关键词： 护栏损坏检测   无人机   ECA注意力机制   深度可分离卷积   图像处理   信息提取  

摘要： 针对现有方法对无人机高速公路护栏损坏检测存在边缘信息提取效果差、识别精度低的问题,提出一种基于深度学习的变化检测模型DDE-BIT。首先,采用深度可分离卷积优化主干网络Resnet18,减少模型的参数数量,降低计算成本;然后,在主干网络输出部分引入ECA注意力模块,在仅增加少量参数的情况下提高模型的跨通道信息捕捉能力;最后,通过跳跃连接方式对BIT双时空图像转换器的输出特征进行堆叠,提高模型的上下文信息理解能力。以采集的无人机高速公路护栏损坏图像为实验数据,实验结果表明:DDE-BIT模型的交并比和F1分数分别为90.99%、95.28%,相较于原始模型分别提高了2.71%、1.51%,能够有效地提取护栏损坏的边缘信息。

关键词： 卷积神经网络   牙颌面畸形   头影测量分析   三维解剖标志   深度学习  

摘要： 基于二维影像的头影测量分析技术是当前临床诊断的“金标准”,但仍存在由于二维图像易失真、解剖标志重叠等导致的“解剖误差”和人工手动标点造成的“人工误差”。三维头影测量分析目前已广泛应用于临床诊断,对于“解剖误差”有着重要辅助作用;自动化头影测量分析是利用图像处理与深度学习对头影解剖标志进行自动识别与标点,对于改善二维测量分析的“人工误差”有重要意义。卷积神经网络(CNN)是目前基于深度学习最有效的图像处理与目标检测方法,在三维头影解剖标志自动化目标测量领域有着巨大应用潜力。本文综合国内外有关研究与应用,回顾了三维头影解剖标志测量分析体系的现状,并对基于CNN的牙颌面三维头影解剖标志自动化目标检测的研究进展进行了探索与综述。

关键词： 遥感图像   目标检测   深度学习   多尺度特征融合   加权检测框融合  

摘要： 遥感图像中目标尺度变化大且目标长宽比差异大,导致遥感图像目标检测困难。针对遥感图像的这一特点,通过改进YOLO框架,提出EW-YOLO(Efficient Weighted-YOLO)提高遥感图像目标检测的精度。首先,在特征融合部分,设计多级特征融合结构,以利用双分支的残差模块促进不同尺度特征的融合,并通过融合模块的级联以及跨层特征的融合设计,增强对不同尺度目标的提取能力,并进一步增强检测能力;其次,在预测部分,提出加权检测头,引入加权检测框融合(WBF),以利用置信度分数对每个候选框进行加权,并融合生成预测框,从而提高不同长宽比目标的检测精度;最后,针对图像尺寸过大的问题,提出图像重采样处理方法,即通过将图像采样至合适大小并参与网络训练,解决由于切割造成的大尺寸目标检测精度较低的问题。在DOTA数据集上进行的实验的结果表明,所提方法的检测平均精度均值(mAP)达到了77.47%,较基于原始YOLO框架的方法提升了1.55个百分点,且优于目前的主流方法。同时,也在HRSC和UCAS-AOD数据集上验证了所提方法的有效性。

关键词： 目标跟踪   视觉Transformer   抑制干扰   多头注意力   注意力稀疏化  

摘要： 单流Transformer跟踪框架在目标模板和搜索区域图像信息聚合方面表现出了强大优势,其以ViT(Vision Transformer)网络作为骨干网络进行统一特征提取和关系建模,已成为单目标跟踪主流框架之一。然而,由于模板Token信息流和搜索区域信息流经过注意力操作进行自由交互,导致模板特征提取和搜索区域特征提取受到大量来自搜索区域背景信息的干扰。针对上述问题,提出了一种基于非对称稀疏注意力的单流Transformer跟踪方法。在注意力操作中,对单流Transformer跟踪算法的不同信息流进行了划分和分析。然后,采用注意力稀疏的方法,对搜索区域和模板区域相关信息流和搜索区域自相关信息使用动态阈值的方法进行非对称稀疏化,使得跟踪器更加关注搜索区域中与目标相关的信息。在GOT-10k、TrackingNet、TNL2K、NFS、OTB和UAV123六个公开基准数据集上的实验表明,该方法在减少了背景信息干扰的同时有效提升了单流Transformer跟踪器的鲁棒性。

