关键词： 电力安全带   深度学习   目标检测   检测精度   检测速度  

摘要： 针对室外电力检修场景成像干扰大、图像背景复杂、电网检修作业人员未能及时正确佩戴安全带的问题,提出了一种电力安全带的智能检测方法。首先,利用均值聚类训练目标框来调整网络的锚框,使网络获得检测目标的先验知识;然后,在主干网络中提取更加丰富的特征图,使用广义交并比损失代替原始边框的回归损失;最后,通过预测层直接回归目标类别。研究结果表明,相较常规检测方法,采用所提方法平均检测精度为83.15%,且检测速度可达到每秒62帧,兼有更高的检测精度和更快的检测速度。

关键词： 机器视觉   多目标跟踪   特征提取   FairMOT  

摘要： 多目标跟踪算法中的FairMOT提出了平衡检测和重识别分支的均衡学习策略,有效的平衡了目标检测和重识别两大任务,是目前单阶跟踪段范式算法中最优的算法,但由于DLA34骨干网络的特征提取能力有限,面对实际应用场景中复杂的跟踪场景时,往往会因为出现漏检和误跟等现象导致模型的跟踪效果下降。为了有效的提升模型骨干网络的特征提取能力,本文针对此问题设计了基于元素相乘结构的深度聚合骨干网络,提出了FairMOT-Star算法。该算法利用了元素相乘结构带来的隐藏维度提升原理,实现了简洁高效的目标特征提取。同时使用EIoU_Loss作为检测框回归任务的回归损失函数,更加精准的描述了检测框和真实框之间的位置和形状关系,提升了检测框的预测精度。匹配关联部分使用卡尔曼滤波算法预测目标的运动信息,匈牙利算法完成时序维度上前后帧目标和轨迹的关联匹配。在MOT16数据集上进行了实验测试,MOTA精度达到了86.0%,模型的权重参数量为19.59 M,相比于FairMOT模型参数量减少9.7%的同时,MOTA精度提升了3.5%,较好的优化了FairMOT算法的计算参数量和跟踪精度。

关键词： 小目标检测   无人机   图像处理   图像融合   YOLOv8  

摘要： 针对无人机小目标检测精度低、误检率较高的问题,提出了一种基于双模态图像融合的无人机小目标检测算法。首先设计了基于前端、中端和后端融合策略的红外与可见光图像融合基础框架。其次基于后端融合策略和YOLOv8目标检测框架,构建了双通道图像融合检测算法。本文算法通过双路特征融合模块融合红外与可见光图像的特征,并在颈部网络层引入BRA(bi-level routing attention)模块增强模型识别小目标的能力。实验结果表明,在DroneVehicle数据集上,本文方法与单一基于YOLOv8的红外和可见光图像检测结果相比,平均精度均值(mAP)分别提升了14.78%和12.99%,相比于PSFusion融合检测方法,mAP提升了7.1%。

关键词： 卫星遥感图像   目标检测   超分辨率   特征融合  

摘要： 受制于图像光谱信息承载能力限制,基于可见光或红外的单模态目标的检测方法通常难以有效应对遥感图像复杂场景。针对这一问题,文章提出一种基于分层融合机制的超分辨率(超分)遥感图像目标检测方法,有效融合可见光和红外数据信息。首先,基于残差融合模块和单分支增强模块构建分层融合机制,其中残差融合模块整合可见光与红外图像的潜在互补信息,单分支模块进一步强化双模态数据融合特征表达。其次,构建超分辅助分支,增强目标细节特征生成能力,进一步提高检测精度。实验结果表明:文章方法在VEDAI与Drone Vehicle数据集上的检测精度优于传统主流目标检测方法,分别达到了79.45%与81.29%,有效提高了遥感图像目标检测的准确性。

关键词： 高处作业吊篮   AI智能化视频识别技术   计算机视觉   声光报警  

摘要： 当前,高处作业吊篮安全监管面临的挑战,特别是在施工人员数量统计、防护用品穿戴情况监控及危险操作行为识别等方面存在的不足。基于此,本研究设计并开发了一套创新的AI智能化视频识别技术驱动的吊篮安全管理平台。该平台采用五层技术架构体系,涵盖数据采集、数据传输、基础服务平台、业务应用及用户交互层,实现了对吊篮作业全过程中人员数量的精准识别、安全帽与安全带佩戴情况的自动检测,以及施工人员危险操作行为的即时捕捉与预警。此平台的部署显著提升了高处作业吊篮的安全管理水平,为施工人员的生命安全构筑了坚实的防线。

