关键词： 机动目标跟踪   时滞   卡尔曼滤波   交互式多模型   神经网络  

摘要： 机动目标跟踪结果在时间轴上的滞后问题是当前机动目标跟踪领域的一大难点。产生时滞的情况很多,一般在跟踪初期和发生较大机动的时间段内尤为明显,常常会因此出现误差高峰。如果能有方法抑制或者消除时滞现象,将能显著提高跟踪效果。从仿真实验的结果和现象入手,结合卡尔曼滤波理论、交互式多模型算法和现代神经网络模型对时滞问题进行剖析,根据跟踪各个阶段情况的变化,分析时滞产生的不同原因,并提出可能的解决方法,以期为提高机动目标跟踪效果提供参考。

关键词： 目标检测   轻量级   GhostNet   知识蒸馏   密集空洞空间金字塔池化  

摘要： 针对现有交通信号灯检测算法计算量和模型大,嵌入式端部署难,且对远距离交通信号灯的检测难度大,漏检率高等问题,设计了一种面向嵌入式端的轻量级交通信号灯检测算法,针对轻量化和实时性要求,采用GhostNet网络Ghost模块和Ghost瓶颈层结构,减少了模型参数量,提升了检测速度;针对特征相似问题,采用加权双向特征金字塔网络结构,使得算法对目标更敏感;使用密集空洞空间金字塔池化,优化全局上下文信息的提取;针对小目标识别问题,通过多尺度检测的改进,增强对小目标的信息提取;通过知识蒸馏,提升模型学习能力,进而提高检测性能。实验结果表明,该检测算法对交通信号灯的识别精度达到了97.0%,召回率达到了99%,较YOLOv5s算法分别提高了2.7和3个百分点,模型大小减小到8.06 MB,是YOLOv5s的58%,识别速率从51帧每秒提升到56帧每秒,通过在嵌入式端的测试,改进后算法对远距离下的交通信号灯能够实时准确地识别。

关键词： 无人机   YOLOv5   小目标检测   注意力机制   下采样   特征融合  

摘要： 针对常规目标检测算法在无人机小目标检测任务上特征提取难度大而导致检测精度低的问题,提出一种基于分块复合注意力的无人机小目标检测算法。首先,提出一种即插即用的分块复合注意力模块(PWCA),输入特征在空间维度切分成局部特征块,在局部特征块上提取通道注意力权重,加强通道信息在局部空间特征上的区分度,提高网络细粒度以适应小目标检测场景,然后融合输入特征与聚焦后的特征,并进一步挖掘空间注意力,关注网络中有效特征信息。其次,抛弃基线网络基于跨步卷积的下采样形式,结合PWCA提出自适应交错下采样模块(AID),根据重要程度自适应地分配下采样后的特征权重,减少下采样过程中小目标的信息损失。最后,对主干及特征融合网络进行轻量化设计,减少计算量并新增针对小目标的大尺寸特征图检测分支,优化了特征图的流动方向,丰富不同尺度特征图的语义信息,增强特征的表达能力,并保证实时性。针对性地采用Soft-NMS算法解决目标遮挡重叠时的漏检问题,提升检测效果。在公开数据集VisDrone2019上验证改进算法的有效性,与YOLOv5s目标检测算法相比,改进后算法最终的mAP0.5比YOLOv5s基线算法提升了11.81%,mAP0.5:0.95提升了10.91%,模型参数减少59%,网络在无人机小目标检测任务上能够较好地兼顾检测精度与推理速度,具有较大的实用意义。

关键词： 太赫兹图像   深度学习   目标检测  

摘要： 近年来,太赫兹成像技术已成为安全保障领域内的关键技术之一。然而,目前技术发展的局限性使得太赫兹成像系统在图像分辨率等方面面临挑战,这些问题直接影响到成像质量和图像的实用性。研究提出了一种新的基于深度学习算法的太赫兹人体安检图像处理技术。对YOLOv5s网络结构进行了改进,引入了注意力机制模块,并对特征金字塔网络(FPN)模块进行优化,增强了模型对于图像中关键特征的捕捉能力。通过实验对比,证明了改进后的模型在检测图像中的可疑物品方面具有更优的性能。研究旨在为太赫兹成像技术在人体安检中的应用提供新的解决思路,也为提升安检效率和准确性开辟了新的研究方向。

