关键词： 3D目标检测   Bird’s eye view   多模态融合   深度预测  

摘要： 基于BEV(bird’s eye view)多传感器融合的自动驾驶感知算法近年来取得重大进展,持续促进自动驾驶的发展。在多传感器融合感知算法研究中,多视角图像向BEV视角的转换和多模态特征融合一直是BEV感知算法的重点和难点。笔者提出MSEPE-CRN(multi-scale feature fusion and edge and point enhancement-camera radar net),一种用于3D目标检测的相机与毫米波雷达融合感知算法,利用边缘特征和点云提高深度预测的精度,实现多视角图像向BEV特征的精确转换。同时,引入多尺度可变形大核注意力机制进行模态融合,解决因不同传感器特征差异过大导致的错位。在nuScenes开源数据集上的实验结果表明,与基准网络相比,mAP提升2.17%、NDS提升1.93%、mATE提升2.58%、mAOE提升8.08%、mAVE提升2.13%,该算法可有效提高车辆对路面上运动障碍物的感知能力,具有实用价值。

关键词： YOLOv5s   医疗器械   深度学习   目标检测   算法改进  

摘要： 本研究对YOLOv5s模型进行了改进,重点关注医疗器械的检测。通过数据增强、网络结构优化、超参数调整以及检测算法的改进,显著提升了模型在医疗器械检测任务中的性能。改进后的模型在准确率、召回率和F1-score等指标上均优于改进前。分析结果表明,该改进模型在实际应用中具有更高的识别准确性和鲁棒性,为推动医疗器械检测的智能化发展提供了有效支持。

关键词： 机器人   自动抓取   目标检测   ResNet网络   注意力机制   网络剪枝  

摘要： 为提高机械设计教学机器人对目标的自动抓取成功率,设计了一套基于改进ResNet101网络的机械设计教学机器人目标自动抓取系统。首先根据系统需求,将系统总体框架分为图像采集模块、目标检测模块、机器人自动抓取模块;然后从抓取工具、机器人、双目视觉相机方面,对系统硬件新型选型;接着对系统软件进行设计,并着重设计了机器人目标自动抓取算法,采用引入金字塔池化卷积组和网络剪枝的改进ResNet网络,对机器人目标进行检测;最后通过仿真对系统进行了验证。结果表明,改进ResNet网络对机器人目标检测的准确率为96.38%,平均绝对误差为1.58%;本系统在82次抓取测试中,仅存在1次目标自动抓取失败的情况,抓取成功率为98.78%。由此得出,本系统具有较高的目标自动抓取成功率,满足实际应用需求。

关键词： 遥感多尺度目标检测   多尺度上下文注意力U-SegNet   多尺度上下文注意力   多尺度特征融合  

摘要： 针对遥感目标图像多样、目标较小且与周围环境对比度差,导致现有目标检测方法复杂度高、检测效果差、泛化能力弱,以及经典U-Net和U-SegNet忽略了不同目标尺度特征感受野差异等问题,提出了一种基于多尺度上下文注意力U-SegNet(Multi-scale Context Attention U-SegNet,MSCAUSNet)的遥感目标检测新模型。该模型由U-SegNet、多尺度特征融合(Multi-scale Feature Fusion,MSFF)和多尺度上下文注意力(Multi-scale Context Attention,MSCA)模块组成,采用MSCA代替U-SegNet中的跳跃连接以融合目标低层特征与高层特征,并通过MSFF和MSCA模块充分捕获多尺度上下文特征,从而显著提升遥感多尺度目标检测性能。在遥感目标图像数据集上的实验结果表明,该模型能够有效检测不同尺度遥感目标,较经典U-Net和U-SegNet的检测精度分别提高了7.94%和5.09%。该模型为遥感目标检测和识别系统提供了技术支持。

关键词： 小样本目标计数   卷积神经网络   图像处理  

摘要： 小样本目标计数旨在通过少量样本估计任意类别目标的数量,减少对训练数据的依赖。为解决现有方法存在的适应性不足和性能依赖问题,提出了一种基于相似度感知的小样本目标计数模型。该模型仅通过少量支持对象,计算查询图像中目标的数量,且无需学习特定类别,能够实现通用目标计数。

