关键词： 视觉车距检测   预警系统   单目测距   计算机视觉  

摘要： 本研究旨在构建一种基于计算机视觉技术的视觉车距检测预警系统。该系统通过分析和处理前方车辆的图像,实时获取车辆间距和速度等关键信息,并向驾驶员提供预警提示,以确保行车安全。本文主要内容包括:构建基于YOLO算法的目标车辆检测模型;采用单目测距技术,结合相机成像原理和相似三角形原理,对车载相机进行标定,建立图像中车辆像素高度与实际距离的映射模型;利用光流法和车距检测模型对前方车辆进行跟踪,并计算车辆间的相对速度。通过目标检测网络得到的车辆定位框及其中心点作为特征点,对连续图像帧中的目标车辆进行跟踪,根据目标车辆的相对位移获得相对速度,并计算预警时间,给出预警信息。

关键词： 深度学习   目标检测   轻量化技术   骨干网络  

摘要： 传统基于深度学习的目标检测算法通常需要巨大的计算资源和长时间的训练,不能满足工业界的需求。轻量级目标检测网络通过牺牲一部分检测精度,换取更快的推理速度和更轻量的模型,适用于边缘计算设备中的应用,受到了广泛关注。本文介绍了常用于压缩和加速模型轻量化技术,归类分析了轻量化骨干网络结构原理,并在YOLOv5s上进行实际效果对比。最后对轻量化目标检测算法的未来前景以及面临的挑战进行了展望。

关键词： 异常检测   无监督学习   语义分割   计算机视觉  

摘要： 为了改善目前常见的异常检测算法受到的异常数据难以获取以及繁多的异常类别之间数据不均衡的制约,提出一种语义分割辅助的单教师-多学生无监督异常检测算法。在知识蒸馏模型中使用多个学生网络参与预测,根据多个学生网络的均值、方差等统计信息生成特征图,增强预测结果的稳定性与准确性;利用特征金字塔的思想,提取多个尺度的视觉特征以提升模型检测不同尺度异常区域的能力;利用语义分割模型良好的边界提取能力,引入语义分割网络对异常检测结果辅助修正。与现有的无监督异常检测算法相比,该方法能够更好地定位与检测工业场景下的物体表面异常。

关键词： 智能车   TC264芯片   图像处理   自动驾驶   实时数据处理   高分辨摄像头  

摘要： 设计一种基于TC264芯片的摄像头传感器智能车,提高自动驾驶系统的环境感知能力。通过集成TC264芯片与高分辨率摄像头传感器,采用先进的图像处理算法和机器学习技术实现实时数据处理和分析。智能车在复杂路况下表现出色,能够准确识别障碍物并作出快速反应。基于TC264的智能车设计方案有效提高了自动驾驶的安全性和可靠性,为未来智能交通系统的发展提供了新思路。

关键词： 自然语言处理   计算机视觉   人工智能   训练数据   视觉感知   多学科交叉   泛化能力   逻辑推理能力  

摘要： “大模型”(大规模预训练模型)自面世以来,其技术发展日新月异。大模型是引领人工智能领域的变革式新范式,能够提供强大的知识表示与聚合能力,已展现出可与人脑媲美的视觉感知与逻辑推理能力。在超大参数规模、海量训练数据和强大计算资源支撑下,大规模基础模型(CLIP、SAM、GPT-4、Sora、LLa MA等)已成为一系列下游任务的基石,展示出强大的任务性能与卓越的泛化能力,在自然语言处理、计算机视觉、工业数字化和智能化等多个领域有着重要突破和广泛应用,其技术影响力已超越计算机领域,成为多学科交叉创新的关键驱动力。

关键词： 图像处理   烤烟   叶斑病害  

摘要： 研究一种基于图像分析技术的烤烟叶面病害识别方法,首先采集烤烟叶斑病害图像,利用InceptionV3网络提取图像特征,构建病害分类模型,同时,采用YOLOv5网络建立烟叶多病害检测模型以实现单个叶面图像中多种病害的识别,以期为提升烟叶病害的数字化防治水平提供参考。

关键词： 粗粒土   离散单元法   图像处理   孔隙  

摘要： 掌握细观孔隙结构演变规律对了解粗粒土的物理力学性质具有重要意义。利用PFC^(2D)模拟了粗粒土的双轴压缩试验,通过MATLAB程序对模型图像进行处理,并提取粒间孔隙轮廓,结合椭圆拟合来表征孔隙特征参数,进而分析粗粒土在双轴压缩条件下的孔隙演变规律。研究结果表明:双轴压缩条件下,粗粒土孔隙既有双峰分布特征,又具多峰分布特征,且不同密实度的试样孔隙演变规律不同。松散试样的孔隙演变规律整体变化不明显,孔隙体积稍微降低;而密实试样总体表现为大孔隙比例增加,小孔隙比例减少,孔隙形态逐渐趋于细长。在孔隙方向角的变化规律方面,松散试样与密实试样保持一致,均为初始加载时方向角分布均匀,随着加载的进行,平行于主应力方向的孔隙更加稳定并逐渐占主导地位。

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%。