关键词： 计算机视觉   橡胶衬套   缺陷检测   YOLOX   多注意力机制  

摘要： 针对橡胶衬套表面微小气泡和中片压伤缺陷检测中存在漏检率高、深度学习模型特征融合不足等问题,提出了基于多注意力特征融合的YOLOX-A模型。搭建橡胶衬套表面缺陷检测试验台并制作数据集,在骨干网络中添加Res2NetBlock和CoT注意力模块,在特征融合层内置坐标注意力模块。试验结果显示:YOLOX-A模型在测试集上的平均精度达到86.68%,较YOLOX提高了11.91%,其中气泡缺陷的F1值为0.99,中片压伤缺陷F1值为0.75,FPS为42.5。

关键词： 目标跟踪   自注意力机制   ROS   位姿检测  

摘要： 针对传统方法在移动机器人位姿检测过程中存在的目标丢失和数据漂移等问题,提出了一种基于ViT深度学习框架的视觉跟踪器,优化了利用ArUco码作为辅助特征标识的位姿检测方法,有效改善了检测效果。通过ROS系统分布式通信方法构建视觉处理平台和移动机器人之间桥梁,测试了不同数据集下跟踪器的性能和跟踪器的加入对整个位姿检测方法的提升效果,实验结果验证了提出的基于视觉优化的移动机器人位姿检测方法的可行性,可以较好地支撑移动机器人展开实时任务。

关键词： 目标识别   目标跟踪   位置预测   深度学习   机器视觉  

摘要： 针对多模态检测任务下全尺寸目标识别与跟踪网络串联结构较大、整合程度差、计算效率低的问题,克服跟踪算法对目标运动持续时间与轨迹积累的依赖,面向无人机、智能巡飞弹等无人装备对多模态网络一体化、轻量化与快速相应的需求,提出了一种基于短时域的目标识别与快速跟踪神经网络。以相邻两帧图像作为输入,融合目标语义信息与运动趋势信息间的关联特征;通过可共享特征提取网络,降低多模态目标检测网络的结构复杂性;采用含有静态与动态链路的双分支推理网络,同步完成当前帧内目标识别计算与未来帧内目标位置预测。实验结果表明:所提出的算法识别准确率可达到95.4%,位置预测准确率可达到90.9%,能够在低算力支持下赋予智能武器目标高效识别与快速跟踪计算能力。

关键词： 目标检测   深度半监督学习   半监督学习   深度学习  

摘要： 基于深度半监督学习的目标检测技术利用少量带标注信息的样本和大量无标注信息的样本进行模型训练,可减少对标注样本的依赖,提高准确性和效率。首先介绍了基于深度半监督学习的目标检测理论,依据损失函数和模式设计方式的不同对其方法进行了分类,然后基于MS-COCO和Pascal VOC数据集对典型方法进行了性能对比,最后分析了其挑战和发展趋势,旨在为相关研究提供参考。

关键词： 随机PRI   距离单元走动   Keystone变换  

摘要： 随机PRI信号雷达可以解决高速运动目标测速模糊问题,但针对高速运动目标,由于速度、加速度带来的距离走动和距离弯曲会给后续相参积累带来问题,影响目标检测性能。Keystone变换可以校正雷达回波信号的距离单元走动问题,本文介绍了Keystone变换原理,分析了实现Keystone变换常用的三种方法,最后结合随机PRI信号非均匀相参处理方法验证了Keystone变换前后的性能。

关键词： 疲劳驾驶   目标检测   FasterNet-YOLO   注意力机制   低光增强  

摘要： 针对环卫车驾驶员的驾驶环境和驾驶安全,提出了一种基于改进YOLOv8n算法的驾驶员疲劳检测方法。使用FasterNet替换YOLOv8n目标检测算法的主干网络,并设计FasterNet-YOLO的轻量级网络模型;在主干网络和颈部中分别加入压缩和激励(SE)模块与卷积注意力机制(CBAM)模块,保留输入的重要特征信息;引入Zero-DCE++算法对摄像头输入的视频流进行亮度增强,处理因驾驶员面部亮度不足所致模型难以识别问题。试验结果表明:交并比为0.5时的平均类别检测精度(mAP@0.5)达到98%,平均每帧图片推理时间缩短至6.95 ms;该方法在不同光照情况下,均能够实时、准确地检测驾驶员疲劳状态。

