关键词： 安检系统   目标检测   YOLOv5   注意力机制   危险物品识别  

摘要： 基于深度学习的图像识别技术在大型交通枢纽安检场景应用中面临高并发、高准确率等需求,本文对某特大型交通枢纽日均30万人次的安检需求,设计了基于改进YOLOv5的危险物品识别算法,融合跨层特征增强模块与通道注意力机制。通过实验室模拟测试与数据验证,优化后的算法对管制刀具、易燃液体等违禁品识别准确率达到96.3%,较传统人工检查提升效率41.2%,日均安检处理能力提升28.6%。该算法方案为大型交通枢纽智能安检系统的发展提供了新的技术思路。

关键词： 深度学习   点云   语义分割   语义标签   计算机视觉  

摘要： 点云语义分割将点云中每个点赋予语义标签,实现对场景中不同物体的分割,是场景理解的基础。近年来,随着深度学习技术的发展,将深度学习与点云语义分割方法相结合,提升了点云语义分割的处理效率和分割精度,展现出卓越的性能,被广泛应用于交通、医学、建筑设计、虚拟现实等众多领域。在回顾点云语义分割发展历程的基础上,对已有研究进行分类综述,然后分析相关数据集和评价指标,对比已有方法的性能。最后,总结现有研究的不足,并展望未来发展方向。

关键词： 计算机视觉   沥青路面   质量检测   病害识别  

摘要： 文章探讨了基于计算机视觉的沥青路面质量检测方法,旨在提高检测效率与准确性。通过图像采集、预处理、特征提取与分类识别等步骤,实现对沥青路面裂缝、坑洞等病害的自动识别与评估。实验结果表明,该方法具有非破坏性、高效性、自动化等优势,为道路维护和管理提供了科学依据。

关键词： 智能建造   目标追踪   计算机视觉   行人重识别   生产力管理  

摘要： 为结合施工场景动态性强、遮挡严重、人员衣着相似等特点,实现对施工现场人员持续的位置信息感知,提出一种基于计算机视觉的施工现场人员信息智能感知算法.首先,利用基于深度学习的目标检测算法实现人员的初步感知;其次,以行人重识别的视角提出一种数据关联方法,通过深度特征匹配实现目标ID分配,采用基于重排序的距离度量优化相似度度量结果,再利用缓冲机制和特征动态更新机制对匹配结果进行后处理,减少施工场景难点带来的错误匹配;然后,利用图像透视变换获取与ID对应的2D坐标信息及运动信息,为生产力分析提供基础数据;最后,利用所采集的包含不同施工阶段的图像构建标准测试视频,并对方法进行测试.研究表明:在不同场景下,算法平均IDF1(ID的F1得分)和多目标追踪准确度(multiple object tracking accuracy,MOTA)分别为85.4%和75.4%,所提出的重排序方法、匹配后处理机制有效提升追踪精度,相比去除这些优化机制后的算法,IDF1和MOTA平均分别提升了52.8%和3.8%.

关键词： YOLOv8   轻量级   车流量检测   计算机视觉   深度学习  

摘要： 文章设计基于YOLOv8的轻量级车流量检测分析系统,采用先进的目标检测算法,实现了车辆流量的实时监测和统计。该系统利用YOLOv8进行快速且准确的车辆检测,用户可以自定义检测区域,如在路口设置虚拟线段用以统计穿过该区域的车辆数量。结果表明,该系统在复杂交通场景下仍具备较高的检测精度和速度,有效改善了小目标车辆检测效果,并在精度和速度之间达成良好平衡。

关键词： 海杂波   微弱信号检测   BiLSTM   NRBO算法  

摘要： 针对强海杂波背景下传统方法难以检测海面微弱目标信号的问题,研究了混沌相空间重构理论和改进牛顿-拉夫逊优化算法(NRBO),提出了一种基于优化双向长短时记忆网络(BiLSTM)的混沌背景下微弱信号检测方法。将重构的相空间信号作为BiLSTM网络的输入,通过嵌入维度和延迟时间确定训练数据的长度,利用改进牛顿-拉夫逊优化算法优化BiLSTM模型的参数,使用自适应加权误差(AWE)损失函数训练模型,提高模型预测精度与运行速度,降低目标检测门限,结合BiLSTM模型进行单步预测,根据预测误差从强混沌背景噪声下检测微弱目标信号。以Lorenz混沌系统作为混沌背景设计仿真实验,对叠加的微弱信号进行检测,结果表明所提方法能有效检测微弱信号。使用IPIX实测数据和烟台对海探测数据进行预测实验,进一步证明了其有效性。

