关键词： YOLOv5算法   工程车辆检测   DeepSORT算法   多目标跟踪   实时检测  

摘要： 本研究聚焦于传统目标检测技术与基于深度神经网络的工程车辆检测策略的对比分析。通过借助有效技术手段,采用降噪、增强及边缘检测的方式,对图像的质量进行有效优化。为了确保工程车辆检测过程的专业性与高精度,我们借助YOLOv5算法对其进行了处理,该算法的运用可以进一步提高处理速度。对于检测时容易出现的目标遗漏与预测框定位不准确情况,我们借助DeepSORT算法,通过全面的整合对检测目标进行了追踪预测。DeepSORT通过卡尔曼滤波进行数据估计,能实现高效的连续跟踪。为应对拍摄设备晃动及车辆变速行驶引发的目标身份频繁更迭挑战,我们创新性地采用了一种改进的GIoU计算方法。

关键词： 辣椒根系   原位监测   图像分割   感兴趣区域   迁移学习  

摘要： 【目的】根系的主要作用是吸收水分和吸收养分,对根系的研究是植物营养学、育种学和基因组学中十分重要的内容。根系形态的准确获取是农业生产中基因改良、提高水肥利用效率、改善作物品质和提高产量的先决条件。根系形态的原位监测与根系参数实时获取是作物营养供给、基因调控以及作物生理过程等研究的重要手段。由于根系形态获取困难、根系图像复杂以及背景对比度低等原因,根系形态原位监测与根系图像的分割较为困难。【方法】研究使用自制的根系形态采集系统获取根系原位图像,并通过在U2Net网络中构造感兴趣区域建立了一种高效、准确的复杂根毛图像分割模型。首先利用根系图像阈值分割结果作为区域基,在区域基的周围添加部分像素,来定位根系所在的区域,从而构造感兴趣区域;随后引入U2Net网络,增加迁移学习部分进行预训练,提供模型权重初始参数;并在网络中加入根系形态的先验知识对图像进行分割,并提取根系参数。【结果】该模型在不同种类根轴和根毛分割方面效果较好(F=0.922)。使用聚乙烯线制作了仿真根系与该方法对比,本试验的根系形态采集系统及其图像处理算法能较为准确的获得采集系统视野范围内的根系参数,对根轴的提取最大误差不超过6%,对根毛的提取最大误差不超过10%。对于不同的根系均能以较高的精确度获得根长、平均直径等参数,为进一步使用该系统进行原位监测提供了较为可靠的技术手段和方法。使用该方法对根系生长形态随时间的变化进行了监测,发现根系在第22天时,主根数量较少,根毛也较少;第33天时,根系发育旺盛,根轴较为丰满,有丰富的根毛;到第55天时,根轴仍然很丰满,但根毛却减少。【结论】该方法能够分割和提取根毛信息,并能够对同一个部位的形态进行长期动态监测。本研究方法同样适用于植物营养学、育种学和生态学等根系局部特征的研究。

关键词： MTCNN   人脸识别   目标检测   FaceNet  

摘要： 针对电力施工作业现场安全管控智能化水平低的问题,文中设计了一种基于融合特征分析的身份与动作识别算法。在身份识别方面,使用MTCNN算法进行人脸目标检测,并通过FaceNet算法实现人脸特征提取和身份比对识别。在异常动作识别方面,采用Fast RCNN实现人员目标和头部目标检测,利用人员目标框与头部目标框的间距实现安全帽佩戴检测,基于单应变换原理实现危险区域误入检测。仿真算例结果表明,相比CNN-DBN算法和MTCNN-DBN算法,文中所提MTCNN-FaceNet算法的平均身份识别准确率提高了6%以上。相比于RCNN算法,Fast RCNN算法在安全帽佩戴检测与异常动作识别方面,平均识别准确率提高了约5%。

关键词： 装配式建筑   预制构件吊装   进度干扰   智能感知   实例分割   目标跟踪   干扰监测与评估  

摘要： 装配式建筑施工中预制构件吊装作业协同性高,小幅进度干扰会累积传播并逐渐增大,导致进度推迟和成本超支,但当前缺乏对此类干扰的有效监测与评估研究。采用深度学习和计算机视觉技术,提出了预制构件实例分割与目标跟踪互藕方法,以及基于卷积神经网络的遮挡处理算法,实现了基于预制构件准确识别跟踪的吊装进度干扰智能感知;采用了关键路径法,基于监测结果评估干扰对进度计划的影响,辅助干扰应对决策。性能测试与施工现场应用结果表明,该方法在多维度性能指标上相较于以往相关方法均有所提升,可以在施工现场准确监测并评估预制构件吊装延误,为装配式建筑施工进度干扰管理提供可靠的决策依据。

关键词： 目标检测   绝缘子缺陷   深度学习   YOLOv8  

摘要： 针对现有绝缘子缺陷检测方法存在检测精度低,计算复杂度大等问题,提出了一种基于改进YOLOv8的绝缘子缺陷检测算法。首先,在骨干网络中,加入了C2f_SCConv模块,以增强对复杂背景中绝缘子缺陷的特征选择能力,有效减少背景噪声的干扰,从而提升整体的检测精度。其次,针对多尺度绝缘子缺陷检测的需求,在主干网络的关键部分嵌入了FocalModulation模块,该模块通过结合局部和全局特征调制,提升了模型在复杂场景下对小目标的检测能力。此外,为了满足轻量化设计和实时检测的要求,模型在骨干网络和检测头部分引入了Detect_Efficient模块,大幅减少了计算复杂度和参数量,从而提高了检测速度,同时保持了较高的检测精度。实验结果表明,改进后的算法相比原算法精度提高2.4%,召回率提高1.0%。通过与其他主流目标检测算法比较,验证了该方法的有效性。

