关键词： YOLOv8s   目标检测   深度学习   遥感图像   空间到深度卷积   Transformer   注意力机制  

摘要： 针对遥感图像存在的小目标密集、目标遮挡、背景复杂等问题,提出一种改进YOLOv8s的遥感图像目标检测网络模型。采用空间到深度卷积中的SPD模块,在特征提取时保留更多信息;基于Bottleneck Transformer设计BOT模块,在保持全局上下文建模的同时,更好地捕捉图像中的局部特征;引入注意力机制设计C2fGAM模块,聚焦有效信息,抑制无效背景信息;将上采样模块替换为CARAFE上采样,提高特征重建质量。实验结果表明,该模型相较其它算法具有更好的检测效果和较强的通用性。

关键词： 目标检测   点线特征   同步定位与地图构建   动态环境   位姿估计  

摘要： 为了解决视觉SLAM系统在室内动态环境建图中存在的由耗时严重、动态对象干扰、特征点不足所导致的实时性不高、建图精度低以及位姿估计不准确等问题,本研究提出了一种基于目标检测和点线特征关联的视觉SLAM算法——LDF-SLAM。针对耗时严重、动态对象干扰等问题,首先用MobileNetV3替换YOLOv8主干网络,以减少网络参数量。同时设计由无参注意力增强的ResAM模块与MobileNetV3网络共同组成的轻量级检测网络,以增强检测网络的检测能力,快速检测出动态对象。其次,引入多视图几何方法,与改进后的轻量级网络(ResAM模块与MobileNetV3网络组成的轻量级检测网络)共同对潜在的动态特征点进行补偿、过滤,并将其剔除,然后用剩余的静态特征点构建稠密点云地图,以提高SLAM系统的建图精度。此外,针对静态特征点不足导致位姿估计不准确的问题,提出一种融合FLD线特征的提取方法,以提升位姿估计的准确度。同时,通过设计线段长度抑制来保证系统的实时性,进而提高视觉SLAM系统的鲁棒性。在TUM数据集和Bonn数据集上进行实验,实验结果表明,LDF-SLAM的绝对轨迹误差的均方根误差均有所下降,且小于其他主流SLAM算法,显著提高了SLAM系统在动态环境中的鲁棒性和准确性。

关键词： 电力系统   读数识别   电力计量仪表   图像识别   计算机视觉  

摘要： 传统的电力计量仪表读数识别方法依赖于人工读表,工作人员需要逐一检查每个仪表并记录读数,该过程不仅耗时费力,而且在大型电力系统中,由于仪表数量众多,人工读表的方式往往难以迅速完成所有仪表的读数。为提升电力计量仪表读数的效率,并实现精准读数,提出基于计算机视觉的电力计量仪表读数自动识别方法。结合计算机视觉技术收集了电力计量仪表的图像,并对图像进行二值化处理,将处理好的图像中的像素坐标作为校准基础,并将其转换到颜色模型(HSV),实现表盘模版与刻度的定位,最后采用角度识别方法进行读数的识别与计算。试验表明:基于计算机视觉的电力计量仪表读数自动识别方法实现对电力计量仪表读数的自动识别,具有较高的识别精度和效率。

关键词： 注意力机制   特征融合   自适应高斯核   分解注意力  

摘要： 深度学习模型需要大量标注样本进行训练,而在实际场景中,往往很难获得大规模且高质量的标注样本,而没有足够多的训练样本会导致模型性能不佳。目前面向少样本条件下的目标检测算法通常由于训练样本不足会出现漏检和错检的情况,不能有效生成目标的检测框。针对以上问题,以CenterNet方法为框架,在ONCE网络模型的基础上提出一种面向少样本条件的增量化目标检测算法。该检测器主要由结合注意力机制与特征融合的特征提取器、分解注意力编码器、自适应高斯核以及定位器组成,采用两阶段训练策略,通过增量化策略注册新类。其中,结合注意力机制与特征融合的特征提取器能增强对基类和新类特征的提取和利用能力;自适应高斯核与分解注意力方法能使检测器获得更准确的目标中心点,从而使生成的目标框更加精准。在COCO数据集和PASCAL VOC数据集上的验证实验结果表明,与其他先进方法相比,所提方法在COCO数据集上相较ONCE模型在新类、基类、全类的AP值分别平均提高了7.7、2.5和1.3,AR值分别平均提高了15.0、21.7和17.6;在PASCAL VOC数据集上相较其他方法的AP值和AR值分别平均提高了2.4和21.2,具有更好的检测性能。

