关键词： 多源数据融合   目标检测   自动驾驶   车联网  

摘要： 近年来,随着自动驾驶车联网的发展,单传感器的目标检测方式已经不能满足自动驾驶安全精确检测需求.对此,本文研究了基于FCOS的目标检测方法在毫米波雷达与视觉数据融合中的应用.通过提取融合后的特征,实现了在保证目标识别准确性的前提下,提升了目标检测的回归速度,尤其适用于自动驾驶场景下的目标检测.本文详细阐述了FCOS目标检测方法的网络架构和逐像素预测的思想,在此基础上,本文提出了基于注意力机制的特征融合方法,用于融合毫米波雷达和视觉数据.实验结果表明,该方法在仿真环境中具有良好的性能.最后,文章总结了研究成果,并指出了未来研究的方向.通过本文的研究,为自动驾驶领域中的目标检测问题提供了新的解决方案,为推动自动驾驶技术的发展做出了贡献.同时,也为深度学习在传感器数据融合领域的应用提供了新的思路和方法.

关键词： 遥感图像   YOLOv8   FasterNet骨干网络   EMA注意力机制   WIoU损失函数  

摘要： 针对遥感图像目标检测任务中进行特征提取时缺少小目标信息,特征融合过程中部分信息丢失,小目标特征信息不明显,导致小目标检测精度不高的问题,提出了一种基于FEW-YOLOv8模型的遥感图像目标检测算法。首先,优化骨干网络架构,使用FasterNet骨干网络,更有效地提取了遥感图像中小目标的空间特征,使得网络模型更专注于微小目标,从而提升小目标检测精度。其次,使用EMA注意力与C2f构建全新的C2f_EMA模块,替换Neck结构中的C2f模块,在融合特征前进行特征注意力加强操作,使网络模型更突出特征信息中小目标部分,有效解决特征融合过程中小目标特征丢失问题。最后,采用带有动态非单调FM的WIoUv3作为边界框的损失函数,提高了模型的边界框定位精度,并且提升了对小目标的检测性能。实验结果显示:在NWPU VHR-10数据集上经过优化的YOLOv8算法的mAP 50相较于原始YOLOv8算法提高了7.71百分点,在HRSC2016和DOTA v1.0上分别提高了9.70百分点和12.32百分点,证明所提算法能够有效提升遥感图像中小目标的检测精度。

关键词： 桥梁工程   计算机视觉   超分辨率   位移解算  

摘要： 针对当前基于计算机视觉的桥梁结构位移测量方法在目标追踪稳定性、光照及成像硬件条件方面面临挑战,难以有效提取空间多自由度位移的问题,文章提出一种融合计算机视觉与深度学习的桥梁结构动挠度监测系统,能够对设定标靶图像进行超分辨率重建与信息解码,实现动挠度信息的高效提取。首先,设计了一种可编码二进制信息的图像标志及其编解码算法,确保复杂环境下目标点的准确识别和持续追踪,并能通过空间解算测量空间位移和旋转,随后采用图像超分辨率算法提升原始图像质量,降低监测误差。实验验证表明,该方法所得结果与桥上传感器信号高度一致,展示了较高的精度。

关键词： 目标检测   实时检测器   卷积块注意力模块   密集检测  

摘要： 基于深度学习的烟草品规识别系统在现代烟草生产与物流管理中具有重要的应用价值。传统的人工分类方式效率低、成本高,难以满足高效准确的分类需求。在生产生活中,一盒烟草的尺寸非常小,同时每个柜台拥有大量密集的烟草需要进行检测,现有模型不能满足小尺寸烟草品规识别需求。对此,提出了一种增强的基于深度学习的目标检测模型——AYOLO,用于烟草品规的自动识别和分类。首先,将改进的CBAM (Convolutional Block Attention Module,卷积块注意力模块)注意力机制应用于模型中,以增强特征提取过程中的空间和通道信息,从而提高模型对烟草品规图像细节的关注能力;其次,提出了一种更加准确的检测方法,即先进行目标定位,然后通过分类器进行品规分类,这种方式有效避免了传统检测方法中分类与定位的相互干扰,提高了分类准确性;最后,为了应对烟草品规中小目标的识别问题,在模型中添加了小分类头,专门针对小物体进行优化检测。实验结果表明,所提出的模型在mAP上提高了1.2个百分点,为工业自动化中的烟草分拣系统提供了一种高效、可靠的解决方案。

关键词： Retinex   单尺度Retinex   暗光环境   图像增强   目标跟踪   轻量级网络   无人机   孪生网络  

摘要： 由于无人机经常需要在暗光环境中执行任务,而现有的跟踪器中很少对暗光环境的需求进行适配的训练,导致在暗光环境下跟踪器的成功率和准确率明显下降。文中提出一种通用的暗光图像增强方法,在拍摄的图像进入跟踪器前对其进行增强处理,使跟踪器在暗光环境中也能保持良好的跟踪性能。在Retinex理论基础上,文中设计了一种图像处理方法,采用一种轻量级图像处理网络ME-Net,该网络能够迭代地处理光照图和噪声图,提升图像质量,再通过改进SSR函数,有效减少了由增益-偏移引起的数据丢失。为验证所提暗光图像增强器的效果,文中对UAVDark 135数据集上多个流行的跟踪器进行实验。实验结果表明,改进后的暗光增强器显著提高了跟踪器在暗光条件下的成功率和精度,相较于其他常用的暗光增强器也有不同程度的提升,证明了其在暗光下的有效性。

