关键词： 计算机视觉   人体姿态估计   轻量化   高分辨率网络   注意力机制  

摘要： 针对当前人体姿态估计模型在追求检测性能时所面临的巨大计算负载问题,以高分辨率网络为基线提出高效渐进式特征融合网络(efficient progressive feature fusion network,EPFFNet)。移除了高分辨率网络的第四阶段,达到平衡模型复杂度和检测能力的目的。构建了一种混合高效通道注意力,能够同时关注全局和局部通道特征信息,并在此基础上提出了一种新型注意力特征融合模块,实现特征之间的强融合。设计了一种高效坐标注意力,增强模型对不同区域特征信息的关注,同时与多样归一化和其他轻量化模块相结合提出了GENeck和GEBlock模块,替换高分辨率网络的残差块,保证了模型性能并实现了模型轻量化。设计了一种渐进式特征交融模块,增强模型对不同分辨率特征的融合能力。实验结果表明,EPFFNet在COCO和MPII数据集上分别取得了75.1%和90.8%的准确率,不仅在轻量化模型中实现了最优精度,而且与大模型相比具有相当或更佳的性能。

关键词： 前景提取   视觉短期记忆   中心环绕机制   蝗虫复眼神经   自运动视觉感知   无人机航拍   计算机视觉  

摘要： 针对无人机航拍自运动视觉场景中运动视差导致传统方法精度差问题,基于蝗虫视觉神经结构特性,借助生物视信号中心环绕机制、视觉短期记忆机理,提出一种生物启发的人工视觉系统——自运动前景提取神经网络(SFENN)。SFENN由5个复眼神经层(R、L、M、Lo、LP)构成。其中,R层接收自运动视觉信号;L、M层采集全局视野域中的自运动角点特征与轮廓信息;Lo与LP层提取前景目标,对其降噪处理并向外输出表征前景轮廓视信息的膜电位兴奋。实验研究结果表明,SFENN在无人机航拍的自运动视觉场景中能有效提取前景目标对象,与SOTA模型相比体现更佳检测准确率和鲁棒性。

关键词： 无人驾驶堆高车   PW-PP目标检测算法   3D目标检测   点云融合  

摘要： 动态车辆感知是实现无人驾驶堆高车的关键技术,针对复杂堆场环境和堆高车自身结构遮挡等问题,提出一种基于Patchwork++与PointPillars的点云融合联合检测算法(PW-PP目标检测算法),用于堆场作业箱区运输车辆检测。首先,开展双激光雷达点云数据融合技术研究,基于联合目标检测算法滤除地面点云,并进行特征提取及目标检测;其次,利用32线雷达采集的堆场感知数据,自建数据集并进行实验验证。结果表明:所提PWPP算法可以有效融合点云数据、滤除地面等冗余点云,该算法的平均精度(AP)为89.23%,检测速度达到10.309帧/s,可以满足堆场作业场景下的环境感知要求。

关键词： 目标检测   改进YOLOv5-ReID   多源传感融合   深度学习  

摘要： 针对煤矿井下钻杆人工计数效率低、易错漏及传统视觉算法鲁棒性差等问题,提出了一种基于多源传感融合与改进YOLOv5-ReID算法的钻杆自动计数方法。通过构建由拉绳传感器、接近开关、本安摄像仪及AI边缘分析算力板组成的硬件平台,结合改进YOLOv5网络模型实现钻杆动态检测,引入ReID算法解决遮挡场景中的目标跟踪难题,并融合位移、倾角等多源传感器数据实现钻杆状态协同判定。实验结果表明,该方法在复杂井下环境中钻杆计数准确率达100%,支持全自动、半自动及手动模式下的异常数据回溯与修正。现场应用表明,该方法可消除人为误差,提升钻进效率,为煤矿智能化钻井提供了可靠的技术支撑。

关键词： 表面缺陷   改进YOLOv8n算法   目标检测   注意力机制   知识蒸馏   机器视觉   缺陷检测系统   损失函数  

摘要： 针对铸件表面缺陷检测存在精度欠佳、检测速率低等问题,提出基于改进YOLOv8n的铸件表面缺陷目标检测算法SPI,并通过通道级知识蒸馏(channel-wise knowledge distillation,CWD)对算法进行蒸馏训练。首先,设计S-FasterNet网络,并将其替换为YOLOv8n的主干网络,该网络在降低冗余运算和内存访问量的同时,能分别在水平和垂直维度获取丰富的上下文信息,保留铸件细微部分的特征;然后,提出P-C2f模块,在降低信息损失的同时增强网络的特征表达;同时,引入Inner-CIoU边界框回归损失函数,以提升模型的定位性能;此外,以目标检测算法SPI为基础,利用CWD技术进一步提高模型的检测精度;最后,结合CWD-SPI检测算法和MySQL数据库,开发了铸件表面缺陷检测系统,该系统能够实时执行多种缺陷检测任务,并将检测结果进行存储和分析,有助于实时统计铸件的缺陷信息,提高了检测过程的灵活性和适应性,能够更好地应对不同检测需求。试验结果表明,CWD-SPI目标检测算法在铸件缺陷数据集上的平均精度均值A为85.9%,相较于原YOLOv8n算法提高5.9%,其精确率(Precision)提高5%;改进后的算法能够在增强铸件表面缺陷检测性能的同时,满足铸件缺陷检测的实时性要求。

