关键词： 柑橘采摘   机器视觉   空间定位   轮廓重建   遮挡果实   图像处理  

摘要： 针对果园环境中柑橘果实相互重叠和被枝叶遮挡,导致机器视觉识别柑橘果实与定位目标柑橘空间位置难度较大的问题,提出了一种基于YOLOv8-SAM的改进算法。通过增加BAM(Bottlenet Attention Module)注意力机制提高模型对被遮挡柑橘的识别准确率,运用SAM(Segment Anything Model)算法对被遮挡柑橘轮廓形状进行识别,并运用边缘检测法结合双目立体相机三维稠密深度点云得到被遮挡柑橘有效轮廓边,使用最小二乘法拟合出被遮挡柑橘的完整轮廓以确定目标柑橘果实更精确的空间坐标位置。试验结果表明:该算法可以准确识别并分离目标柑橘果实,同时更精确地定位柑橘果实空间坐标。改进的YOLOv8-SAM算法在果园环境中对被遮挡柑橘果实的识别平均精度达到91.1%,对被遮挡柑橘形心空间坐标的平均定位误差相比传统定位方法减少了16.22 mm,平均果径误差降低了7.99%,可为柑橘采摘机器人对重叠与被遮挡果实的准确识别提供参考。

关键词： 激光干扰   边缘提取   图像质量评估   目标检测  

摘要： 建立一个激光对红外成像系统的定量化干扰规律,具有重要的军事价值和现实意义。利用基于轮廓曲率的Canny边缘提取算法和互相关模板匹配算法,对10.6μm脉冲激光对红外成像探测器目标提取和跟踪性能的影响进行了深入分析;利用不同目标位置和不同功率条件下目标图像与干扰图像的归一化相关度,定量描述激光干扰效果,确定具有目标距离和激光功率评价因子的评价体系,从而判明干扰水平及是否能够识别。结果表明,基于轮廓曲率的Canny边缘提取算法利用曲率将像素点分为强信息点、弱信息点和无信息点,使算法具有像素级的自适应性,更好地保留了图像的细节信息。根据实验得出,激光功率和目标位置是影响激光对红外成像制导武器目标检测性能的关键因素,利用评价体系可以平衡目标位置距离和激光功率两个因素在激光干扰图像评价中的重要性,并且发现激光干扰会产生许多虚假边缘信息,严重影响模式识别算法的性能。最后,评价公式与实验结果相吻合,能够客观反映激光干扰对红外成像系统目标提取和跟踪性能的影响程度。

关键词： 荔枝果实   多目标跟踪   产量预测   轻量化   目标检测  

摘要： 针对大场景自然环境下荔枝存在小目标、重叠和遮挡等特点,提出一种轻量化荔枝检测模型FEB-YOLO;该模型基于YOLOv8在C2f模块中引入PConv替代部分常规卷积以实现轻量化改进,同时融入EMA注意力机制提高算法的特征提取能力;将颈部网络替换为融合P2特征层的BiFPN,增强模型对不同尺寸的跨尺度特征融合;在回归损失函数中引入NWD度量,提高模型对荔枝小目标的学习能力,降低漏检率;经实验测试得到FEB-YOLO模型的P、R、mAP对比原始模型分别提高1.4%、1.6%、1.7%,其参数量和计算量分别降低47.3%和27.1%,改进后模型占用的计算资源更少,同时能够明显提高在复杂环境下的识别精度;为实现果园场景下实时估计荔枝产量,提出了一种高效的荔枝果实动态识别计数方法,通过将FEB-YOLO作为BoT-SORT跟踪器的目标检测器,将FEB-YOLO的识别输出作为BoT-SORT的输入,实现动态视频序列的跟踪计数,最后以实例验证了该方法的有效性和可行性;所得改进模型具有较好的鲁棒性且体积小,可以嵌入到边缘设备中,不仅可用于实时估计荔枝产量,还可用于规划采摘和贮藏,为果园资源分配提供可靠支撑。

关键词： 异常检测   注意力机制   深度学习   计算机视觉   自动编码器   图像处理   人工智能  

摘要： 针对基于卷积的自动编码器提取视频特征时缺失全局信息,且缺少对可能发生异常的前景对象的自主选择性问题,提出一种基于混合注意力机制的视频异常检测算法,以加强卷积神经网络的全局特征捕获能力,控制不同通道和空间位置上特征的权重,使网络有选择地关注可能发生异常的前景对象,降低实验结果对背景等无关信息的敏感性,提高对检测对象的异常区分度。所提算法在Ped2、Avenue以及ShanghaiTech这3个数据集上实验,帧级曲线下面积分别达到99.5%、91.0%以及75.6%,较对比方法均有提高,实验结果表明了算法有效性。

关键词： 交通标志检测   SSD算法   残差网络   特征融合   CBAM  

摘要： 目的针对自然场景下交通标志检测存在的小目标精度低和目标特征信息不足等问题,提出一种使用残差网络(Residual Network,ResNet)和注意力机制(Attention Mechanism)的单步多目标检测算法SSD(Single Shot MultiBox Detector),经过残差网络和注意力机制提取的特征向量输送到一个轻量、高效的特征融合模块中,最后将输出的feature map送到检测器中进行检测,从而提升交通标志检测的正确率。方法首先,利用残差模块将特征进行1×1降维再3×3升维,然后将恒等映射和残差部分生成的特征图进行逐像素相加;其次,将CBAM(Convolutional Block Attention Module)引入到残差模块Conv4_x输出的特征图上,然后与残差模块Conv2_x,Conv3_x输出的特征图一起输入到高效的特征融合模块中进行特征融合,最后将融合后的特征图送入模型中检测以实现对交通标志的识别。结果通过仿真实验验证,改进后的单步多目标检测算法SSD在中国交通标志检测数据集上进行检测的平均精度为90.55%,能够有效地提取小目标特征的信息。相较于主流算法CenterNet、YOLOv3、YOLOv4、Faster RCNN、SSD分别提高了2.57%、3.4%、2.79%、3.8%、4.93%。结论优化后的目标检测方法相较于其他检测方法提取到了更多的特征信息,达到了更高的检测精度,在交通标志检测中具有良好的实用性和有效性。

