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%。

关键词： 水稻病害   目标检测   YOLOv8   深度学习   图像处理  

摘要： 为提升对水稻病害的检测性能,本研究提出了一种改进的YOLOv8n检测算法。首先,在颈部网络中引入Slim-Neck结构,采用GSConv(Ghost shuffle convolution)降低计算成本,同时结合基于一次性聚合方法设计的跨阶段部分网络模块(VoVGSCSP)简化计算过程和网络结构,利用相似性感知注意力机制(SimAM)增强模型对病斑细微颜色变化的敏感性,最后将自适应特征金字塔网络(AFPN)模块和头部结构相结合,通过非相邻层的特征融合,精准捕捉病害区域的颜色、形状与纹理。试验结果显示,改进后的模型YOLOv8n-SMAF精确度、召回率和交并比阀值为0.50的平均精度(mAP_(50))分别达到85.1%、79.7%和83.7%。与原始模型YOLOv8n相比,改进后的模型YOLOv8n-SMAF精确度、召回率和mAP_(50)分别提高了3.8个百分点、4.5个百分点和2.7个百分点。与SSD、YOLOv7-tiny、YOLOv10n等其他主流模型相比,YOLOv8n-SMAF模型具有更高的检测精度,尤其在复杂场景下的检测任务中表现出优势。本研究改进的模型为水稻病害的早期预警和精准防治提供了技术支持。

关键词： 同时定位和地图构建   目标跟踪   光流   多项式残差  

摘要： 大多数现有的动态同时定位和地图构建(SLAM)算法简单地移除动态对象,导致帮助系统自身定位和导航的动态对象运动信息的丢失,对于复杂和不断变化的工业环境具有局限性。本研究提出了一种改进的目标跟踪的视觉SLAM算法,在进行定位的同时,获得更准确的目标位姿估计。该算法使用背景点进行自身定位,利用细化的光流信息,减少噪点的影响,进行准确的定位,然后结合多项式残差的场景流信息,获得准确的动态目标感知结果,降低算法对目标位姿估计的误差。最后,在公开的KITTI Tracking数据集和真实场景上对所提算法进行了评估。实验结果显示,在公共数据集上,所提算法定位效果平均旋转误差(RPER)为0.027°,平均位移误差(RPET)为0.069 m。目标位姿估计平均旋转误差为0.68697°,平均位移误差0.10350 m,具有更好的自定位和动态目标跟踪性能。在真实场景中,所提算法也表现出良好的定位与跟踪性能。

关键词： 风景园林   景观感知   人工智能   计算机视觉   重庆  

摘要： 在“以人为核心”的时代语境下,城市景观作为全面推进美丽中国建设、城市空间品质提升的重要抓手,缺乏智能化、精细化和主客观结合的感知方法。首先,构建融合传统景观与认知科学的多学科理论框架,阐明景观感知的机制、过程和内容,建立主观与客观耦合的指标体系;其次,集成色彩分析、目标检测、语义分割和深度预测4种计算机视觉方法,并应用人工智能视觉大模型构建可解释的视觉融合模型,对城市景观的色彩特征、景观要素和空间形态3类客观感知进行精细化测度;再次,通过随机森林算法,捕捉客观感知与主观感知之间的非线性关系,实现对主观感知的精准预测;最后,在重庆市主城区开展实证研究,验证了视觉融合模型的有效性与科学性。

关键词： 三维目标检测   小目标   感兴趣区域   点云聚类   点云图像融合  

摘要： 目标检测技术在人工智能、人脸识别、自动驾驶等关键领域发挥着至关重要的作用。三维点云目标检测,特别是对小目标的识别,仍然是技术发展中的一个难点。针对该问题,本文提出了一种新的三维检测网络,该网络融合了图像与点云数据,以显著提高三维小目标的检测精度。首先,利用YOLOv5进行精确的二维目标检测,并利用相机和激光雷达的坐标映射关系建立三维约束,从原始点云中提取出锥形感兴趣区域;然后,针对远处的点云小目标,提出了一种基于聚类优化的三维目标检测网络架构,将感兴趣区域的点云同时输入PointNet及聚类模块中,并对两者的检测结果进行融合判别,提升三维小目标检测精度。在KITTI数据集上的测试结果表明:与现有技术相比,本文算法在中等难度条件下,两种小目标物体的平均精度(AP)分别提升了15.94%、2.29%;在高难度条件下,分别提升了13.34%、2.86%。证明了本文算法在提升三维小目标检测精度方面的显著效果和实际应用潜力。

关键词： 目标检测   预筛选   滑窗保护   SO-CFAR   OS-CFAR  

摘要： 针对有序统计(Order Statistics,OS)CFAR运算量大的问题,本文提出了一种基于均值选小(Smallest Of,SO)CFAR预筛选的改进OS(ISOS)CFAR检测算法,该算法在达到与OS-CFAR相同检测性能的同时可有效减少算法运行量。SO-CFAR筛选算法在参考单元两侧同时存在干扰时会出现漏筛现象,ISOS-CFAR通过滑窗保护(Slide Protect,SP)算法改善了这种漏筛现象。SO-CFAR筛选算法在杂波突变高功率区会出现误筛现象,ISOS-CFAR通过OS-CFAR二次检测避免了这种误筛现象。仿真实验结果证明了ISOS-CFAR算法的有效性与优越性。

