关键词： 人群计数   CNN   YOLOv8   深度学习   目标检测  

摘要： 当前,国内智慧校园建设蓬勃发展,但在校园候车点人群计数方面仍存在不足。因识别目标重叠、背景环境复杂,难以兼顾识别速度与准确率。针对该问题,文章提出一种基于CNN和YOLOv8模型的方法。通过深入探讨与分析YOLOv8模型的创新点,设计了一个基于YOLOv8的校园候车点人群计数系统。最终,模型在自设数据集上的平均精度达到87.4%。并且,结合可视化设计将其融入系统,实现了较为准确的候车人群计数,为解决校园候车点人群计数问题提供了助力。

关键词： 深度学习   语义分割   卷积神经网络   U-Net   计算机视觉  

摘要： 乳腺癌是女性常见恶性肿瘤之一,严重威胁女性健康。在乳腺癌手术中,准确测量乳房和切除组织的体积对于手术规划和乳腺重建至关重要。本研究构建了一个基于深度学习的分割框架,用于乳房和切除组织的MRI体积分割。该框架不仅展现了良好的分割精度,还涵盖了偏置场矫正这一关键预处理步骤。我们收集并手动标注了一个包含47例患者的MRI数据集,这些数据涵盖了不同的年龄、乳房大小和四类采集参数。在交叉验证中,U-Net网络在全乳分割和切除组织分割任务中表现最佳,平均Dice系数分别为96.54和92.37。在测试集上,U-Net网络同样展现了优异的分割效果,平均Dice系数分别为94.23和84.53。实验结果表明,所提出的框架能够精准且高效地量化全乳体积和切除组织体积,为临床乳腺手术提供数据支持。Breast cancer is one of the most common malignant tumors in women, which seriously threatens women’s health. In breast cancer surgery, accurate measurement of breast and excised tissue volume is critical for surgical planning and breast reconstruction. This study developed a deep learning based segmentation framework for MRI volume segmentation of breasts and excised tissues. This framework not only demonstrates good segmentation accuracy, but also covers the key preprocessing step of bias field correction. We collected and manually annotated an MRI dataset containing 47 patients, covering different ages, breast sizes, and four types of acquisition parameters. In cross validation, the U-Net network performed the best in both whole milk segmentation and excised tissue segmentation tasks, with average Dice coefficients of 96.54 and 92.37, respectively. On the test set, the U-Net network also demonstrated excellent segmentation performance, with average Dice coefficients of 94.23 and 84.53, respectively. The experimental results indicate that the proposed framework can accurately and efficiently quantify total breast volume and excised tissue volume, providing data support for clinical breast surgery.

关键词： 目标检测   瓦斯抽采   钻杆识别   YOLOv5  

摘要： 随着煤炭开采深度的增加,瓦斯突出成为制约煤炭开采的重要因素。煤矿井下瓦斯钻杆计数对井下瓦斯抽采具有重要的指导意义。目前,主要使用的传统人工计数方式较为费时费力。为解决上述问题,提出一种基于YOLOv5的煤矿井下瓦斯钻杆智能识别方法。该方法通过目标检测算法YOLOv5对钻杆特征进行充分提取和聚合,并输出最终检测结果。通过多角度布置摄像头采集钻杆数据,构建了BOLT-1000钻杆数据集,并搭建了实验平台进行训练和验证。实验结果表明,该方法在自制数据集上具有较高的精确度和鲁棒性,能够准确识别井下瓦斯钻杆。

关键词： 飞机维修   复杂场景   激光雷达   多传感器数据融合   三维目标检测  

摘要： 针对复杂飞机维修场景下三维目标检测任务面临的计算复杂度高、实时性不足的问题,提出一种融合视觉相机与激光雷达数据并基于先验信息的三维目标检测方法。首先,对相机和激光雷达进行参数标定,对激光雷达采集的点云进行预处理获取有效三维点云,通过YOLOv7算法来识别相机图像中的飞机机体目标。然后,根据待测目标的先验长度基于EPnP(Efficient Perspective-n-Point)方法计算出目标深度。最后,利用深度信息与点云聚类方法完成三维目标检测,并识别障碍物。实验结果表明,所提方法能从环境点云中精确检测出目标,算法的识别准确率为94.70%,处理1帧数据的时长为42.96 ms,在识别准确度和实时性上均表现出良好的性能,能满足飞机移动过程的碰撞风险检测需求。

关键词： 无人机   YOLOv10   目标检测   CA注意力机制   EIoU损失函数   海上救援  

摘要： 无人机由于其成本低廉、敏捷、灵活并且可以搭载高分辨率摄像头和传感器,正在成为各个行业不可或缺的工具。在检测环境中,无人机可以适应复杂地形以及恶劣气候,收集到大气、土壤等各项珍贵数据。在工业探索领域,无人机可以代替人工对于危险地域的探查,降低事故的发生率。在海上救援方面,无人机可以快速定位到遇险的船舶,提升救援人员的救援效率。然而,无人机在此情况下的目标检测任务仍然面临不小挑战,如目标被障碍物遮挡、太阳光照的变化等。为了提高无人机在海上救援中的船舶检测性能,本文提出了一种基于改进YOLOv10(You Only Look Once,YOLO)的目标检测算法,加入了CA注意力机制,并采取EIoU损失函数。实验结果表明,相对于原始的YOLOv10模型,实验数据集在ACE-YOLOv10模型中获得了更好的结果。