关键词： STM32   Open MV   PID   图像处理   目标追踪  

摘要： 本文提出了一种基于STM32开发板和OpenMV视觉模块的运动目标控制与自动追踪系统。该系统利用图像处理技术和PID控制算法,实现了对目标的精确识别和稳定追踪。通过OpenMV进行实时图像采集和处理,系统能够有效地从视觉数据中提取关键信息,并传输至STM32主控。进而处理这些信息,生成精确的舵机控制信号,以实现对目标的精确追踪。系统设计考虑了交互功能,提供了直观的物理按键,便于用户进行操作和调参。测试结果显示,系统在复位、追踪精确度和稳定性方面均达到预期目标,证明了其在自动化、控制等领域的应用潜力。

关键词： 无线通信技术   智能安防系统   计算机视觉  

摘要： 基于社会对安全需求的增长和无线通信技术的发展,提出一种基于无线通信技术的新型弱电智能化安防系统。该系统利用ZigBee、Wi-Fi等无线技术实现数据采集与传输,并通过边缘计算和深度学习算法进行实时视频分析与智能图像识别。实验结果表明,相比传统安防系统,所提方案在响应速度、目标识别准确率及误报控制等方面表现出显著优势。

关键词： YOLOv8   目标检测   注意力机制   深度学习   芡种  

摘要： 本文提出一种基于改进YOLOv8的检测分拣模型,提高芡果分拣的效率和准确性。以芡种为对象,采集带衣皮的芡种图像并进行预处理,通过在YOLOv8基础模型上引入SE模块提升特征提取能力,再通过使用WIoU函数来进一步提高模型精度,并进行多种模型对比试验。改进后的模型平均精确率达到99.6%,召回率达到99.8%,均值平均精度达到99.4%,比YOLOv8原始模型的精度分别提高了1.8%、1.6%、1.3%。提出基于改进YOLOv8的芡种成熟度检测模型在保持轻量化的同时,有较高的检测精度,可实现对不同成熟度的芡种进行识别并准确分类。

关键词： YOLOv5   FocalEIoU   SPD-Conv   密集卷积网络   航拍图像检测  

摘要： 为解决小目标检测方法检测精度低、误检率高和漏检率高等问题,提出了FSD-YOLOv5算法,在YOLOv5算法的基础上进行了三方面的改进:用FocalEIoU代替了CIoU,提高了模型收敛速度和回归精度;针对CNN架构的缺陷,采用了一种新的CNN构建模块SPD-Conv;针对卷积神经网络降采样导致的特征图中小目标信息减少或丢失的问题,引入了特征重用来增加特征图中小目标的特征信息。仿真结果表明:FSD-YOLOv5的检测准确率为36.3%,比原算法提高了2.4%。

关键词： 计算机视觉   噪声源识别   目标检测  

摘要： 为应对传统噪声源识别系统在噪声源定位与实时跟踪方面的不足,提出一种基于计算机视觉的噪声源识别系统。该系统利用图像处理、目标检测及多目标跟踪技术,实现噪声源的自动定位、分类与持续监测。实验结果显示,在不同工况下系统均能保持较高的检测准确率与分类精度,目标检测准确率最高达94.6%,处理延迟小于80 ms,展现了良好的实用性和抗干扰能力。

关键词： 林区管理   行人检测   YOLOv8   注意力机制   损失函数   改进算法   深度学习   识别  

摘要： 为解决目标检测算法在林区行人检测中容易出现漏检及检测精度不足的问题,提出一种基于改进YOLOv8的林区行人目标检测算法。采用C2f_DWRSeg模块替换C2f模块,扩展初始卷积通道数,使网络能更高效地进行多尺度特征提取;提出一种重构的检测头,训练时增加卷积层的复杂性,推理时使用单分支结构,从而丰富网络的特征表示能力,并保持高效的推理速度;在特征融合前增加了卷积注意力机制模块CGA,减少计算量;使用Focaler-ShapeIoU损失函数代替CIoU损失函数,弥补边界框回归方法的不足,进一步提高检测能力。试验结果表明,与基准模型相比,改进后的算法mAP50提高了2%,mAP50-95提高了2.4%,模型的处理速度(FPS)提高了4.33%,证明改进后的算法能够更好地应用在林区行人检测的任务中。