关键词： 机器人导航   计算机视觉   增强现实   动态环境   动态场景   视觉标记   滤波优化   信息丢失  

摘要： 0背景在计算机视觉与图像处理领域,标记检测技术因其在定位、导航和识别中的重要性,得到了广泛应用。STag标记是一种用于高效检测和定位的视觉标记系统,广泛应用于无人机定位、机器人导航和增强现实等领域。与其他视觉标记技术相比,STag标记检测在准确性、计算效率和抗噪性方面具有显著优势。然而,在光照不均匀的户外或动态环境中,STag标记的检测稳定性和鲁棒性会受到较大影响。这种不稳定性在光照剧烈变化场景中尤为突出,导致检测算法容易出现标记信息丢失和误判的现象。

关键词： 黄瓜病害   计算机视觉   多模态数据融合   专家知识   智能识别   大模型  

摘要： 利用智能识别技术及时、准确识别黄瓜病害,进而积极防治、合理施药对于保障黄瓜高质量生产及生态环境安全具有重要意义。黄瓜病害智能识别主要采用基于传统专家系统和知识图谱的专家知识,以及基于传统机器学习和深度学习的可见光图像处理、叶绿素荧光和高光谱等光谱分析、多模态数据融合技术。综述了基于上述技术的黄瓜病害智能识别研究进展,以及当前研究中存在的问题与不足,并展望了黄瓜病害智能识别技术的发展趋势,旨在为黄瓜病害智能识别的应用研究提供参考。

关键词： 计算机视觉   特征匹配   定位识别   深度学习  

摘要： 阐述针对电力设备智能巡检中的设备识别与热状态检测需求,探讨基于图像处理与深度学习相结合的解决方案。重点分析图像去噪、增强及特征提取匹配等关键技术,并建立适用于电力设备监测的特征提取算法与匹配模型。

关键词： 深度学习   YOLOv5   图像处理   火苗识别  

摘要： 随着科技的飞速发展,人们的生活被智能化与电气化不断刷新,现代电炊具,如电饭煲、电磁炉等已成为家庭厨房的标配,天然气更是为千万家庭带来了清洁、高效的能源。然而,在享受科技带来的便捷之余,也面临着潜在的安全隐患,高负荷电器的长时间使用和天然气的无意识泄露,成为火灾事件频发的两大元凶。为有效应对这一现象,研究并应用基于深度学习的目标检测算法,采用先进的网络爬虫技术来搜集大量火灾现场的真实图像作为数据集,并基于Py Torch框架搭建的YOLOv5火灾检测算法对数据集进行严格训练和精细测试,确保其能精准识别各种火灾场景中的火苗特征。通过实际火灾场景的数据图像测试表明,使用这一经过扩充后的新数据集,算法的识别效果显著提高。

关键词： 阵列雷达   自适应目标检测   协方差结构   目标信息   全增量线性化模型  

摘要： 针对多通道阵列雷达探测目标时有限训练样本与目标信息不准确等敏感因素导致检测性能急剧下降的问题,提出了协方差结构辅助的全增量线性化模型自适应目标检测方法。该方法采取联合处理思想,将目标不准确信息通过阵列导向矢量建模为全增量线性化模型,然后利用酉矩阵变换设计协方差结构辅助的检测,并将该检测问题转化为分数优化问题,再通过白化处理并优化求解推导出最终检测统计量。数值仿真结果表明,通过辅助利用协方差结构信息优化全增量线性化模型,有效改善了目标在复杂敏感环境下的检测性能,相比传统检测方法,在特定参数条件下自适应样本量减少时检测性能仍然保持最优。

