关键词： 计算机视觉   语义分割   注意力机制   多尺度特征融合  

摘要： 为解决双边分割网络在标签分割时存在的分割边界拟合精度低以及边缘不准确而导致的形心计算偏差问题,提出一种改进的BiSeNet模型。首先,改进损失监测机制,提升模型对目标对象的关注度;其次,设计了一种多尺度边缘融合模块,增强网络的特征表示和训练稳定性。消融实验和对比实验结果表明,改进的双边分割网络分割模型,其mIoU和mF1评价指标较基准网络分别提高了2.82百分点和2.51百分点。为验证其在振动测量中的有效性,以振动实验台作为实验对象。实验结果显示,与传统加速度传感器相比,所提方法测得的振动数据与真实位移数据之间的均方误差仅为0.06。

关键词： AKConv模块   YOLOv8   缺陷检测   多尺度特征提取   轻量化  

摘要： 传统的金属表面缺陷检测技术在复杂背景干扰与微小缺陷识别中存在漏检率高、多尺度特征提取不足等问题。为此提出一种基于YOLOv8改进的轻量化缺陷检测算法。通过自适应核卷积AKConv模块动态调整卷积核采样形状以增强多尺度缺陷特征提取能力,减少冗余参数计算。实验采用Kaggle公开数据集GC10-DET进行验证,改进后的YOLOv8-AKConv模型在测试集上的mAP50达到73.81%,相较于其他YOLO版本在检测精度上有显著提升。

关键词： YOLO v8   苹果叶部病害   目标检测   Shuffle Attention   C2f_DCNV2   MPDIoU  

摘要： 针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根据样本分布特点进行数据增强,引入Mixup、Mosaic、Random等数据增强方法增加特征表达能力,在提高检测性能的同时,不显著增加计算复杂度;在neck末端,使C2f模块与可变形卷积神经网络模块(Deformable Conv V2)相结合,以提升复杂背景下的检测性能,从而提高检测准确度,有效提高模型性能;为克服CIoU损失函数的局限性,采用MPDIoU损失函数,解决CIoU在特定场景下的限制。结果表明,相较于原始YOLO v8算法,本研究算法的平均准确率提升3.5百分点,mAP@0.5∶0.95提升4.6百分点,精确率提升3.6百分点,说明改进的算法在苹果叶部病害检测方面取得有效成果。

关键词： 小目标检测   海杂波   特征时序信息   修正Burg方法   动态加权  

摘要： 特征检测作为海杂波环境下小目标检测的有效手段,受到了广泛关注与深入研究。过去对特征的研究大多关注于当前帧,近年来使用帧间时序信息融合当前帧特征的方法也被提出并在检测方面取得一定效果。但该方法不能很好地适应具有时变性的海杂波数据,且仅采用静态加权算法融合特征,对历史帧信息的利用不够充分。针对上述问题,该文提出基于模型稳定的修正Burg方法进行特征自回归(AR)建模与一步预测,使模型能够自适应调整极点分布,提高了海杂波特征预测的准确性,并基于求解多变量极值问题提出了一种动态加权算法得到了最小方差的融合特征。该文结合IPIX数据集和海军航空大学共享数据集进行实验,利用相对平均幅度(RAA)、相对多普勒峰高(RDPH)、频域峰均值比(FPAR)3特征构建凸包检测器验证了所提方法的有效性。

关键词： 无人机遥感影像   水体识别   精度验证   图像处理   机器学习  

摘要： 本研究聚焦于无人机遥感影像技术在水体识别领域的精度验证策略及其潜在应用价值的探讨。我们采用了高分辨率无人机遥感影像数据,并集成了尖端的图像处理技术和机器学习模型,系统性地分析了水体识别的精度验证流程,同时对制约识别精度的核心要素展开了深入探讨。结果 显示,无人机遥感影像技术在水体识别方面展现出高度的准确性和广泛的应用潜力,为水资源管理、生态环境监测以及自然灾害评估等多个关键领域提供了强有力的技术支撑。本研究提出的验证方法和所得结论,对于促进无人机遥感技术在水体识别领域的深入发展和广泛应用,具有至关重要的学术意义和实用价值。

关键词： 神经网络   目标检测   YOLOv8n   头盔   轻量化  

摘要： 近年来,电动车驾驶人未佩戴头盔导致的交通事故频繁发生,造成了严重的人身伤害和财产损失。调查结果表明,事故主要集中在交通路口,因此,交通路口电动车驾驶人员头盔佩戴行为的检测与管控亟待展开。在利用机器视觉传感器获取大量电动车、驾驶人以及车牌数据后,制作合适的数据集,并在Pytorch框架上利用改进的YOLOv8n神经网络对处理后的数据进行训练,以获得最优权重参数。实验对比发现,改进后的YOLOv8n算法对于电动车、头盔以及车牌的检测精度分别达到了99.1%、93.7%和95.9%,比原始YOLOv8n的识别准确度提高了1%3%。最后,通过联合使用训练改进的YOLOv8n模型,在检测头盔佩戴情况的同时,结合电动车本身以及车牌的综合信息,准确对其进行跟踪,从而实现对交通路口违规电动车驾驶行为的有效管控。