关键词： 计算机视觉   人工智能技术   人脸识别技术   文字识别   社会文化发展   提升高度   数据增广   检测模型  

摘要： 现对视觉文化在社会文化发展中的地位和作用进行探讨,着重论述了图书馆基于计算机视觉和人工智能技术的结合,设计图书馆图书盘点系统的意义和必要性。随着图书馆馆藏图书与读者规模的不断扩大,传统的人工盘点方式已难以满足高效管理的需求。通过聚焦于图书馆视觉盘点技术,旨在探讨如何利用先进的计算机视觉和人工智能技术,实现图书盘点的智能化与自动化。通过深入分析现有视觉盘点系统的不足,本文提出了一系列创新性的解决方案,包括引入质量判定器以过滤书脊损毁或摆放不佳的图像、改进MaskR-CNN模型以提升密集倾斜书脊的分割性能、优化文字检测模型SpineOCR以提高书脊文字的检测准确率等。此外,本文还采用了数据增广策略提升文字识别的准确率,并借鉴人脸识别技术,提出了基于Siamese和Triplet架构的特征抽取模型,以提升高度相似的系列图书的检索准确率。

关键词： 旋转目标检测   分支对齐   动态标签分配   遥感图像  

摘要： 现有的一阶段遥感检测器大多使用具有平行分支的检测头,普遍存在两分支预测不对齐问题。针对该问题,提出了一种分支特征对齐网络。首先,分支对齐模块通过学习分支对齐特征来加强分类和回归分支之间的特征交互,同时模型基于对齐特征动态调整采样位以实现两分支的特征对齐;然后,在样本分配阶段,模型通过设计的对齐度指标在训练过程中动态评估样本的分类和回归质量,并基于排序的分配策略由粗到细筛选正样本,保证不同尺寸的目标获得足够的监督信息;最后,在DOTA-V1.0、DOTA-V1.5和DIOR-R这3个常用数据集上,所提算法取得75.36%、68.26%和65.50%的平均精度均值,相较于其他先进算法,在检测性能与检测效率上具有明显优势。

关键词： 无人机   车辆数据集   目标检测   YOLO   低空经济  

摘要： 随着低空经济与无人机技术的快速发展,无人机可作为获取交通信息的新型载具。针对无人机视角下车辆小目标数据集较为稀缺的问题,构建了包括客车、货车和巴士三类的车辆小目标检测数据集。对YOLO系列网络在无人机场景中的适配性进行系统对比,最终优选YOLOv8网络,作为车辆小目标检测的核心框架。为全面评估算法性能,论文构建了基于准确率、召回率、平均精度均值、Giga浮点运算量及权重文件大小等的多维度评价指标。在此基础上,在YOLOv8m模型上增加了适用于小目标检测的优化层,构建YOLOv8m-p2网络。实验结果表明,YOLOv8m-p2在保持较低运算与存储开销的同时,大幅提升了无人机航拍下车辆小目标的识别精度与实时性,并在小目标捕捉能力与预测准确度方面予以平衡。

关键词： 自动驾驶   鸟瞰图   视图转换   目标检测   交叉注意力  

摘要： 在自动驾驶技术的领域中,利用鸟瞰图(bird’s eye view,BEV)进行3D目标检测任务已经引起了广泛的关注.针对现有相机至鸟瞰视图转换方法,实时性不足、部署复杂度较高的难题,提出了一种简单高效、无需任何特殊工程操作即可部署的视图转换方法.首先,针对完整图像特征存在大量冗余信息,引入宽度特征提取器并辅以单目3D检测任务,提炼图像的关键特征,确保过程中信息损失的最小化;其次,提出一种特征引导的极坐标位置编码方法,增强相机视角与鸟瞰图表示之间的映射关系与模型空间理解能力;最后,通过单层交叉注意力机制实现可学习BEV嵌入与宽度图像特征的交互,从而生成高质量的BEV特征.实验结果表明:在nuScenes验证集上该网络架构与LSS(lift,splat,shoot)相比mAP从29.5%提升到32.0%,提升了8.5%,NDS从37.1%提升到38.0%,提升了2.4%,表明该模型在自动驾驶场景下的3D目标检测任务的有效性.同时相比于LSS在延迟上降低了41.12%.

关键词： 苹果花   激光疏花   参数优化   目标检测   LT-YOLO  

摘要： 针对苹果花激光疏花技术中的关键参数优化问题,设计了激光疏花试验台。通过正交试验法,优化了试验台高度、激光打击时间及PWM占空比,得到最佳参数组合:激光高度为20 cm、打击时间为10 s、激光功率(PWM占空比)为50%将达到最佳的疏花效果。针对激光疏花中苹果花识别与定位,提出了LT-YOLO(Lightweight and targeted-you only look once)苹果花检测模型,设计了基于ViTBlock的DPRViTBlock模块和基于C2f模块的DPRVBC2f模块,并添加了DPRVBC2f模块和ELA注意力模块,应用于检测骨干和检测头的特征提取,以增强对苹果花的检测性能,验证集中该模型的准确率、召回率和平均精度均值分别为83.16%、82.15%和87.47%,相比YOLO v8模型分别提高5.04、2.12、2.15个百分点,内存占用量为5.26 MB,检测速度为128 f/s,满足使用时的准确性和实时性的要求。该研究为苹果花疏花技术进一步优化与智能化应用提供了科学依据。