关键词： 智慧交通   目标检测   YOLOv3   三维自适应检测   分层联合检测  

摘要： 随着汽车保有量的提升,现有目标检测算法存在检测准确率低以及计算难度大等问题,已经无法满足日益增长的检测精度要求。因此,研究提出了基于改进YOLOv3的三维自适应和分层联合检测模型。该模型采用K-means算法调整自适应锚框大小,根据时间、天气以及目标检测构建融合三维模型,利用误检阈值和交并比阈值优化融合过程,将三类目标检测模型分层级融合。实验结果表明,三维模型所有预测框均能准确识别目标类别,对机动车、非机动车和行人的目标检测准确率分别为85.4%、77.2%以及92.6%。联合检测运行时间比三维自适应检测降低了63 ms,最大检测准确率分别比三维自适应检测和单维检测高出3.2%和5.6%,由此可得,改进模型能够有效实现复杂场景下的交通目标检测,及时上报交通情况以便后续疏导,减少交通拥堵情况,提升道路使用率。

关键词： 无标记手势识别   计算机视觉   卷积神经网络   循环神经网络  

摘要： 该文聚焦于无标记手势识别技术,针对传统手势识别方法在准确性、实时性和鲁棒性等方面的不足,提出了一种基于深度学习的计算机视觉解决方案。研究设计了优化的神经网络模型,并结合多模态数据融合策略,实现对多种复杂手势的高效识别。实验结果表明,该技术在识别精度、处理速度和适应性方面显著优于传统方法,充分满足实际应用需求。研究进一步分析了该技术在多场景中的适用性,包括环境干扰、手势复杂度和设备差异等因素,并提出了提升模型性能的具体优化策略。研究成果为无标记手势识别技术的推广应用提供了可靠的理论与实践依据,同时推动了计算机视觉技术在智能交互、辅助设备和人机交互领域的实际应用与发展。

关键词： 路面裂缝   YOLOv8n   目标检测   深度学习   轻量化  

摘要： 针对当前道路裂缝检测算法检测速度慢、且对于复杂道路条件下的路面裂缝识别精度低、误检漏检率高等问题,设计了一种基于YOLOv8的道路裂缝检测改进算法FCG-YOLO。首先,提出了改进的C2f_Faster结构以降低模型参数量和减少计算复杂度。其次,为了提高检测准确率,在骨干部分引入全局注意力机制GAM,增强算法对小目标裂缝的识别能力,同时改进特征融合金字塔SPPF为SPPFCSPC模块,用于增强算法的特征融合能力。最后,通过消融实验验证了各模块对算法性能的影响,找到了兼具轻量性与准确性的模型配置,并结合实际应用场景,探究了算法的鲁棒性与泛化性。FCG-YOLO在检测效率上表现出色,验证集上的检测精度mAP50与mAP50-95分别达到了90.3%、74.4%,且每秒检测速度提升13.8%,达到345帧,具备较高的检测效率与良好的实际应用价值。

关键词： 机器视觉   垂直度   单桩  

摘要： 针对海上单桩垂直度测量需求,提出一种基于机器视觉的非接触式高精度测量方法。通过自适应Gamma校正算法改善复杂光照条件下的图像质量,结合引导滤波实现保边去噪;采用LSD算法检测单桩边缘特征直线,利用角度与长度约束筛选有效直线,并通过平行式与相交式分布模型拟合中轴线,获取像素坐标系下的斜率与截距参数。实验表明,该方法可有效提升图像处理效率与垂直度计算精度,为海上风电单桩施工质量控制提供技术支撑。

关键词： 智能化工工厂   计算机视觉   视频内容分析   人机融合   人工智能  

摘要： 化工企业在生产运营过程中存在各种安全风险,比如:罐区的充装作业、高危化学品的装卸、化工装置的维修等。近年来化工企业为了保障现场安全,装置内部署了较多的监控摄像头,对人员、装置、设备都进行了全方位的监控。随着人工智能以及计算机视觉技术的兴起,视频的智能分析已经成为一种新的安全监控手段,可以让企业的安全人员摆脱枯燥的基于肉眼的图像和视频监控:一方面可以并发监控多路视频提高了人员的监控的效率,降低人力成本;另一方面智能系统不存在人眼疲劳的问题,可以提高监控的精度。提出基于计算机视觉的化工安监系统,阐述了在人机融合的指导思想下,计算机视觉技术如何赋能企业化工安全监控的技术与方案。该文可为AI赋能化工,提升安全生产提供有效的参考。

关键词： 导览机器人   模型轻量化   模型剪枝   目标检测   YOLOv5   目标跟踪   人体姿态检测  

摘要： 针对搭载嵌入式设备的智能导览机器人算力较低,分析参观者行为困难的问题,提出一种基于轻量化YOLOv5的姿态检测算法;在YOLOv5的Backbone部分采用基于GhostNet设计的C3Ghost并在Bottleneck部分采用GSConvns和VoV-GSCSP设计细颈结构,在此基础上使用Slim算法和PAGCP算法分别对模型进行进一步压缩;基于YOLOv5提供的目标检测结果使用DeepSORT算法和SlowFast算法实现对视频中连续的人类目标进行跟踪和行人的姿态检测;经实验验证轻量化改进的YOLOv5其FLOPs下降71%,Parameters下降68%,配合行人姿态检测算法能够准确地识别人类目标并对行人的姿态进行分类。