关键词： 道路交通锥   目标检测   轻量化   注意力模块   数据增强  

摘要： 道路交通锥是用于高速公路和城市道路维护的安全隔离标志,采用自动化设备对其进行收放可提高作业效率,并降低传统人工收放方式带来的作业人员安全隐患。对交通锥进行精确的目标检测是确保自动化收放设备正常工作的关键。为提高识别效率,同时保证模型检测准确性并降低模型计算量和内存需求,本文提出了一种轻量化道路交通锥检测的TraCone-YOLO(TraCone-You Only Look Once)算法。首先,采用基于共享深度可分离卷积的高效检测头,使模型在推理时更加高效;其次,在特征提取过程中使用RepC2f模块,增强模型提取多尺度特征信息的能力;最后,通过引入ELA(Efficient Local Attention)注意力模块,提出ELA-HSFPN(ELA-Hierarchical Scale-based Feature Pyramid Network)网络结构进行多尺度特征融合,进一步增强模型的特征表达能力。针对原有的交通锥数据集TraCon缺少不同天气和光照强度的样本,本文对TraCon交通锥数据集进行了数据增强,以模拟实际场景中的不同天气条件,有效扩充训练样本,从而提升模型的泛化能力和鲁棒性。实验结果表明,改进后的模型与原模型相比,参数量和计算量分别减少了56.2%和55.6%,均值平均精度达92.6%,与原模型相比仅下降0.4个百分点。该算法在实现模型轻量化的同时,能够保持良好的检测性能。

关键词： 装配机器人   位姿估计   计算机视觉   深度学习   混杂场景  

摘要： 机器人装配作业中,复杂工艺装配以及物品分类多数采用基于机器视觉的目标位姿估计方法。针对此类混杂场景的目标位姿估计精度低、泛化性较差等问题,基于模板匹配、投票及对应特征点3方面,梳理总结传统6D位姿估计以及基于深度学习的估计方法并进行对比分析,结合自主研发移动操作臂柔性装配系统,对混杂场景下装配机器人作业目标6D位姿估计进行了仿真,结果表明基于投票的深度学习方法精度及鲁棒性优越,表现出良好的适应性。最后,结合仿真结果,总结展望了当前装配目标位姿估计领域中存在的问题及发展趋势。

关键词： 光响应非均质性   源相机识别   核基网络   环形滤波   图像处理  

摘要： 光响应非均质性(Photo-Response Non-Uniformity,PRNU)噪声凭借其唯一性与长期稳定性,为数字图像溯源提供了可靠的物理指纹特征。然而,现有深度学习方法主要采用的固定卷积核结构难以自适应捕捉跨尺度特征依赖关系,导致PRNU特征与图像语义信息形成强耦合;同时,PRNU本质是存在于图像信息中的微弱噪声特征,极易受图像语义内容干扰,进一步加剧了特征分离难度。为此,本文构建了一个基于核基网络(KBNet)与环形滤波的级联式提取框架。第一阶段通过动态空域建模机制,将可学习核基参数与多轴特征融合机制结合,使KBNet自适应构建全局上下文感知与局部纹理敏感的混合特征场,实现亚像素级噪声残差的高精度解离;第二阶段基于频谱能量分析驱动的环形滤波策略,通过构建径向梯度约束函数选择性滤除与设备无关的低频干扰分量,进而完成指纹特征的频域正交化提纯。跨场景实验表明,该算法在DRESDEN数据集上Kappa指标达到0.8452、AUC达到0.9698,在DAXING数据集上Kappa指标达到0.8140、AUC达到0.9578,显著优于现有方法。

关键词： 高速公路   车辆异常行为   YOLOv8   Swin Transformer   目标检测  

摘要： 随着高速公路通车里程和交通流量的增加,车辆异常行驶事件引发的安全问题日益突出。传统监控手段存在效率低、漏检误检率高等不足,而基于深度学习的计算机视觉技术为解决这一问题提供了新途径。文章提出一种基于改进YOLOv8的高速公路车辆异常行为检测方法,通过引入Swin Transformer结构替换主干网络,增强模型对长距离特征和时空关联的建模能力。研究构建了包含400张图像的高速公路车辆行驶事件数据集,涵盖不同时段、天气和车辆类型。实验结果表明,改进后的模型在精确率(92.5%)、召回率(98%)和平均精确率(mAP0.5为94.4%)等指标上显著优于原始YOLOv8模型,能够有效提升高速公路车辆异常行为的检测精度和可靠性,为智能交通系统的实时监控与事故预防提供了技术支撑。

关键词： 红外小目标   IHBF   加权局部对比度   目标检测  

摘要： 针对红外小目标在复杂背景下检测率低的问题,提出一种基于改进的高升压滤波(IHBF)的加权局部对比度的目标检测算法。首先通过IHBF处理红外图像抑制大部分背景杂波,提取候选目标像素;然后利用目标区域与背景区域之间的灰度差异比来计算局部对比度;同时,根据目标与背景的相异性设计加权函数,进一步提升目标与背景之间的对比度;最后通过自适应阈值分割提取目标。实验结果表明,所提算法在多种复杂场景中均展现出优异的检测性能。

