关键词： 目标检测   图像处理   YOLOv5s   OCR文字识别  

摘要： 显示屏状态信息检测是配电室的首要任务,是保障公司正常稳定生产的前提。目前,大多数工厂的仪表信息依赖于人为识别,这种方式耗时耗力,容易存在漏检误检,且工厂环境也影响着工作人员的健康。针对这些问题本文提出一种自动检测和识别仪表数据的深度学习方法,首先引入YOLOv5s检测出图像中显示屏所在大致位置,同时针对YOLOv5s识别效果不佳的问题采用锚框、注意力机制和引入RFB网络方式提高识别精度,通过图像预处理有效改善图像质量提高识别结果,最后通过OCR文字识别法得到显示屏内信息。

关键词： 图像处理   行人检测   深度学习   点云  

摘要： 激光雷达点云有明显的离散性,其信息密度远低于图像,从而导致行人检测在此背景下的检测精度较低。为了解决此问题,提出了一种基于改进型复合你只看一次(complex-YOLO)的激光雷达行人检测方法。设计了一种新的网络特征提取结构,增强主干网络的特征学习能力,以便在数据稀缺的情况下更充分地挖掘信息;使用的级联特征金字塔网络及其多分支线性融合方法能够融合不同尺度、不同深度的特征,提升网络的泛化性能,以应对数据特征畸变的情况;在训练过程中还采用了增强交并比(EIoU)以加速网络的收敛速度。结果表明,改进后的算法检测精度提升了3.03%。该研究对在稀疏数据情况下提高行人检测精度是有帮助的。

关键词： 目标检测   卡通面部   GELAN   注意力机制   YOLOv8   共享卷积  

摘要： 卡通角色面部检测是一项比人脸检测更具挑战性的任务,它涉及许多困难的场景.针对卡通角色面部间存在巨大差异的特点,本文提出了一种卡通角色面部检测算法,命名为YOLO-DEL.首先,基于GELAN融合BDD设计了DBBNCSPELAN模块,旨在减小模型体积的同时增强检测性能.接下来,引入一种称为ELA的多尺度注意机制,用于改善SPPF结构,增强主干模型的特征提取能力.最后,设计了新的共享卷积检测头,使网络更轻便.同时也用Shape-IoU代替原CIoU损失函数,提升模型的收敛效率.在iCartoonFace数据集上进行实验,通过消融实验验证得到的模型,并将其与YOLOv3-tiny、YOLOv5n和YOLOv6等模型进行比较.改进模型YOLO-DEL的mAP达到90.3%,比YOLOv8提高了1.2%,参数量为1.69M,与YOLOv8相比参数量降低47%,GFLOPs降低44%.实验表明,本文方法能有效提高卡通角色面部的检测精度,同时缩小网络模型的大小,验证本文方法的有效性.

关键词： 水下图像增强   对比学习   循环生成式对抗网络   目标检测  

摘要： 水下图像因存在色彩失真和细节损失,严重影响了水下机器人的视觉感知能力。为实现图像增强,同时提高检测精度,提出了一种基于对比学习的水下图像增强与目标检测多任务学习框架,既生成视觉友好图像,又提高目标检测精度,实现面向目标检测任务的图像增强。针对目标纹理特征不清晰的问题,通过检测任务的区域生成模块构建对比学习的正负图像块,保证目标区域与原始图像在特征空间更加接近,同时利用检测的梯度信息引导图像增强朝着有利于目标检测的方向进行。此外,通过基于循环生成式对抗网络的图像翻译方法来学习并保留清晰图像特征实现图像增强,不需要成对的水下图像,降低了对数据的要求。最后,在EUVP、U45和UIEB数据集上进行了增强算法验证,在RUOD、URPC2020和RUIE数据集上进行了检测算法验证。实验结果表明,本文算法在主观视觉上可以有效修正颜色失真问题,同时保留了原始图像及目标的结构纹理;在客观指标上,峰值信噪比达到24.57 dB,结构相似度达到0.88。图像增强后在Faster R-CNN和YOLOv7算法上检测精度平均提升了2%。

关键词： 视觉驱动   动态环境   动态环境  

摘要： 传统照明系统因缺乏灵活性,已无法适应动态变化的环境条件,而计算机视觉技术的引入,则提供了一种高效的解决方案,使照明系统能够智能调整亮度和色温,有效适应用户需求和外部光环境变化。因此,本文就计算机视觉驱动的动态环境下照明电器智能调光技术展开探讨,同时通过实验,验证系统设计的有效性,并分析其在实际应用中的表现。

