且受检测人员技术水平限制。计算机视觉技术为钢结构表面锈蚀的检测和分类提供了一种快速准确的替代方法。目前常用的锈蚀程度检测技术多基于卷积神经网络结构,由于网络结构自身的缺陷,在进行锈蚀程度分类时存在忽略图像中部分锈蚀特征的问题,导致错误的检测结果。为此,提出了一种基于Vision Transformer网络结构的钢结构表面锈蚀程度识别方法,通过引入自注意力机制(SA)在进行特征提取的过程中保证数据的完整性,并在自建的锈蚀程度图像数据集上进行验证,该方法对锈蚀程度的分类准确率可达到90%。此外,还提出一种基于滑动窗口法的钢结构表面锈蚀程度检测方法,对待检测的钢结构图像进行切割,利用训练好的网络结构进行锈蚀程度检测,将检测后的图像重新拼接,实现钢结构表面锈蚀程度的可视化。

关键词： 行人重识别   计算机视觉   遮挡   局部特征   特征互补  

摘要： 本研究致力于解决行人重识别领域面临的挑战,特别是由于遮挡等问题导致的识别难题。现有方法通常在整体图像上进行处理,容易忽略被遮挡的细节信息,从而可能导致错误的识别结果。为了应对这一问题,本研究提出了一种局部特征互补的遮挡行人重识别方法。该方法通过对局部特征提取、学习以及特征间互补,有效地减轻了背景干扰和遮挡对行人重识别准确性的负面影响。研究结果表明,该方法在提高行人重识别准确性方面表现出明显的优势,为解决遮挡问题提供了新的思路,具有重要的实际意义和应用前景。

关键词： 目标检测   轻量化   注意力特征融合   注意力机制  

摘要： 针对YOLOv5s基准模型参数量大、特征尺度差异化等问题,提出基于高效卷积注意力特征融合的轻量级目标检测模型.首先,构建基于幻影操作的轻量化特征提取模块,在保证检测精度接近原模型的前提下,提高模型的实时性.其次,优化通道注意力和空间注意力模块,提出基于高效卷积的注意力特征融合模块,并设计兼具检测精度与实时性的轻量级目标检测模型.在具有不同复杂道路场景的数据集BDD100K上开展实验.结果表明,相较于基准模型,所提模型的检测精度和推理速度均得到提升,其中全类平均检测精度提升了1.4%,帧率提升了28.2%.相较于当前行业应用中主流的深度学习模型,所提模型在精度与速度的均衡性上表现出显著优势.

关键词： 目标检测   MobileNet   SSD算法   缺陷检测  

摘要： 为能够更为高效地检测工件表面加工缺陷,提出了一种MobileNetV3-SSD目标检测算法,它能够有效实现工件表面缺陷检测。此算法通过改进SSD的骨架网络为MobileNetV3-Large,有效减少网络参数量和计算量,通过结合自底向上的特征金字塔网络的改进算法,使网络能够捕捉不同尺度和形状的目标信息,将语义分割辅助任务与多层特征融合相结合,进一步提升检测性能。使用PASCAL VOC数据集和Kolektor工业缺陷数据集验证该算法,在PASCAL VOC数据集上的mAP达到77.3%,较SSD算法提高0.4%,在Kolektor数据集上的FPS达到了105,较SSD算法提高112%。验证了MobileNetV3-SSD算法相较于传统SSD网络,具有更好的检测精度和检测速度。

关键词： 激光技术   图像处理   历史建筑保护   平立剖图  

摘要： 为了更好地将即时定位与地图构建(SLAM)3维激光扫描技术应用在历史建筑保护中,实现利用3维点云模型对历史建筑进行数字化保护,以云南白族历史建筑为研究对象,采用了SLAM 3维激光扫描技术获取历史建筑高精度点云模型,该技术不仅能快速地完成数据采集工作、提高历史建筑数字化保护工作的效率,还可以形成历史建筑丰富的数字化成果;通过对实验区数据的理论分析和实验验证,证明了SLAM 3维激光扫描技术在历史建筑数字化保护中的可行性。结果表明,距离中误差为0.004 m,点位中误差为0.037 m和0.021 m;SLAM 3维激光扫描技术能够快速、准确地完成历史建筑数据采集过程并形成高精度点云模型,基于该模型提取的平立剖面图能够达到相关规范精度要求。该研究为历史建筑数字化保护提供了一种新的思路和方法,有望在未来的应用中发挥更为积极的作用。

关键词： 单目3D目标检测   高深约束   边缘融合   多尺度特征   注意力机制  

摘要： 单目3D目标检测旨在通过单目图像完成3D目标检测,现有的单目3D目标检测算法大多基于经典的2D目标检测算法。针对单目3D目标检测算法中通过直接回归的实例深度估计不准,导致检测精度较差的问题,提出了一种基于高深约束与边缘特征融合的单目3D目标检测算法。在实例深度估计方法上采用几何投影关系下的实例3D高度与2D高度计算高深约束,将实例深度的预测转化为对目标的2D高度以及3D高度的预测;针对单目图像存在图像边缘截断目标,采用基于深度可分离卷积的边缘融合模块来加强对边缘目标的特征提取;对于图像中目标的远近造成的目标多尺度问题,设计了基于空洞卷积的多尺度混合注意力模块,增强了对最高层特征图的多尺度特征提取。实验结果表明,所提方法在KITTI数据集上的汽车类别检测精度相比基准模型提升了7.11%,优于当前的方法。

关键词： 小目标检测   特征提取   特征融合   多尺度特征   边界框回归损失函数  

摘要： 为了从小目标有限特征中获取关键的有效信息,提升小目标的定位能力和检测精度,文中提出窗口锚定的偏移受限动态蛇形卷积网络航拍小目标检测方法.首先,构造偏移受限动态蛇形卷积,在不同方位动态偏移,受限蛇形卷积核自适应地关注不同大小和形状的特征区域,使特征提取聚焦于微小局部结构,促进小目标特征的捕获.然后,采用双阶段多尺度特征融合方法,对不同层阶特征图进行特征对齐、融合和注入,增强底层细节信息与高层语义信息的融合,并强化不同尺寸目标信息传输,提高小目标的检测能力.与此同时,设计窗口锚定的边界框回归损失函数,基于辅助边界框和最小点距离进行边界回归,获得准确的回归结果,提高小目标的定位能力.最后,在3个航拍数据集上的实验表明,文中方法对小目标的检测性能有不同程度的改善和提高.

关键词： 高光谱   异常检测   目标检测   背景污染   协同表示   双层结构  

摘要： 在高光谱目标检测领域,基于协同表示的算法展现出优异的性能,但其一直存在异常点对背景字典的污染问题,这一定程度上影响了算法的检测性能。本文提出了一种改进的协同表示高光谱异常检测算法,设计了双层协同表示结构,首先利用第一层协同表示算法将大部分异常点检出,并用其邻域进行背景纯化,剔除已检出的异常点对背景字典的污染,然后用纯化的背景字典来预测背景,进而在第二层采用协同表示进行异常检测。仿真试验表明,通过简单的双层协同表示结构可以有效地减轻异常点对背景污染的问题。该算法的检测性能相对基础的协同表示算法有显著的提升,与现有的算法对比,具有相对较好的检测效果。