关键词： 实例分割   深度学习   精准农业   YOLOv11s-seg   杂草识别   计算机视觉  

摘要： 棉田杂草识别是精准农业中的关键任务,尤其在地膜覆盖、目标遮挡和密集分布等复杂田间环境下,对识别算法的实时性与鲁棒性提出了更高要求。鉴于此,在YOLOv11s-seg架构基础上,提出了一种适用于田间智能终端的实例分割算法YOLO-weed。该方法采用VanillaNet-6替代原始主干网络,以增强低计算资源下的特征提取能力;引入分离增强注意力模块,加强特征间的语义交互;同时构建融合动态卷积与掩码原型结构的分割头,提升目标区域的边界感知与掩码预测效果。在自建棉田杂草实例分割数据集上进行验证,结果表明,YOLO-weed在mIoU、掩码召回率与mAP@50等关键指标上分别达到0.802、0.858和0.912,整体性能较YOLOv11s-seg算法分别提升了5.4、3.7和2.3个百分点。该改进方法适用于农田作物与杂草分割任务,具备良好的部署前景。

关键词： 低光图像   目标检测   知识蒸馏  

摘要： 随着无人机技术的快速发展,无人机视角下的航拍图像检测在各个领域得到广泛应用。然而,低光场景下捕获的图像往往会出现曝光不足和光照不平衡,导致检测性能显著下降。并且边缘设备计算资源有限,因此部署在边缘设备中,通常需要对模型进行压缩,而知识蒸馏是一种压缩模型的通用方法,能将模型性能提升到更高水平。为此,提出一种端到端的双参数曝光目标检测网络DPEDet(Dual Parameter Exposure-correction Detection)和双屏蔽生成知识蒸馏框架GLMGD(Global and Local Masked Generative Distillation)。DPEDet以两种像素级的方式对低光图像进行非线性映射分别得到全局增强的图像和细节增强的图像,得到对目标检测友好的图像。GLMGD使用注意力机制获得局部和全局的注意力掩码,使用掩码屏蔽特征区域,通过重建屏蔽特征以获得更好的表征。最后,在NightDrone和ExDark数据集上进行大量实验,结果表明,DPEDet相较于当前先进算法有着更好的表现,有效地提高了低光场景下目标检测能力。

关键词： 多模态大模型   神经网络   深度学习   积水识别   图像处理   语义分析  

摘要： 路面积水易导致安全隐患,针对传统目标检测需要大量样本进行训练的问题,提出一种创新的解决方法——基于多模态大模型的路面积水识别方法。利用图像视觉处理工具库实现实时视频取流,使用视觉处理算法进行图像增强处理,采用深度学习模型对图像进行场景关键词提取,利用语义理解模型进行语义分析、结构化输出等多个步骤,并结合历史数据和天气信息对判别结果进行校验和优化,实现了对路面积水的准确识别与连续监测,显著提高了城市交通管理和应急响应的效率。

关键词： 交通工程   图像处理   Transformer模型架构   道路缺陷检测   坐标注意力(CA)  

摘要： 针对道路缺陷检测中伪缺陷干扰及现有方法对全局特征捕获能力不足而导致的误检和漏检问题,提出了基于YOLOv5的融合全局感知与坐标注意力的道路缺陷检测方法。首先,设计了全局感知增强模块(enhanced global perception block,EGPB),通过在卷积神经网络(convolutional neural networks,CNN)中加入自注意力机制处理计算机视觉任务,增强对道路图像的局部细微缺陷的识别能力和全局上下文信息感知能力。其次,通过嵌入坐标注意力(coordinate attention,CA)模块,通过捕获跨通道信息增强定向感知和位置感知能力,提升缺陷区域空间位置的敏感度。此外,根据缺陷目标的实际物理特征对路径聚合网络进行策略性裁剪,促使模型集中分析更为关键的特征层次,实现降低模型冗余并保持高精度检测的效果。实验表明:相比原始YOLOv5模型,文中方法的关键指标均值平均精度(mean average precision,mAP)提升3.1%,F1分数提高0.031,准确率提升2.7%,并在多样化道路条件下表现出更优的稳定性和准确性。

关键词： 智能监控   目标检测   深度学习   YOLOv10模型   轻量化  

摘要： 为解决传统人工视频监控实时性不足,无法高效检测场景中短暂出现目标的问题,提出一种基于轻量化YOLOv10的智能监控检测算法。首先,利用深度可分离卷积替换标准卷积,减少网络参数,提高检测速度。其次,将主干网络中跨阶段部分双卷积融合瓶颈结构替换为高效多尺度注意力模块,提高网络对目标成像尺寸变化的感知能力。最后,使用辅助边界框优化损失,丰富监督信息,增强网络对小目标的检测性能。在交通监控数据集UA-DETRAC中的实验结果表明:该算法平均精度均值较Faster R-CNN、EfficientDet-D5、YOLOv8及YOLOv11分别高出13.5、10.9、1.7、0.4个百分点;检测速度达112 FPS,参数量仅2.2×10^(6),为智能监控下目标检测任务提供技术支持。