关键词： 小目标检测   YOLOv8s   可变形卷积网络  

摘要： 针对无人机视觉中小目标检测精度低的问题,文章提出一种改进YOLOv8s(You Only Look Once version 8 small)的目标检测算法。首先,采用Slim-Neck替换特征融合层,以加快图像预测的计算速度并增强网络处理特征能力。其次,将损失函数由CIoU(Complete-IoU)替换为Wise-IoU(Wise Intersection over Union),以抑制低质量样本在训练过程中对模型性能的负面影响。最后,在算法的Backbone中嵌入可变形卷积网络,以增强多尺度特征的提取能力,从而提升小目标的检测能力。在VisDrone2019数据集上的验证结果显示,改进后的算法浮点运算量降低了0.7 GFLOPs,同时mAP@0.5指标提升了1.1%,实现了模型的轻量化并保持了较高的检测精度,更适用于无人机视觉场景下的小目标检测。

关键词： 细长物体   目标检测   正样本分配   FCOS   特征自适应  

摘要： 针对以电缆为代表的细长物体目标检测问题,以FCOSv2模型为基础,通过融合细长物体的“细长度”和方向角度θ信息改进了正样本分配策略,在主干网络和预测头加入调制可变形卷积,提升改进后FCOS模型的检测能力。实验结果表明:在推理速度相当的情况下,改进后的FCOS模型达到83.2%的mAP,实现了检测精度与速度的均衡。

关键词： 动作质量   评价   计算机视觉   信息获取   特征表示   损失函数  

摘要： 基于视觉的人体动作质量评价利用计算机视觉相关技术自动分析个体运动完成情况,并为其提供相应的动作质量评价结果.这已成为运动科学和人工智能交叉领域的一个热点研究问题,在竞技体育、运动员选材、健身锻炼、运动康复等领域具有深远的理论研究意义和很强的实用价值.本文将从数据获取及标注、动作特征表示、动作质量评价3个方面对涉及到的技术进行回顾分析,对相关方法进行分类,并比较分析不同方法在AQA-7、JIGSAWS、EPIC-Skills 2018三个数据集上的性能.最后讨论未来可能的研究方向.

关键词： 目标检测   深度学习   YOLOF   多层RepPoints   可变形卷积  

摘要： 针对YOLOF模型存在的多尺度特征融合模糊与传统位置回归表达精度不足问题,提出了一种具备多层RepPoints表达特征的改进模型MLRP-YOLOF。该模型通过新的RepPoints分层解耦头将YOLOF单一多尺度融合特征图转换为分层多尺度RepPoints特征图,并在具备学习能力的RepPoints分层伪框转换器的作用下完成目标的回归任务与分类任务。实验结果表明,MLRP-YOLOF模型较YOLOF在mAP50-95、mAP50与mAP75指标上取得了2.18%~5.75%的相对性能优势。同时,对于结构更简单的Backbone,MLRP-YOLOF模型具有更显著的精度提升。

关键词： 野外蝙蝠   RT-DETR   多尺度特征   轻量级   目标检测  

摘要： 野外蝙蝠检测对于生态保护和科学研究具有重要意义。针对计算资源有限和复杂野外环境带来的挑战,提出了一种轻量型蝙蝠检测模型(LiteDETR-Bat),旨在实现高效的实时检测。首先为了解决特征映射冗余问题,引入重参数卷积高效层聚合网络(RCELAN)替换传统的ResNet主干网络,采用多分支特征聚合机制,有效降低了计算复杂度和参数量。其次设计了动态采样多尺度特征融合(DS-MFF),该结构集成空洞卷积和动态采样算子,通过扩大感受野并自适应调整采样位置,优化多尺度特征融合,提升多样化特征处理时模型的灵活性和鲁棒性。最后在安徽省野外环境下采集了一个涵盖多种光照条件、视角变化及蝙蝠形态变化的蝙蝠数据集,并进行了模型性能等相关实验。实验结果表明,该LiteDETR-Bat模型不仅能够使参数量降低了46.5%,mAP达到97.2%,同时在准确性和实时性上相比于YOLO系列算法均取得了一定地提升。LiteDETR-Bat模型为野外蝙蝠的监测与保护工作提供了有力的技术支持,展现了其在生态监测和生物多样性保护中的应用潜力。