关键词： 无人机航拍   轻量化   YOLOv8n   SPD   WIoU   VisDrone2019   AI-TOD  

摘要： 航拍小目标检测中,由于图像背景复杂、目标尺度小、空间尺度变化大,导致无人机航拍出现漏检、误检等一系列问题。为提高无人机航拍检测准确性、实时性以及实现轻量化,文中基于YOLOv8n提出一种改进的无人机航拍视角小目标检测方法 WS-YOLO。首先,重构YOLOv8n网络结构,并增加160×160特征图对应预测头,以提高模型对小尺度目标检测的准确性与鲁棒性;然后,主干网络卷积层后嵌入SPD,防止细粒度信息的丢失并学习不太有效的特征表示,以提高对低分辨率图像的识别能力;最后,将CIoU损失函数替换为WIoU(v3)损失函数,以减轻图片质量低下对检测过程的影响。最终实验结果表明,环境、参数相同情况下,在VisDrone2019数据集与AI-TOD数据集上与原算法相比,WS-YOLO精确度能分别提升8.9%与7.7%,其参数量降低且FPS在合理范围,由此验证了提出的WS-YOLO在无人机航拍视角小目标检测中能够提高有效性。

关键词： 车道线检测   语义信息   自动驾驶   深度学习   计算机视觉  

摘要： 随着自动驾驶技术的迅猛发展,车道线检测作为其关键组成部分,引起了广泛关注,并在智能交通系统中展现出巨大的应用潜力。然而,在应对复杂环境挑战时,传统车道线检测技术往往难以提供足够的识别精度。回顾车道线检测技术的发展轨迹,系统性地梳理了84种先进算法,并创新性地根据语义处理方式划分为四类别:语义分割辅助类、语义信息融合类、语义信息增强类和语义关系建模类。通过深入剖析算法的技术特点和优势,揭示了当前车道线检测技术所面临的主要局限。最后,对未来车道线检测技术的发展方向提出见解,特别是在语义信息利用方面,指出了潜在的研究方向。

关键词： 火灾检测   计算机视觉   深度学习   颜色空间  

摘要： 针对计算机视觉方法解决传统火灾探测在大尺度空间上的不足,基于YCbCr颜色空间中的火灾特征,设计了一个基于颜色自注意力引导模块用于突出火灾特征。同时根据早期火灾的特点,对现有模型的结构进行了重新设计,在有效融合深层特征的同时减少了模型尺寸和推断时间。实验结果表明,基于颜色自注意力引导的早期火灾检测算法模型具有体积小、参数量少、准确率高的优点。参数数量相比YOLO v5s减少了95.5%,FLOPs减少了93.3%,模型大小减少了98.3%,IoU取值为0.5时所有类别平均准确率仅下降2.1%,达到83.6%。

关键词： 水稻病害   目标检测   YOLOv8   深度学习   图像处理  

摘要： 为提升对水稻病害的检测性能,本研究提出了一种改进的YOLOv8n检测算法。首先,在颈部网络中引入Slim-Neck结构,采用GSConv(Ghost shuffle convolution)降低计算成本,同时结合基于一次性聚合方法设计的跨阶段部分网络模块(VoVGSCSP)简化计算过程和网络结构,利用相似性感知注意力机制(SimAM)增强模型对病斑细微颜色变化的敏感性,最后将自适应特征金字塔网络(AFPN)模块和头部结构相结合,通过非相邻层的特征融合,精准捕捉病害区域的颜色、形状与纹理。试验结果显示,改进后的模型YOLOv8n-SMAF精确度、召回率和交并比阀值为0.50的平均精度(mAP_(50))分别达到85.1%、79.7%和83.7%。与原始模型YOLOv8n相比,改进后的模型YOLOv8n-SMAF精确度、召回率和mAP_(50)分别提高了3.8个百分点、4.5个百分点和2.7个百分点。与SSD、YOLOv7-tiny、YOLOv10n等其他主流模型相比,YOLOv8n-SMAF模型具有更高的检测精度,尤其在复杂场景下的检测任务中表现出优势。本研究改进的模型为水稻病害的早期预警和精准防治提供了技术支持。

关键词： 风景园林   景观感知   人工智能   计算机视觉   重庆  

摘要： 在“以人为核心”的时代语境下,城市景观作为全面推进美丽中国建设、城市空间品质提升的重要抓手,缺乏智能化、精细化和主客观结合的感知方法。首先,构建融合传统景观与认知科学的多学科理论框架,阐明景观感知的机制、过程和内容,建立主观与客观耦合的指标体系;其次,集成色彩分析、目标检测、语义分割和深度预测4种计算机视觉方法,并应用人工智能视觉大模型构建可解释的视觉融合模型,对城市景观的色彩特征、景观要素和空间形态3类客观感知进行精细化测度;再次,通过随机森林算法,捕捉客观感知与主观感知之间的非线性关系,实现对主观感知的精准预测;最后,在重庆市主城区开展实证研究,验证了视觉融合模型的有效性与科学性。

关键词： 目标检测   预筛选   滑窗保护   SO-CFAR   OS-CFAR  

摘要： 针对有序统计(Order Statistics,OS)CFAR运算量大的问题,本文提出了一种基于均值选小(Smallest Of,SO)CFAR预筛选的改进OS(ISOS)CFAR检测算法,该算法在达到与OS-CFAR相同检测性能的同时可有效减少算法运行量。SO-CFAR筛选算法在参考单元两侧同时存在干扰时会出现漏筛现象,ISOS-CFAR通过滑窗保护(Slide Protect,SP)算法改善了这种漏筛现象。SO-CFAR筛选算法在杂波突变高功率区会出现误筛现象,ISOS-CFAR通过OS-CFAR二次检测避免了这种误筛现象。仿真实验结果证明了ISOS-CFAR算法的有效性与优越性。