关键词： 钢缆缺陷   注意力机制   目标检测   SSD算法   特征融合  

摘要： 针对在框绞过程中钢缆表面会产生缺陷的问题,采用了改进型SSD算法的方法。具体措施为:使用ResNet18作为SSD的骨干算法来提取特征信息;通过萤火虫优化算法和K-Means算法优化先验框,提高匹配精度;引入单向特征融合模块和改进的CBAM注意力模块,提高了检测的精度;将Focalloss作为损失函数,减少训练过程中负样本的权值。结合钢缆缺陷数据集进行训练实验,得出改进型SSD算法平均精度为80.3%,相对于传统的SSD-VGG模型提升9%,FPS保持在63.3。在检测精度和检测速度方面上,改进型SSD算法能满足实际需求。

关键词： 无人机红外影像   目标检测   YOLOv8算法   小目标   自适应空间特征融合策略   轻量化  

摘要： 无人机红外影像目标检测在农业、商业等领域都有广泛的研究需求和应用场景。针对当前无人机红外影像中目标检测精度低,特别是小目标难以有效检测的问题,并为了便于模型部署,基于YOLOv8算法,提出了一种红外目标轻量化高精度检测算法(YOLOv8-PFAF)。该算法在YOLOv8的基础上,增加一个针对小目标的额外检测头,同时引入自适应空间特征融合策略(ASFF)改进检测头,显著提升了红外目标检测精度。平均精度均值(交并比阈值为50%)提高1.2%,综合平均精度均值(交并比阈值为50%~95%)提高2%。设计并融入了C2f_PConv模块,有效减少特征图冗余,降低模型尺寸,更好地满足后期实时检测中模型部署的需要。

关键词： 三维点云   车载激光   语义分割   域自适应   增量学习   计算机视觉  

摘要： 由于城市车载激光点云应用场景的复杂性,导致基于深度学习的语义分割模型面临着目标语义层面的域迁移现象,通常需要重新训练完整模型才能处理新增的语义类别。然而城市车载激光点云通常包括极大量的点,重新训练语义分割模型会浪费大量的资源。通过基于特征记忆库的城市车载激光点云域自适应语义分割方法,解决城市车载激光点云之间的目标语义域迁移现象,使得新增语义类别数据时,只需提取新增语义类别的特征,而无需重新训练完整的语义分割模型,得到的语义分割性能对比重新训练完整模型仅有较小的损失。

关键词： 计算机视觉   多目标跟踪   特征增强   通道注意力机制   空间注意力机制   卷积混合注意力机制  

摘要： 基于检测的多目标跟踪方法在复杂场景问题上达到了较好的效果,但已有研究大多关注于时空特征关联而忽视了提高检测性能所能带来的全局跟踪收益.据此,提出一种卷积混合注意力机制,该模块结合动态稀疏通道注意力和空间位置注意力:在处理通道注意力时,整合空间上下文信息,动态调整通道权重;在处理空间注意力时,结合不同通道特征评估空间区域的重要性,旨在优化注意力分配并提升检测精度.进一步地,提出一种两阶段多目标跟踪方法——CHAMTrack,通过在运动目标检测阶段使用该注意力机制,增强算法在复杂场景中对关键信息的捕捉能力,提升不同尺度目标的跟踪效果,降低跟踪过程中漏检和ID切换的发生率.在MOT17和MOT20数据集上的实验结果表明,CHAMTrack在MOTA指标上分别提升28%和20.5%,显著提升了多目标跟踪算法在复杂场景中的效果和鲁棒性.

关键词： 目标检测   YOLOv5   Res2Net   自适应空间特征融合   多尺度融合与检测  

摘要： 针对无人机在高空视角捕获的画面中目标尺寸变化大、背景繁杂、目标所占像素少且其数量居多导致的目标检测精度过低的问题,提出一种改进YOLOv5s的目标检测算法。首先,提出一种可以提取多种尺度特征且减少参数量的C3R模块,在减少参数量的同时提高检测精度;其次,引入ASFF模块,从最佳融合中增强特征表达并自适应地学习,有利于高难度目标的检测;最后,改进多尺度融合与检测部分,增强小目标特征表达。在VisDrone2019数据集上进行实验,检测精度(mAP_(50)/%)比原先的模型提升了6.5%,证明了改进模型的优越性。