关键词： 目标检测   多模态融合   地下环境   地下感知机器人   轻量化  

摘要： 针对地下复杂环境中机器人感知系统面临的低光照干扰与计算资源受限双重挑战,提出一种轻量化双模态目标检测方法。通过构建融合激光雷达(LiDAR)点云与RGB图像的双分支网络架构,在浅层、中层和深层实现多尺度特征融合。所提方法引入StarFusion模块,采用逐元素乘法增强跨模态特征交互,结合深度可分离卷积与通道压缩策略,将模型参数量压缩至2.3M。为突破算法验证瓶颈,构建包含4类地下典型目标的低光照多模态数据集,其图像亮度(25±8.3)与清晰度(18.6±6.9)显著低于常规数据集。实验表明,本文方法在自建数据集上mAP50(交并比为0.5时的平均精度均值)达到86.1%,较基准算法YOLOv8提升2.6%,推理速度达20帧/秒。将该方法实际部署于Jetson Orin NX平台的勘探机器人,结果表明,双模态互补机制有效克服了单传感器在低光照环境下的感知盲区,为地下自主作业提供了可靠的实时环境感知解决方案。

关键词： 洪水区域分割   深度学习   CNN   U-Net   图像处理  

摘要： 文章对比了卷积神经网络 (Convolutional Neural Network,CNN) 与 U 形网络 (U-Net) 两种深度学习模型在洪水区域分割任务中的应用效果。通过实验对比,发现 U-Net 模型在洪水图像分割中表现更优,能够更准确地识别洪水淹没区域。研究为智慧水利领域的洪水监测提供了数据驱动的解决方案,展示了深度学习技术在图像处理和分析中的潜力。

关键词： 茶叶嫩芽   自然场景   YOLOv5s   目标检测   遮挡  

摘要： 茶叶嫩芽采摘是茶叶生产中的重要环节,智能化采茶需要基于深度学习的茶叶嫩芽检测算法作为技术保障。为提高茶叶嫩芽检测速度和精度,提出一种改进YOLOv5s网络模型的检测算法TN—YOLOv5s。首先引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原有YOLOv5s模型中特征提取网络与特征融合网络的普通卷积层;然后在模型特征提取网络的末端加入CA空间注意力机制;其次使用SIoU_Loss代替CIoU_Loss作为回归损失函数;最后使用Soft—NMS替换NMS。结果表明,改进后的模型在自制的茶叶嫩芽数据集上,相比于原始YOLOv5s算法,模型精确率、召回率和平均精度均值分别高出7.1%、5.9%、6.4%,权重大小从13.7 MB下降到7.48 MB。同时与目前主流的检测算法相比,在检测精度、模型大小和检测速度方面更有优势。改进后的模型降低被遮挡茶叶嫩芽的漏检率,能够准确快速地实现不同场景下的茶叶嫩芽检测。

关键词： 目标跟踪   移动无线传感器网络   事件触发   扩展卡尔曼融合滤波   接收信号强度  

摘要： 在资源受限移动无线传感器网络(MWSN)下的目标跟踪问题中,考虑到目标运动建模与接收信号强度(RSS)的不确定性,该文提出一种信任自适应事件触发鲁棒扩展卡尔曼融合滤波方法。首先,设计一种信任自适应事件驱动锚点调度与信息交互机制,其能适应目标周围信任锚点的分布,动态调度接近期望数量的信任锚点及其与移动目标间的信息交互,旨在确保信任测量下减少系统的电能、计算和带宽资源消耗。同时,构建一种基于均值漂移的鲁棒扩展卡尔曼信任融合滤波算法,通过对均匀分布的过程噪声协方差和测量噪声协方差进行随机采样,补偿运动建模和接收信号强度量化的不确定性,并仅对信任节点测量进行自适应权重融合估计,以改善目标跟踪的稳定性、鲁棒性与精确性。仿真结果表明:所提方法在降低电能、计算及带宽资源消耗的同时,提高了移动目标的跟踪精度,并展现出了对不确定性和异常节点测量的鲁棒性。

关键词： 深度学习   图像处理   改进的YOLOv8n   性渔船热塑材料   缺陷检测  

摘要： 高密度聚乙烯(HDPE)是一种新型热塑性渔船材料,其焊接质量是保证HDPE渔船安全的主要影响因素之一。针对HDPE渔船焊缝缺陷检测中存在的缺陷与背景相似度高、小目标特征弱等难题,本研究提出了一种改进的ACAYOLOv8(Adown-CCFM-AC-mix-YOLOv8)目标检测算法。该方法采用自适应下采样(ADown)策略有效保留缺陷特征,通过跨尺度一致性特征融合网络(CCFM)提升多尺度特征表达能力,并在特征融合过程中引入自注意力与卷积混合(AC-mix)机制增强小目标检测能力。结果显示,改进后的模型在保持轻量化的同时,平均检测精度达到98.9%,较原始模型提升3.2%,参数量减少43.5%,计算量降低2.0 G。该算法更能满足工业生产车间HDPE渔船焊缝缺陷检测的设备计算需求。