关键词： 卷积神经网络   交通标志识别   YOLOv5   深度学习   目标检测  

摘要： 现如今交通标志识别作为智能驾驶中不可或缺的一部分有着重要的研究意义。为了提高交通标志识别的分类准确度,结合当下流行的YOLOv5卷积神经网络目标检测模型,本文以国内交通标志为例,研究如何运用YOLOv5算法实现交通标志目标检测,同时结合软件开发技术,使用Flask后台框架、Vue前端框架设计了一套基于卷积神经网络的交通标志识别系统,系统包含可交互界面,支持用户上传图片进行实时识别,并返回相应的识别结果,提高了交通标志识别模型的可用性。

关键词： 开放世界目标检测   自适应得分   未知目标特征强化   偏移过滤  

摘要： 开放世界目标检测(open world object detection,OWOD)是一个计算机视觉挑战,聚焦于现实世界环境,其不仅要检测出标记出的已知物体,还需要能处理训练过程中被忽视的未知物体。针对已知和未知物体的检测混淆、密集未知目标和小目标遗漏等问题,提出了一种新的基于偏移过滤和未知特征强化的开放世界目标检测器(offset filter and unknown-feature reinforcement for open world object detection,OFUR-OWOD)。首先设计一个未知类特征强化(unknown class feature reinforcement,UCFR)模块,通过自适应未知对象得分的方法来强化未知类目标特征,进而提高模型对未知类对象的训练准确度。然后,将重叠框偏移过滤器(overlapping box offset filter,OBOF)应用于目标预测框,根据目标位置和大小,获得不同偏移得分,以过滤冗余未知框。通过丰富实验证明,该方法在COCO-OOD和COCO-Mix上优于现有一些最先进的方法。

关键词： 无线传感器网络   目标跟踪   网络攻击   分布式集员滤波   高斯混合模型   聚类融合  

摘要： 针对网络攻击下无线传感器网络中的目标跟踪,构建一种高斯混合分布式鲁棒集员滤波算法,旨在提高网络恶意攻击下移动目标跟踪的一致性和精确性.该算法可分解为校正/测量更新、聚类融合和预测/时间更新3个步骤:校正/测量更新步是指根据传感器采集的测量值更新前一时刻的状态估计(先验估计);聚类融合步是指采用高斯混合模型聚类算法对传感器节点估计进行分类,分为信任节点估计和非信任节点估计,非信任节点估计会被忽略而信任节点估计将参与融合;预测/时间更新步是指预测目标状态的先验估计,将目标的当前时刻状态估计传递至下一时刻.仿真结果表明:算法在抵御随机攻击、拒绝服务攻击、虚假数据注入攻击、重放攻击以及混合攻击这5种常见的网络攻击方式下具有较好的鲁棒性.

关键词： 小目标检测   多尺度   轻量化   YOLOv8   可编程梯度信息  

摘要： 针对低空无人机目标检测面临目标尺度变化大、小目标容易漏检和误检的挑战,发展了一种融合多尺度特征的目标检测轻量化网络(LMUAV-YOLOv8),通过开展消融和对比实验,验证了算法的有效性和先进性,并借助类激活图,对模型的决策过程进行了解释。设计了一种轻量化的特征融合网络(UAV_RepGFPN),提出新的特征融合路径以及特征融合模块DBB_GELAN,降低参数量和计算量的同时,提高特征融合网络的性能。使用部分卷积(PConv)和三重注意力机制(Triplet Attention)构建特征提取模块(FTA_C2f),并引入ADown下采样模块,通过对输入特征图维度的重新排列和细粒度调整,以提升模型中深层网络对空间特征的捕捉能力,并进一步降低参数量和计算量。优化YOLOv9的可编程梯度信息(programmable gradient information,PGI)策略,设计基于上下文引导(Context_guided)的可逆架构,并额外生成三个辅助检测头,提出UAV_PGI可编程梯度方法,避免传统深度监督中多路径特征集成可能导致的语义信息损失。为了验证模型的有效性及泛化能力,在VisDrone 2019测试集上开展了对比实验,结果显示,与YOLOv8s相比,LMUAV-YOLOv8s的准确度、召回率、mAP@0.5和mAP@0.5:0.95等指标分别提升了4.2、3.9、5.1和3.0个百分点,同时参数量减少了63.9%,计算量仅增加0.4 GFLOPs,实现了检测性能与资源消耗的良好平衡。基于NVIDIA Jetson Xavier NX嵌入式平台的推理实验结果显示:与基线模型相比,该算法能够在满足实时检测要求的条件下,获得更高的检测精度,对于无人机实时目标检测场景具有较好的适用性。借助类激活图,对算法的决策过程进行了可视化分析,结果表明,该模型具备更优异的小尺度特征提取和高分辨率处理能力。

关键词： 高斯混合模型   遮挡目标监测   特征提取   表征数据集   背景减除  

摘要： 在篮球赛场上,由于区域位置不同,运动员运动的背景与摄像机拍到的图像之间的差异很大,多人被遮挡的情况下篮球运动员目标检测效果会下降。基于此,本文提出了一种基于高斯混合模型的篮球运动员目标检测方法。利用金字塔特征结构的多尺度学习方法,建立遮挡篮球运动员特征表征数据集,根据每帧图像提取出的像素点建立高斯混合模型,并进行背景描述,实现背景减除,最后优化遮挡篮球运动员的目标检测流程。为验证方法有效性,设计实验,结果表明:应用该方法后,检测速度更快,平均为14.3帧/s,检测精度更高,平均为76.56%。