关键词： 自动泊车   遮挡   目标检测   YOLOv7-tiny   关键点检测   特征提取   注意力机制   损失函数  

摘要： 针对自动泊车系统中车位检测算法存在的任务单一、车位关键点遮挡导致检测效率下降等问题,文中结合目标检测和关键点检测提出了一种基于YOLO(You Only Look Once)的车位检测模型,可同时检测车位区域、车位使用情况以及车位关键点。在YOLOv7-tiny(You Only Look Once version7-tiny)模型输出端增加车位关键点回归分支并对其进行编码设计,通过改进损失函数提高模的识别和定位准确性。在主干网络融合注意力机制,提高网络的特征提取能力。实验结果表明,相较于YOLOv7-tiny,所提模型车位区域识别准确率均值提升了1.8百分点,车位使用情况判断准确率提升了1.1百分点,并且增加了车位关键点定位功能,定位成功率达到94.1%,具有较高的应用价值。

关键词： 遮挡行人重识别   计算机视觉   自注意机制   局部特征   三元组损失  

摘要： 遮挡行人重识别(Re ID)是一项旨在将遮挡人物图像与整体图像进行匹配的人物检索任务。为了解决遮挡问题,基于局部特征的方法已经被证明是有效的,因为它们提供了小粒度的信息,并且非常适合表示部分可见的人体。针对基于局部的模型训练存在的两个挑战:身体部位外观不像全局外观那样具有可辨别性与身体部位错位。LGFNet(local-global feature Net),基于自注意力机制,生成感受野大小自行调整的空间注意力图,进行全局-局部特征联合学习。LGFNet在Market-1501数据集上,Rank-1为95.2%,m AP为86.5%。在Duke MTMC-reID数据集上Rank-1为90.2%,m AP为80.3%。在Occluded-Duke数据集上Rank-1为71.5%,m AP为60.9%。相较同类方法,准确率方面取得了显著提升。

关键词： 目标检测   垛型   C3S2   注意力机制  

摘要： 当代工业物流中,大型箱体经常因码垛错误出现垛型偏移、塌垛等现象,严重影响了物流运转效率。为提高大型箱体垛型智能识别精度和判别效率,本研究提出一种大型箱体垛型识别模型LSTD。针对大型箱体垛型特征提取过程中存在的特征维度相似、局部细节捕捉不足等问题,设计一种基于星型网络结构的C3S2模块;针对垛型特征提取中的背景干扰问题,在特征提取网络中引入CAFM注意力机制,有效区分目标与背景信息;针对目标尺度多变的问题,采用加权双向特征金字塔网络,增强网络缺陷特征提取能力。最终将LSTD模型集成至垛型检测报警系统中。实验结果表明,相比原始基础网络模型,LSTD模型的准确率、召回率、平均精度分别提升1.2%、3.1%和0.6%,计算量减少1.7 GFLOPS,在实际工业场景中展现出优异的垛型识别性能。优化后的LSTD模型成功应用于垛型检测报警系统,能够快速准确地检测垛型异常,显著提高仓储系统运转效率。

关键词： 驾驶员视线识别   计算机视觉   智能座舱   产业生态   标准体系  

摘要： 随着计算机视觉技术与智能汽车座舱的不断发展,驾驶员视线识别技术在驾驶环节成为不可或缺的一部分。深入探讨了驾驶员视线识别技术从传统计算机视觉方法到深度学习驱动的新模式的迭代升级,梳理了当前产业链上下游的主要参与者以及其优秀企业,研究了国内外相关标准体系与测试认证的流程,同步总结了当前驾驶员视线识别技术面临的技术挑战和未来发展趋势,研究结论可为后续智能座舱技术升级与行业标准建设提供了理论参考。