关键词： 机动目标   状态估计   交互式多模型   并行滤波  

摘要： 为解决高炮跟踪机动目标时的状态估计问题,使高炮火控系统能够对进行间歇机动的目标进行运动模式辨识和状态估计,提出了一种模型非等维交互的交互式多模型无迹卡尔曼滤波(IMM-UKF)算法。该算法对应匀加速运动及匀速转弯运动,将匀加速、匀速、协同转弯模型组合成两个运动模型组合滤波器。以三维并行的方式滤波,对各模型的共有状态分量进行有限交互以降低计算量,并采用残差滤波和系统误差矩阵模糊自适应的方法提高模型辨识稳定性和滤波精度。仿真结果表明,该算法比传统IMM算法精度更高且执行时间更短,模型辨识的稳定性也更好。

关键词： 无人机测绘   航线敷设   图像处理   自然资源  

摘要： 以某自然资源区内一个具有不规则边缘的测区边缘作为基准边,进行了无人机自适应航线的敷设,更好地贴合测区的具体形状,从而提高航线的针对性和效率;利用敷设的无人机航线对测区进行数据采集,以更好地应对复杂的自然环境,确保数据采集的完整性和准确性。并结合条纹阵列探测器的应用,进行测绘采样图像的处理,提高图像的分辨率和对比度;基于提取的特征信息,采用图斑提取算法,自动识别并分割出图像中的变化区域,进行自然资源的规划管理。实践结果表明:设计的方法不仅可以提高自然资源区域测绘的可靠性,还能实现区域不同资源类别的精准分区,以此种方式,为资源管理提供技术支持。

关键词： 煤矿区域限员   区域人数统计   目标检测与跟踪   双目结构光摄像仪   GF−YOLOv8   交并比优先策略  

摘要： 目前基于视频监控的井下区域限员算法主要利用多目标跟踪实现,存在运算复杂难以实现低功耗嵌入式移植,易受环境光源干扰等问题。针对上述问题,提出了一种基于目标检测与跟踪的轻量化煤矿区域限员算法。利用多台双目结构光摄像仪采集重点区域进出口的彩色图和深度图,基于改进的轻量化目标检测模型GF−YOLOv8,完成工作人员的图像定位;采用交并比优先策略对目标与轨迹进行匹配,减少了传统目标跟踪算法的匹配次数,提升了跟踪的运算速度;以跟踪轨迹为基础,通过多摄像仪的跨线计数的方式,统计重点区域总人数,当达到限员人数时,输出报警信息。试验结果表明:双目结构光摄像仪可以有效克服光照影响;改进的目标检测模型GF−YOLOv8的AP@0.5和AP@0.5:0.95较YOLOv8分别提高了0.24%,3.42%,参数量和每秒浮点运算次数分别降低了17.29%,2.58%;交并比优先策略与DeepSort算法精度相近,但具有更低的匹配复杂度;在限员报警次数方面,真实报警次数为17次,交并比优先策略正确报警16次,漏报1次。

关键词： 目标检测   绝缘子   部分卷积   主干特征提取网络   大核可分离注意力   重参数化   边界框损失函数  

摘要： 针对绝缘子缺陷目标区域较小、部分缺陷特征相似,从而导致检测精度较低的问题,提出了一种特征表示增强模型(FLDM-YOLO)。该模型基于FasterNet重构特征提取网络并且结合大核可分离注意力(LSKA)设计了SPPF-LSKA模块,增强了对目标的特征提取能力;以重参数化技术为基础,提出了C2f-DBB模块,处理目标缺陷特征相似的问题;在边界框回归阶段使用MPDIoU作为损失函数,使得模型更加关注高质量锚框。实验结果表明,FLDM-YOLO模型在保证一定检测速度的前提下,mAP为91.3%,较YOLOv8模型提高了4.2%,可有效应用于实际的巡检工作。

关键词： 目标检测   YOLOv4   图像增强   匿名化处理  

摘要： 随着智能网联汽车的快速发展,越来越多的车辆配备了高阶辅助驾驶系统,该系统依赖于车外摄像头、激光雷达等传感器进行道路环境感知与驾驶决策。这一过程中涉及大量的车外交互信息传输,使得汽车数据安全问题日益突出。为保障行车安全,对于无法征得个人同意收集并通过网络传输的车外个人信息如车牌和人脸,必须进行匿名化处理,包括删除含有能够识别自然人的画面,或者对画面中的人脸信息等进行局部轮廓化处理。为解决这一问题,提出了一种基于Mobilenetv1-YOLOv4的低算力汽车数据脱敏处理方法。该方法结合超分辨率增强重建技术进行图像增强,在低算力成本下,可以同时对车外人脸与汽车号牌进行脱敏。在复杂环境下,模型依旧可以保持较高的检测精度与实时性。此研究的实施,不仅符合《汽车数据安全管理若干规定》和国家标准GB/T 44464—2024《汽车数据通用要求》的要求,而且对保护个人隐私、提升汽车数据安全性具有重要的实际意义。