关键词： 多目标跟踪   目标检测   Fairmot   交通违法行为  

摘要： 在监测交通违法行为的检测任务中,传统的人工监控与基础传感器方法因准确性和实时性存在局限而面临挑战。通过引入多目标跟踪技术,可以显著提升检测效率和系统识别的准确性。文章提出了一种针对车辆信息的多目标跟踪算法,使用MAU-DLA34(Mixed Attention Unit-Deep Layer Aggregation 34)作为主干网络,替换传统的DLA34主干网络。在处理高密度交通和复杂交互情况下,该算法的表现出色,AP达到73.6%,MOTA为82.9%,IDF1为79.3%,明显优于传统方法和其他深度学习方法,如JDE、DeepSort、CenterTrack等。该算法有效减少了身份切换,确保了对交通参与者的精准且连续跟踪。

关键词： 螺栓松动检测   全卷积神经网络   深度学习   图像处理  

摘要： 钢桥高强度螺栓松动、脱落已成为钢结构行业关注的热点问题。现有的人工检查方法费时、费力且效率较低。机器视觉用于钢桥高强度螺栓松动检测,可大幅度提高检测效率,降低检测成本,确保检测精度。但这种方法在螺栓识别与检测可靠性方面还有待改进,尚未应用于工程实际。针对钢桥高强度螺栓松动角度检测的需求,提出一种基于沙漏网络和数字图像处理的高强度螺栓松动检测算法,算法包含特征点识别与角度计算两部分。识别算法由关键点定位网络和关键点坐标生成模块两个部分组成。关键点定位网络为ResNet-50特征提取网络,旨在生成包含螺栓关键点的热力图;关键点坐标生成模块基于热力图,采用定位网络检测出关键点坐标。松动角度算法为:获得关键点热力图后,通过K-Means聚类算法将螺栓关键点转化为包络图;获得螺栓包络图之后,依次逆时针对6个角点进行编号;并将角点1与x轴正向的夹角作为螺栓当前角度,通过不同时间相应角度的对比,得到螺栓的松动角度。采集了多座公路钢桥的高强度螺栓连接节点照片,标注了螺母外侧6个角点和中心点,用几何变换、颜色变换、添加粗放式丢弃(Coarse Dropout)噪声、颜色扰动等操作,扩充了螺栓数据集。基于TensorFlow深度学习框架进行了模型训练,测试了不同距离下模型的识别效果,并将网络识别结果与CPMs和Two-Stage网络进行了对比。测试表明,该网络模型的识别效果好,计算效率高,且具有很好的鲁棒性。其中A_(PCK)和A_(ACC)高达97.6%和99.5%,A_(PCK)和A_(ACC)检测速度均优于CPMs和Two-Stage网络。

关键词： 多模复合制导   深度学习   数据融合   目标跟踪  

摘要： 为了提高光电精确制导导引头的制导精度和抗干扰能力,建立了基于数据驱动的多模复合光电制导导引头数据层融合方法。首先,分析激光/毫米波雷达/红外多模复合光电精确制导数据融合与物理结构的关系。接着,采用拉格朗日插值法和坐标变换实现多模制导数据配准。最后,提出了基于新型卷积增强Transformer模型的多模复合制导信息融合方法,实现了多模复合制导导引头的数据层融合和干扰识别。为了验证所提方法的有效性,构建了导引头挂飞实验系统。实验结果表明:多模复合制导信息融合方法可以实现多模制导在数据层的融合,与互协方差融合法相比,均方根误差降低22%以上,受干扰时的捕获概率从71%提升至91%,大幅提升了多模制导精度和抗干扰能力,可满足多模复合光电精确制导实际应用需求。

关键词： 5G技术   计算机视觉算法   图像处理技术  

摘要： 在如今的数字化时代背景之下,图像处理技术正经历着由5G技术与计算机视觉算法相结合所引领的革命性变革。5G凭借其具备的超高速率、超低延迟以及海量连接的能力,为实时开展图像传输和处理工作给予了前所未有的技术层面的有力支撑。计算机视觉算法借助深度学习、神经网络等先进技术手段,赋予了机器能够“看”以及“理解”图像的能力。这两者的融合不但使图像处理的效率得以提升,而且在医疗、安防、自动驾驶等诸多领域呈现出了极为巨大的发展潜力。正是源于这种技术之间相互协同的作用,推动着图像处理从以往传统的方法朝着智能化、实时化的方向稳步迈进,进而为人类社会走向智能化发展的进程注入了强劲有力的动力。

关键词： 游商小贩   目标检测   级联检测器   分辨率  

摘要： 监控场景下的游商小贩,具有大小不一、形态多样性、样本难获取、车载商品目标较小等特点,针对小目标在大尺寸图像中目标检测精度低的问题,提出了一种二级级联的游商小贩检测方法。采用由粗到精的策略,第一级检测器采用高分辨率的YOLOv5s模型检测运输车辆的位置,取运输车辆的子图作为第二级检测器的输入,第二级检测器采用低分辨率的YOLOv5s模型检测运输车辆上的车载商品,将一级检测器与二级检测器串联起来,结合目标跟踪算法,实现监控场景下游商小贩的检测识别。实验结果表明,在级联检测器中,不同的阶段选取不同大小的分辨率,能有效提高检测精度与检测速度。