关键词： 农业病虫害识别   改进PP-YOLO   深度学习   计算机视觉   目标检测  

摘要： 在农业生产活动当中,病虫害对粮食的产量产生了很大的影响。在无人机中利用计算机视觉精准识别病虫害为农业生产提供了保障,但是同时也带来了目标太小、精准度不高的问题。针对此问题,通过在PP-YOLO网络的基础上引入注意力机制SENet(Squeeze-and-Excitation Networks),增强其主干网络的特征提取能力,提高小目标番茄叶斑病的识别准确率。经过试验表明,该文所提出的方法在PlantVillage中番茄叶斑病数据集上的检测性能优于PP-YOLO,平均精度达到86.44%,具有一定的应用价值。

关键词： 深度学习   YOLOv8   草莓   目标检测  

摘要： 【目的】解决转色期草莓特征不明显而难以分类及检测的问题,提高机械化采摘场景下草莓检测及成熟度分类的精度与效率。【方法】首先,完成了草莓图像采集和标注、数据集制作等预处理步骤,对数据集的标注情况进行分析与可视化;其次,研究了基于YOLOv8的改进模块,将主干网络替换为FasterNet,引入BiFormer注意力机制,将损失函数修改为FocalEIoU;最后,将YOLO-BiFaster改进模型与YOLOv8n基线模型进行对比,验证改进算法的优越性。【结果】改进后模型的参数量大幅减少,浮点运算量由8.1G降为5.9G,mAP50相比YOLOv8模型提高了1个百分点,达到90.9%;YOLO-BiFaster的mAP50指标在训练初期振荡较小,收敛速度高于基线模型,平均精度均值在训练后期超过基线模型。【结论】改进后的模型具有较高的分类效率和检测精度,为采摘机器人的开发提供了视觉基础,为自动采收的实现提供了基于深度学习的目标识别技术支持。

关键词： 线激光   图像处理   中心线提取   海森矩阵   感兴趣区域  

摘要： 提出一种基于海森矩阵的改进了Steger算法流程的线激光中心线提取方法。首先,采用高斯滤波、图像锐化等方法对图像进行预处理,去除噪声,加强灰度差别。其次,采用迭代式的全局阈值分割方法,将图像中的图像分割,得到图像中的感兴趣区域。最后,改进海森矩阵的计算原理,对Steger算法进行了优化,以求出亚像素点的位置,并采用非极大值抑制去除噪声点。计算结果表明,相较于传统的Steger算法,这一改进型算法能将中心线的提取速度提高4倍以上,而且能去除传统Steger算法上提取中心线会出现的冗余点,提取精度相比传统的灰度重心法和Steger算法分别提高了28%和19%。

关键词： 神经网络   目标检测   YOLOv8n   头盔   轻量化  

摘要： 近年来,电动车驾驶人未佩戴头盔导致的交通事故频繁发生,造成了严重的人身伤害和财产损失。调查结果表明,事故主要集中在交通路口,因此,交通路口电动车驾驶人员头盔佩戴行为的检测与管控亟待展开。在利用机器视觉传感器获取大量电动车、驾驶人以及车牌数据后,制作合适的数据集,并在Pytorch框架上利用改进的YOLOv8n神经网络对处理后的数据进行训练,以获得最优权重参数。实验对比发现,改进后的YOLOv8n算法对于电动车、头盔以及车牌的检测精度分别达到了99.1%、93.7%和95.9%,比原始YOLOv8n的识别准确度提高了1%3%。最后,通过联合使用训练改进的YOLOv8n模型,在检测头盔佩戴情况的同时,结合电动车本身以及车牌的综合信息,准确对其进行跟踪,从而实现对交通路口违规电动车驾驶行为的有效管控。