关键词： 通道注意力   特征融合网络   多目标   跟踪算法  

摘要： 针对多目标跟踪过程中因漏检和遮挡等因素导致的跟踪准确率降低的问题,提出一种改进的YOLOv5s和DeepSORT的实时多目标跟踪算法。在检测部分将主干网络融合Transformer编码块来优化YOLOv5s,具有比传统卷积神经网络更强的特征提取能力。在跟踪部分,用ECA注意力模块,RepVGG网络,Resnet网络和eSE Block设计了一种新的表观模型结构来缓解因遮挡等因素而出现的跟踪失败的情形,提升了模型鲁棒性。在VisDrone和MOT16数据集上进行实验。结果表明,上述算法检测器在Visdrone数据集上AP50提升了4.07%,算法在MOT16数据集上MOTA提升7.9%。,改进后的DeepSORT算法与目标检测算法相结合能够有效提高跟踪性能。

关键词： 轨道交通列车   超温监测   机器视觉   测温贴片   多任务学习  

摘要： [目的]由于基于温度传感器的列车关键部件温度监测方案存在投资及运维成本高昂的问题,难以满足大型工程项目中对该类部件温度监测广泛推广的需求,因此,亟须研发一种低造价且运维成本低的温度监测方案。[方法]提出了一种融合测温贴片和计算机视觉的超温监测算法。该算法遵循“先定位、后分割、再计算”的识别逻辑。通过采用二分k-means聚类算法并引入注意力机制对YOLOV3算法网络进行优化,实现了图像中测温贴片的精确定位;在U-Net++算法网络架构中嵌入主体边界分离模块,并在损失函数中增加相应的边界监督项,以增强边界分割效果,提高测温贴片在图像中的分割精度;对分割后的图像进行计算,根据测温贴片变色的相对体积质量来判定超温结果。[结果及结论]通过对SSD算法、Retina-Net算法、YOLOV3算法、YOLV4算法及改进后的YOLOV3算法等5种算法的定位精度进行试验对比,其定位准确率分别为95.32%、97.15%、98.09%、98.36%及99.21%,其中改进后的YOLOV3算法准确率接近100%。同时,对DeepLabV3+算法、U-Net++算法及改进后的U-Net++算法等3种算法的分割精度进行对比试验,结果显示分割精准度分别为95.97%、96.81%及98.36%,改进后的U-Net++算法表现最优。在真实测试集上进行的试验中,改进算法达到了99.30%的准确率。

关键词： 激光雷达   彩色图像   多模态融合   自动驾驶  

摘要： 针对当前三维目标检测由于数据增强导致点云和图像无法有效对齐,点与点对齐方法会丢失图像特征以及定位和分类置信度不一致的问题,提出一种多模态融合的三维目标检测方法。首先,采用PointNet++提取点云的特征;采用卷积神经网络提取图像特征;其次,在点云与图像融合阶段,采用语义对齐方法以及图像球特征,实现点云与图像更好的跨模态对齐。同时采用基于注意力的方法来指导点云与图像特征的融合,以获取更可靠的图像特征;最后引入DIoU损失来平衡置信度不一致的问题。实验结果表明:所采用的方法明显优于baseline,在简单、中等和困难任务下,Car类别的mAP达85.6%。

关键词： 空间弱小目标检测   质心定位   注意力机制   特征融合   数量信息  

摘要： 基于深度学习的目标检测技术近年来取得了显著进展,已被广泛应用于多个领域。然而,目前尚缺乏专门针对空间目标设计的深度学习检测方法。与自然图像目标检测相比,空间目标检测面临着独特的挑战:首先,由于拍摄距离极远,空间目标在图像中通常仅呈现为包含少量像素的弱小光斑,缺乏清晰的形状和颜色特征;另外,复杂的空间环境以及设备因素会导致图像中存在各种噪声,例如杂散光引起的明亮背景、相机因素导致的热像素噪声;最后,视场中密集的恒星会导致在空间图像中容易出现部分光斑相互粘连的情况。上述难点无疑增加了空间目标检测的难度。本文提出了一种基于信息表征增强的无锚框空间弱小目标检测方法,该方法通过设计端到端卷积神经网络模型,能够实现同时对空间弱小目标检测和质心定位。针对目标弱小、背景噪声干扰的问题,我们首先设计了跨空间-通道注意力模块和压缩-激励的多尺度特征融合模块,提升模型对含噪图像中弱小目标的有效信息关注度,从而提高噪声背景下目标的检测能力;在此基础上,为了进一步解决光斑粘连的问题,我们引入了基于密度图的损失函数,通过使模型更加直接地学习图像中目标的整体空间分布与数量信息,以此使模型掌握粘连光斑中目标的数量,从而更准确分辨粘连光斑中各个独立目标。此外,本文仿真了包含点状、条状目标和多种噪声背景的空间图像,并对目标的质心位置、边界框和像素坐标进行了精细标注。为验证方法的有效性,我们在本文的仿真图像与公开的实拍序列图像数据集SpotGEO中进行了实验验证。在仿真图像数据测试中,本文方法的F1分数为95.34%,并实现了0.4478的亚像元级平均质心定位精度。同时,我们还对本文方法进行了不同噪声强度影响下质心定位精度测试以及不同硬件条件下处理效率测试,以更全面分析本文方法的能力。在公开的实拍序列图像数据集SpotGEO中,本文方法结合引入的序列后处理方法取得的F1分数为93.08%。实验结果证明了本文方法对空间弱小目标准确检测和精确定位方面的优越性能。