关键词： 目标检测算法   网络模型   检测精度   智慧水利  

摘要： 为了提升水利船只的监管效率,针对遥感影像背景复杂、目标地物尺度差异大的问题,提出一种多尺度融合的YOLO v5目标识别算法YoMresNet(YOLO v5 Resnet Networks),实现对不同大小的地物进行高精度识别。首先以YOLO v5网络为基础模型,其次效仿残差模型代替YOLO v5模型中Neck的部分卷积并减少卷积层数以减小模型的体积;最后在模型的检测头部通入MHSA进行参数优化实现对船只目标的检测精度。在大型遥感数据集DIOR上进行了对比实验,并利用本项目组在辽河干流防洪提升工程拍摄的图像并制作的数据集上进行再次验证,结果表明YoMresNet模型相较于YOLO v5模型以及Faster R-CNN进行对比,检测精度有了显著提升,文章提出的方法有效提高了水利监管的效率,能够准确识别辽河干流目标地物,为搭载移动端嵌入式无人机等设备的实时目标检测提供参考价值且检测精度和速度均满足实际生产要求。

关键词： 计算机视觉   深度学习   库存盘点  

摘要： 自动化库存盘点在现代供应链管理中扮演着越来越重要的角色。它不仅可以优化库存管理流程,提高整体运营效率,还能显著降低运营成本,同时增强客户服务体验。提出了一个基于深度学习的视觉库存盘点方法,利用在ImageNet数据集上预训练的ResNet18网络,通过迁移学习技术适应新的库存分类问题,从而实现对仓库中物品的自动化识别和分类,不仅提高了盘点的效率,还显著提升了盘点的准确性。实验结果表明,提出的方法在“MVTec D2S”数据集上能够达到98.84%的F1-score,并对比了不同预训练卷积神经网络(CNN)对识别性能的影响,证明了该方法的可行性和有效性,为后续研究提供了有价值的参考,对推动供应链管理的自动化和智能化具有重要的意义。

关键词： 太赫兹雷达   目标检测   交通监控   安全防护   多模态   感知系统   应急救援   安全监控  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 方形扁平无引脚封装缺陷检测   YOLOX   目标检测   深度学习  

摘要： 为了实现方形扁平无引脚封装(QFN)芯片表面缺陷检测自动化检测,针对现有检测算法耗时长且准确度不高等问题,提出一种基于YOLOX改进算法的QFN芯片表面缺陷检测方法。通过在主干特征提取网络中添加CA注意力模块,并使用VariFocal损失函数代替原模型中的目标分数损失函数,在轻微增加网络参数量的基础上提升了检测精度。通过改进模型YOLOX-PRO、主流算法和添加模块在自制QFN芯片缺陷样本数据集上的训练测试,以及对比分析,实验结果表明:改进后的算法模型能准确地识别划痕、孔洞、引脚缺失三种缺陷,置信度相对较高,并且模型的平均精度均值达到98.61%,单张缺陷图像的检测速度不超过40 ms,优于传统机器学习算法,能够满足工业生产中对QFN芯片缺陷的实时性检测要求。

关键词： 深度学习   YOLOv8   草莓   目标检测  

摘要： 【目的】解决转色期草莓特征不明显而难以分类及检测的问题,提高机械化采摘场景下草莓检测及成熟度分类的精度与效率。【方法】首先,完成了草莓图像采集和标注、数据集制作等预处理步骤,对数据集的标注情况进行分析与可视化;其次,研究了基于YOLOv8的改进模块,将主干网络替换为FasterNet,引入BiFormer注意力机制,将损失函数修改为FocalEIoU;最后,将YOLO-BiFaster改进模型与YOLOv8n基线模型进行对比,验证改进算法的优越性。【结果】改进后模型的参数量大幅减少,浮点运算量由8.1G降为5.9G,mAP50相比YOLOv8模型提高了1个百分点,达到90.9%;YOLO-BiFaster的mAP50指标在训练初期振荡较小,收敛速度高于基线模型,平均精度均值在训练后期超过基线模型。【结论】改进后的模型具有较高的分类效率和检测精度,为采摘机器人的开发提供了视觉基础,为自动采收的实现提供了基于深度学习的目标识别技术支持。