关键词： 综采工作面   数字孪生   目标检测   虚实同步映射   扩散模型   生成对抗网络  

摘要： 矿井综采工作面数字孪生模型的构建过程需要手动构建实体的数字孪生3D模型,然后对实体进行目标检测,并根据实时检测结果控制3D模型,以确保孪生体与实体之间的同步映射关系。因此,对井下目标的实时、准确检测是实现虚实同步映射控制的关键。目前主流的目标检测方法需要在传统模型中引入或改进模块,使得模型网络结构复杂、训练周期较长,降低了目标检测的实时性;同时,对于一些含高强度噪声的图像难以精确检测。针对上述问题,提出了一种基于UeDiff-GAN的综采工作面目标检测与孪生体同步映射方法。通过扩散模型对高质量样本进行加噪扩散,得到不同程度的加噪样本,然后使用生成对抗网络(GAN)模型进行训练;设计了平滑扩散算法,以控制扩散步长,加入不均衡扩散模块,以得到与预识别样本匹配的检测算法模型。使用Unity3D构建综采工作面3D模型并进行渲染,实现井下物理实体的对象孪生,据此构建综采工作面实体与其孪生模型的映射关系,根据井下不同位置的检测结果控制对应机器运动状态及姿态,实现孪生模型协同控制,从而实现过程孪生。在自制数据集上的实验结果表明:UeDiff-GAN模型对井下移动目标的平均检测精度较SSD,R-CNN,YOLOv7和Diff-GAN模型分别提升了19.4%,14.3%,9.1%,24.3%;检测速度较SSD,R-CNN分别提升了13.86,42.73帧/s;孪生模型与实体的实时性延迟至多为0.873 s。

关键词： 计算机视觉   深度学习   特征提取   目标检测   多目标跟踪  

摘要： 鱼类个体运动特征提取是分析鱼类行为的重要环节,为进一步解决鲈鱼行为识别中存在小目标个体和复杂背景导致检测难,以及在多条鲈鱼跟踪过程中因遮挡和非线性运动而频繁发生的ID错误切换问题,该研究提出了一种基于改进YOLOv8和ByteTrack的鱼类个体运动特征提取方法。首先对YOLOv8n模型进行了轻量化优化,用ODConv替换了主干网络的下采样卷积,并用Wise-IoUv3 Loss代替了原有的CIoU Loss,以此降低模型大小并提高检测速度和精度。然后对ByteTrack算法分别进行优化,通过应用扩展和线性卡尔曼滤波来适应目标的非线性运动和加速变化,以及引入高斯轨迹插值后处理策略,减少了遮挡情况下的错误身份切换。改进后的YOLOv8算法在模型大小和参数上与原YOLOv8模型分别降低了约2/3,精度、召回率分别提升了0.4和0.5个百分点,具有较高的检测精度及良好的鲁棒性和实时性。改进后的ByteTrack算法平均多目标跟踪准确率(multiple object tracking accuracy,MOTA)为88.7%,多目标跟踪精度(multiple object tracking precision,MOTP)为83.8%,平均每个测试视频的ID切换次数(identity switches,IDs)仅为37,帧率(frames per second,FPS)为95帧/s,能够满足实时跟踪需求。该研究提出的改进YOLOv8和ByteTrack的鲈鱼个体运动特征提取方法能够在实际养殖场景下实现较为稳定的鲈鱼个体实时跟踪,可为大规模无接触式实际水产养殖监测提供技术支持。

关键词： 车辆工程   无人驾驶方程式赛车   激光雷达   目标检测   深度学习  

摘要： 针对无人驾驶方程式赛车感知系统锥桶检测精度不高的问题,提出一种人工特征提取和深度学习结合的FSAC赛道锥桶3D目标检测方法。对原始点云进行感兴趣区域提取、体素化格栅滤波、地平面滤除、欧式聚类,生成一阶段的目标检测框;基于柱状体素对原始点云数据进行表示,利用PointNet思想逐点提取特征,将每个点还原到H、W分辨率上形成伪图像。使用卷积神经网络处理伪图像结果,使用SSD目标检测网络生成二阶段目标检测框,通过检测框确认模块将两阶段检测框进行交并比计算,交并比大于设置阈值时判定为锥桶。在校园模仿赛场环境进行的实验结果表明:结合人工特征提取和深度学习的锥桶目标检测算法取得了较好的效果,漏检率为0.08%,误检率为0.02%,帧率在60 FPS左右,提高了赛车的环境感知能力。

关键词： 深度学习   目标检测   YOLO   轻量化  

摘要： 为了实现对现有物流行业中输送线上纸箱外形异常检测问题的优化,在YOLOv8框架的基础上,改进了骨干网络,推出一种融合ShiftConv模块的轻量化骨干网络。提出了一种新的检测头DSDET,使网络在轻量化的同时保持较高精度,为解决在目标遮挡情况下检测效果不佳的问题,使用了Repulsion Loss损失函数,通过损失函数使同类间的预测框尽可能远离,从而使检测网络模型在存在较多遮挡情况的纸箱外观异常的检测任务中有更高的精度。通过在自制纸箱数据集上对目标检测网络模型进行测试,平均检测精度可达93.8%,与原有YOLOv8相比检测精度提升2.4%,这种方法可应用于自动化物流实际场景下的纸箱外形异常目标检测。