关键词： 疲劳检测   深度学习   目标检测   通道剪枝   轻量化  

摘要： 煤矿井下无轨胶轮车和露天矿山运输矿卡驾驶员的疲劳驾驶问题对安全生产构成重大威胁。基于深度学习的疲劳驾驶识别是当前研究热点,但现有的疲劳驾驶检测网络模型大多结构复杂,并且依赖高性能计算资源,难于在边缘设备部署。基于YOLOv5s模型,在保证检测准确度的前提下,使用通道修剪和迁移学习技术实现了疲劳驾驶检测模型的轻量化。实验结果证明,模型尺寸明显减小,参数量和计算量分别减少了78.7%和62%,推理时间为每帧图像6.9 ms;与6种主流的目标检测网络进行对比,进一步验证了该模型的优越性。该疲劳驾驶检测模型轻量化处理方法在保持较高检测精度的同时,大幅度提高了实时性和可部署性。

关键词： 视觉目标跟踪   非高斯噪声   噪声抑制  

摘要： 为提高视觉目标跟踪在复杂噪声环境下的健壮性,采用基于非高斯噪声抑制的方法,研究目标跟踪中的噪声特性。通过设计噪声识别策略和多尺度特征增强,结合自适应抑制模块,有效抑制非高斯噪声对视觉目标跟踪精度的影响。结果表明,所提方法在噪声干扰下表现优越,提高跟踪算法的稳定性和精度,具有较好的应用前景。

关键词： 供水管道   内窥检测   缺陷特征   图像识别  

摘要： 基于某单位开展的市政供水管道带压内窥检测工作,通过搜集和整理带压内窥检测的图像数据,提出了一系列供水管道内部缺陷图像处理算法,并对某地区供水管道的内部缺陷特征进行了分类和评判研究。研究结果表明:由于环境光线、水流流速和管道材质等因素的影响,导致缺陷图像容易掺杂一定的高斯噪声和脉冲噪声。同时,由于摄像头自带的灯光设备往往无法均匀照射到整根管道的内表面,导致检测获得的内部缺陷图像容易出现亮度不均衡的问题。因此,建议采用双边滤波方法去除带压内窥检测缺陷图像的高斯噪声与脉冲噪声,同时采用CLAHE算法对去噪后的缺陷图像进行对比度增强。基于处理后的图像,可将供水管道的内部缺陷分为结构性缺陷和功能性缺陷两类。其中,结构性缺陷主要包括腐蚀和管瘤两种,功能性缺陷主要包括气囊、杂质和异物三种。这五种缺陷类型在供水管道中出现的频率由高到低依次为:异物、腐蚀、管瘤、杂质和气囊。

关键词： 极坐标   BEV目标检测   位置和语义信息   特征加权   跨平面编码器  

摘要： 传统的笛卡尔坐标系下的3D目标检测方法因车载相机的固定楔形成像几何,导致相机图像编码时在一定程度上忽视了目标在不同视角下的对称性和连续性。鉴于此,本文提出一种基于位置与语义信息加权的极坐标BEV端到端3D目标检测方法—PolarDet。该方法通过极坐标查询与预定义的极坐标网格生成极坐标下的BEV位置与语义信息,再与前一帧的BEV信息进行特征交互以融入时间信息;在输出最终检测结果时,PolarDet再对位置与语义信息进行加权求和,以提高信息的利用效率,使网络能够达到更高的检测精度。本文在具有挑战性的BEV目标检测nuScenes数据集上进行了广泛的实验,结果表明,PolarDet最优模型的mAP(平均精度)达到0.469,NDS(nuScenes检测得分)达到0.56,显著优于基于笛卡尔坐标的BEV目标检测方法。

关键词： 智能化巡检   输电线路通道   目标检测   窗口自注意力网络   自适应空间特征融合  

摘要： 针对输电线路通道异物检测背景复杂以及小目标情况下检测效果不佳等问题,提出一种基于窗口自注意力网络与YOLOv5模型融合的输电线路通道安全检测算法.首先,选用窗口自注意力(S-T)网络优化主干网络,扩大模型感受视野,增强提取有效信息的能力.其次,改进自适应空间特征融合(ASFF)模块,增强多尺度特征融合能力.最后,考虑到真实框与预测框不匹配的问题,引入结构相似性交并比(SIoU),优化边界误差,提高小目标定位准确性.实验结果表明,本文模型对线路通道多目标入侵检测精度达到90.2%,且提升了小目标检测效果;与主流目标检测算法相比,可以更好地满足输电线路通道中的异物检测需求.