关键词： 高分影像   地理空间信息   高分辨率遥感影像   尺度分析   道路提取   多分辨率   光谱差异   不连续性  

摘要： 以建筑物和道路为代表的人工目标的空间位置、面积等信息不仅在城市规划、社会经济环境分析、交通管理等领域发挥着重要作用,而且也是基础地理数据库和智慧城市建设的重要地理空间信息。高分影像中的建筑物与道路提取主要面临以下几个难点:①高分影像放大了对地观测尺度,地表信息高度细节化使得地物类内光谱差异增大而类间光谱差异相对减小,“同物异谱”与“异物同谱”现象更加显著;②高分影像中的地物具有多分辨率特点,基于单一尺度分析方法无法取得最好的结果,同时也很难充分发挥高分辨率遥感影像多分辨率的作用;③语义环境复杂,由于阴影、车辆等干扰信息的影响,高分影像中道路目标表现出的空间拓扑不连续性、区域光谱异质性高等特点,导致现有方法稳健性低。论文围绕高分影像多尺度形态学特征分析及其在建筑物和道路检测中的应用开展相关研究工作。对高分影像建筑物和道路提取中的关键技术进行了研究和探索,并提出了相应的解决方案。具体研究内容和成果如下。

关键词： 目标跟踪   稀疏内嵌注意力机制编码器   类间特征聚合编码器   运动特征嵌入  

摘要： 针对现有视觉目标跟踪方法仅使用初始帧的目标单一外观特征,导致当背景复杂或外观发生剧烈变化时跟踪失效的问题,提出一种基于多层特征嵌入的单目标跟踪算法。增强目标的外观区分度,使用稀疏内嵌注意力机制编码器,嵌入具有高实例区分度的外观特征;采用类间特征聚合编码器嵌入目标的类别信息,在外观发生变化时保持类内的紧凑性;同时将预测的历史帧跟踪框坐标转化为目标运动轨迹特征嵌入,为算法提供高置信度的时间上下文特征。研究结果表明:所提算法在OTB100基准测试中成功率和准确率分别达到71.4%和92.6%,在GOT-10K、LaSOT、TrackingNet共3个大规模公开数据上取得了鲁棒的效果,成功率分别达到64.9%、72.0%和78.7%;基于多层特征嵌入的单目标跟踪算法有效地克服了现有算法的局限,具有较好的准确性和鲁棒性。

关键词： 自适应图像预处理   仪表识别   高斯模糊值   多尺度Retinex   YOLOv5  

摘要： 为解决工业生产中的弱光和强光环境导致仪表识别读取困难,提出一种光照自适应图像预处理方法,对相机采集的仪表图片进行增强,采用三通道像素调整和自适应Retinex算法处理。最后,使用YOLOv5识别并提取仪表区域并进行仪表读数实验,实验结果表明,预处理之后的图像,仪表读数率提升32.11%,读数速度提升14.8%,验证了图像增强预处理的有效性。

关键词： 道路目标检测   YOLOv5   特征提取   MPDIoU   注意力机制  

摘要： 主流道路车辆目标检测算法在复杂环境下对小目标识别精度低,易因遮挡和定位不准确造成漏检、误检。提出了改进版YOLOv5算法。针对道路上的小目标,改进Head检测层结构,添加大尺度目标检测层,提高道路上小目标检测精度。为适应目标的形状和尺度变化多样,在颈部网络引入全维动态卷积(Omni-Dimensional Dynamic Convolution,ODConv),对原卷积模块进行替换,提高特征提取能力。为了充分利用全局信息,在颈部网络引入全局注意力机制(Global Attention Mechanism,GAM),提升特征提取能力。针对定位精度问题,引入MPDIoU损失函数,使预测框与真实框更加符合。实验结果表明,改进的YOLOv5算法在自动驾驶数据集KITTI上平均精度均值(mean Average Precision,mAP)达到88.7%,相较于基准模型提高了2%,每秒帧数(Frames per Second,FPS)提升了12%。改进算法的检测精度更高,检测速度更快,有效改善了复杂道路条件下的目标检测问题。

关键词： 体育训练   视频分析   区域检测   骨架提取   动作识别  

摘要： 为进一步提升体育训练中的数据智能分析水平,以体育教学中的武术训练为研究对象,提出一种基于多视角的视频智能分析系统。其中,以体育训练视频分析模块为主要研究对象,分别进行人体区域分割检测、人体骨架提取、步态特征提取和姿态估计,最终完成武术动作的检测识别分类。实验结果表明,分析系统中所构建的混合颜色空间以及改进的ZS细化算法均具有一定的有效性,能够在人体运动区域分割检测和骨架提取中有效提升数据提取精度,进而为后续的武术训练的动作识别分类奠定基础;所构建的分析系统能够精度较高的武术训练过程的动作识别,准确率达到90%以上。综上,所构建的基于多视角的视频智能分析系统能够进行效果良好的武术训练动作识别,可应用于实际的体育训练数据分析中,辅助进行教学质量的提升,可行性较高。