关键词： 船体分段合拢面   精度检测   点云   目标检测   深度学习  

摘要： 在船体分段合拢面精度检测方面,三维激光扫描仪相比全站仪具有高效、高精度和操作便捷等优势。但扫描点云往往数据量庞大且会包含大量与设计模型无关的周围空间点,不仅增加运算时间而且影响配准精度。基于显著构件的点云配准方法能解决该问题,但实现显著构件的智能识别,还需要一种针对船体分段合拢面构件的智能识别算法。采用深度学习方法,构建一种基于点的、无锚点单阶段目标检测神经网络模型,其适用于船体分段合拢面点云数据,基本实现了对船体分段合拢面上构件的智能识别。使用ADAM优化器对网络进行优化训练,在测试集上获得了平均精确度均值P_(A-m)为64.36%的效果。研究成果可用于改进点云粗配准方法,为实现船体分段合拢面精度的智能高效检测提供帮助。

关键词： 无人机   空间信息   视频结合   图像处理   定位  

摘要： 无人机遥感具有机动灵活、成本低、时效性强等优势,已成为获取地面目标图像信息的重要手段。目标的准确定位在目标识别、图像处理和分析中发挥着至关重要的作用。为满足在虚拟试验环境中高精度还原实际物理环境中建筑物、标识物等目标位置信息的现实需求,构建适用于三维GIS的无人机地理视频数据模型,通过硬件级别的同步将无人机的位置、姿态信息和视频融合建立视频数据和空间数据的对应关系,利用无人机飞行位置、姿态还原与视频匹配等技术方法实现对目标的定位,经多组计算视频定位数据与高精度GNSS设备实地采集数据对比,实现了其位置最大偏差值为5.772 m的定位精度,中误差为3.817 m,基本满足无人机对地面目标定位需求。

关键词： YOLOv5   行为分析   目标检测   智慧农业   系统设计  

摘要： 针对养殖生猪时难以及时获取猪只状态及健康情况的问题,设计了基于YOLOv5模型的猪只行为分析系统。系统由图像采集与预处理模块、行为识别模块以及结果输出模块组成,主要对猪只的进食、站立、饮水和趴卧四种行为进行检测和识别。系统通过对各种猪只行为图像进行训练和测试,实验结果表明行为识别效果较好。该系统应用于生猪养殖业,可帮助养殖人员及时获取猪只的行为信息,从而判断猪只状态并采取相应措施。

关键词： 计算机视觉技术   农作物   病虫害检测   农业生产  

摘要： 现代农业发展更趋集约化、信息化,这为计算机视觉技术的运用提供了空间。以计算机视觉技术在农作物病虫害检测中的运用优势为切入点,在此基础上分析其具体运用方法,包括建设信息作业系统、强调信息采集、运用可视化技术、重视信息复用等内容。最后就该技术在农作物病虫害检测中的未来运用进行展望,一方面客观呈现技术优势、特点,另一方面为其发挥价值提供必要参考。

关键词： 智能驾驶   汽车   机器视觉   图像处理  

摘要： 随着智能驾驶技术的飞速发展,机器视觉作为其核心组成部分,正日益成为研究的热点。本文首先概述了机器视觉技术的基本原理和应用领域,进而深入探讨了智能驾驶汽车中机器视觉的关键技术,包括图像采集、图像处理以及基于深度学习的图像分析技术,详细阐述了相关技术在车道线检测等实际应用中的具体实现方法和优化策略,旨在为智能驾驶汽车机器视觉技术的发展提供理论支持和实践指导。

关键词： 目标检测   输电线路   绝缘子   无人机   YOLOv8   超分辨重构   生成对抗网络  

摘要： 为解决无人机在输电线路巡检时遇到的绝缘子故障难以检测的问题,提出一种绝缘子故障检测新方法。该方法结合了真实世界增强超分辨率生成对抗网络(Real-ESRGAN)和改进的YOLOv8n。首先,利用Real-ESRGAN对数据集进行超分辨率重构,优化数据集质量,有效减少复杂背景的干扰;然后利用高效视觉变压器框架替换YOLOv8的主干,加强模型的特征提取能力,同时使模型在推理阶段有更快的处理速度;再对YOLOv8的检测头进行轻量化处理,进一步加速模型推理。试验结果显示,该方法的均值平均精度达86.7%,证明了其在复杂背景下的卓越目标检测性能。通过分析热力图,展示了该算法与传统YOLOv8在关注区域上的差异,从而揭示了模型的内部工作机理。