关键词： 三维目标检测   小目标   感兴趣区域   点云聚类   点云图像融合  

摘要： 目标检测技术在人工智能、人脸识别、自动驾驶等关键领域发挥着至关重要的作用。三维点云目标检测,特别是对小目标的识别,仍然是技术发展中的一个难点。针对该问题,本文提出了一种新的三维检测网络,该网络融合了图像与点云数据,以显著提高三维小目标的检测精度。首先,利用YOLOv5进行精确的二维目标检测,并利用相机和激光雷达的坐标映射关系建立三维约束,从原始点云中提取出锥形感兴趣区域;然后,针对远处的点云小目标,提出了一种基于聚类优化的三维目标检测网络架构,将感兴趣区域的点云同时输入PointNet及聚类模块中,并对两者的检测结果进行融合判别,提升三维小目标检测精度。在KITTI数据集上的测试结果表明:与现有技术相比,本文算法在中等难度条件下,两种小目标物体的平均精度(AP)分别提升了15.94%、2.29%;在高难度条件下,分别提升了13.34%、2.86%。证明了本文算法在提升三维小目标检测精度方面的显著效果和实际应用潜力。

关键词： 计算机视觉   深度学习   特征提取   目标检测   多目标跟踪  

摘要： 鱼类个体运动特征提取是分析鱼类行为的重要环节,为进一步解决鲈鱼行为识别中存在小目标个体和复杂背景导致检测难,以及在多条鲈鱼跟踪过程中因遮挡和非线性运动而频繁发生的ID错误切换问题,该研究提出了一种基于改进YOLOv8和ByteTrack的鱼类个体运动特征提取方法。首先对YOLOv8n模型进行了轻量化优化,用ODConv替换了主干网络的下采样卷积,并用Wise-IoUv3 Loss代替了原有的CIoU Loss,以此降低模型大小并提高检测速度和精度。然后对ByteTrack算法分别进行优化,通过应用扩展和线性卡尔曼滤波来适应目标的非线性运动和加速变化,以及引入高斯轨迹插值后处理策略,减少了遮挡情况下的错误身份切换。改进后的YOLOv8算法在模型大小和参数上与原YOLOv8模型分别降低了约2/3,精度、召回率分别提升了0.4和0.5个百分点,具有较高的检测精度及良好的鲁棒性和实时性。改进后的ByteTrack算法平均多目标跟踪准确率(multiple object tracking accuracy,MOTA)为88.7%,多目标跟踪精度(multiple object tracking precision,MOTP)为83.8%,平均每个测试视频的ID切换次数(identity switches,IDs)仅为37,帧率(frames per second,FPS)为95帧/s,能够满足实时跟踪需求。该研究提出的改进YOLOv8和ByteTrack的鲈鱼个体运动特征提取方法能够在实际养殖场景下实现较为稳定的鲈鱼个体实时跟踪,可为大规模无接触式实际水产养殖监测提供技术支持。

关键词： 综采工作面   数字孪生   目标检测   虚实同步映射   扩散模型   生成对抗网络  

摘要： 矿井综采工作面数字孪生模型的构建过程需要手动构建实体的数字孪生3D模型,然后对实体进行目标检测,并根据实时检测结果控制3D模型,以确保孪生体与实体之间的同步映射关系。因此,对井下目标的实时、准确检测是实现虚实同步映射控制的关键。目前主流的目标检测方法需要在传统模型中引入或改进模块,使得模型网络结构复杂、训练周期较长,降低了目标检测的实时性;同时,对于一些含高强度噪声的图像难以精确检测。针对上述问题,提出了一种基于UeDiff-GAN的综采工作面目标检测与孪生体同步映射方法。通过扩散模型对高质量样本进行加噪扩散,得到不同程度的加噪样本,然后使用生成对抗网络(GAN)模型进行训练;设计了平滑扩散算法,以控制扩散步长,加入不均衡扩散模块,以得到与预识别样本匹配的检测算法模型。使用Unity3D构建综采工作面3D模型并进行渲染,实现井下物理实体的对象孪生,据此构建综采工作面实体与其孪生模型的映射关系,根据井下不同位置的检测结果控制对应机器运动状态及姿态,实现孪生模型协同控制,从而实现过程孪生。在自制数据集上的实验结果表明:UeDiff-GAN模型对井下移动目标的平均检测精度较SSD,R-CNN,YOLOv7和Diff-GAN模型分别提升了19.4%,14.3%,9.1%,24.3%;检测速度较SSD,R-CNN分别提升了13.86,42.73帧/s;孪生模型与实体的实时性延迟至多为0.873 s。

关键词： 目标检测   模板匹配   交通标志   小目标识别  

摘要： 交通标志识别作为交通和路况的提示信息,是智能驾驶的重要一环。通常都是单纯采用目标检测算法进行交通标志识别,忽略了交通标志本身所具有的标准化和单一性。本文基于交通标志的标准化和个性化,提出一种更有效的交通标志识别算法。首先对自然场景下的交通标志数据集TT100K中的交通标志增加所属的大类信息,然后利用目标检测算法检测数据集中的标志所属大类,获得目标检测框,最后将标准交通标志图片作为模板,通过模板匹配方法与目标检测框区域内图像进行相似性对比,确定交通标志具体种类。实验证明,本文提出的算法与单纯使用目标检测算法相比大大提高了识别精度,为交通标志小目标识别算法的研究提供了新的思路。