关键词： 木材缺陷   目标检测   深度学习   YOLOv8   特征提取   多尺度融合   算法优化   智能识别  

摘要： 针对木材加工业自动化生产场景中传统缺陷检测方法适应性不足的瓶颈问题,开展基于深度学习的智能检测技术研究,构建涵盖多树种特征及典型缺陷类型的数据集。将目标检测技术用于缺陷检测,利用膨胀感知残差(dilation wise residual,DWR)模块优化C2f模块,并提出任务对齐动态检测头(task aligned dynamic detection head,TADDH)和特征聚焦扩散金字塔网络(focusing spread pyramid network,FSPN),用于改进YOLOv8算法(DFT-YOLO)。试验结果显示,经过改进的模型在精度上取得显著提升,达到了96.8%,相较于原始模型提高7.9%;在关键评价指标平均精度mAP50和mAP50-95上,改进后的模型分别达到93.8%和75.2%,分别提高了6.8%和17.5%;在提高检测精度的同时,模型的参数量减少了约1/6(16.2%)。改进的模型能够为木材缺陷的检测提供一种轻量化的检测方法。

关键词： 同步定位与建图   动态场景   目标检测   稠密建图  

摘要： 针对动态场景下同步定位与建图(SLAM)算法易丢失跟踪、定位精度低和难以生成稠密地图等问题,提出一种改进SLAM算法。在ORB-SLAM3中新增动态特征点检测线程:利用YOLOv5s提取语义信息与检测框,剔除动态区域特征点,并通过改进GMS算法提升静态特征点的匹配数量与速度。引入稠密建图线程,用静态特征点构建稠密点云地图,通过体素网格滤波和外点去除滤波减小规模,生成栅格地图。在TUM数据集实验表明,相比ORB-SLAM3,所提算法绝对轨迹误差(ATE)平均降低95.6%,相对轨迹误差(RPE)平均降低34.9%,显著提高了动态场景下的定位精度与鲁棒性,并成功实现稠密点云和栅格地图的构建。

关键词： 增强现实   人工智能   时敏目标   目标检测   稳态视觉诱发电位   目标识别  

摘要： 针对目标跟踪过程中目标身份(ID)跳变而影响时敏目标识别的问题,提出了一种融合增强现实技术(AR)、稳态视觉诱发电位(SSVEP)和YOLOv3的人在回路的“检测-决策”时敏目标识别方法(AR-SSVEP-YOLOv3)。利用目标感知模块获取前端场景视频,并通过AR眼镜实时呈现,YOLOv3算法完成场景视频中敏感目标检测,AR-SSVEP脑电处理模块解析受试者的脑电数据,在ID变化过程中对时敏目标进行识别。对比分析时敏目标的识别率,结果表明:AR-SSVEP-YOLOv3时敏目标识别方法相比YOLOv3算法识别率平均提升了18.8%,相比YOLOv3-Sort算法平均提升了8.0%。AR-SSVEP-YOLOv3时敏目标识别方法可以降低目标ID跳变对时敏目标识别的影响,提升人机交互能力和时敏目标识别率。

关键词： 目标检测   红外图像   EBM   特征增强   U-V理论  

摘要： 油品泄漏检测技术在保障油品存储与运输安全方面发挥着重要作用。油品具有易燃易爆特性,一旦在储罐、输油管道等存储或运输载体中发生泄漏,易诱发火灾、爆炸等重大安全事故。而传统红外图像目标检测算法存在易受环境温度干扰、对微小泄漏不敏感以及低分辨率图像条件下检测能力受限等问题。为攻克这一难题,提出一种基于能力-价值(Utility-Value,U-V)因果推理与能量分布模型(Energy-Based Model,EBM)的红外热成像油品泄漏检测算法,将U-V理论中因果推理及场景理解等先进理念与EBM有机结合,使算法具备对热成像数据的深度理解和分析能力,实现从感知到决策的全面升级,避免油品泄漏后处理不及时所引发的安全事故。结果表明,相比传统红外图像目标检测方法,该方法显著提升了检测的准确率和抗干扰能力,经过甘肃某油库真实场景数据验证,精确率、召回率均可达到95%以上,应用于油品存储和运输环节可为油品管道安全运行提供更可靠的保障。

关键词： 水果品质分级   深度学习   特征提取   图像处理  

摘要： 水果品质分级是农业生产和食品加工中的关键环节,直接影响产品价值和市场竞争力。近年来,随着计算机硬件成本的下降和性能的提升,深度学习技术迅速发展,为水果品质分级提供了新的解决方案。文章首先介绍了深度学习的核心原理,对比了卷积神经网络、循环神经网络等典型算法的特点;其次,全面综述了国内外基于深度学习的水果品质分级方法研究现状;最后,针对当前水果品质分级方法存在的问题,提出了未来的研究方向和发展建议。该研究不仅可为水果品质分级技术创新提供理论借鉴,还能为农业智能化发展提供重要技术参考。