关键词： 计算机视觉   轨道交通   驾驶员监控   疲劳检测   行为识别  

摘要： 在轨道交通高速发展的今天,驾驶员监控是保证行车安全的关键因素。作为一种先进的图像处理和分析手段,计算机视觉技术可以扮演重要的驾驶员监控角色。本文针对轨道交通驾驶员监控的实际需求,探讨了计算机视觉技术在疲劳检测、行为识别等方面的应用。通过对系统设计和技术应用的详细分析,提出了一套基于计算机视觉的驾驶员监控系统,以期为提高轨道交通系统的安全性和效率提供技术参考。

关键词： 目标检测技术   EasyDL平台   深度学习   信息耗材管理系统  

摘要： 将信息耗材管理与EasyDL目标检测技术相结合,实现了基于目标检测技术的智能信息耗材管理系统。采用EasyDL深度学习模型对信息耗材图像进行有监督训练,通过摄像头采集信息耗材图像进行多目标检测,识别耗材种类并计算数量,实现用户与信息耗材领取、管理的无纸化智能交互。

关键词： 合成孔径雷达(SAR)   目标检测   YOLOv8   卷积注意力模块(CBAM)   可变形卷积   EIoU  

摘要： 目的针对合成孔径雷达(synthetic aperture radar,SAR)图像舰船检测中因背景复杂、目标尺寸各异等因素导致的漏检、误检结果,提出一种基于YOLOv8(you only look once v8)的改进算法。方法首先,轻量化处理YOLOv8的原有网络结构,大幅降低网络的冗余度,使轻量化的网络更适合SAR图像舰船检测任务。其次,在主干网络中融入可变形卷积,增强模型对目标的感知能力,能更好地适应目标形变和复杂背景;同时,在颈部网络融入卷积注意力模块,减弱背景信息的干扰,使网络更专注舰船目标的特征。最后,采用EIoU(efficient intersection over union)损失函数,最小化预测框与真实框间的差值(包括宽度和高度),实现更快的收敛速度。结果分别在SSDD(SAR ship detection dataset)和HRSID(high-resolution SAR images dataset)上进行测试,结果表明,改进算法的检测性能优于当前几种流行的目标检测算法。其中,与YOLOv8相比,在两个公开数据集上,改进算法的精度评估指标mAP(mean average precision)@0.5分别提升0.68%和1.29%,mAP@0.75分别提升3.32%和3.10%,其处理速度FPS(frames per second)分别提升22帧/s和18帧/s。结论本文在轻量化处理YOLOv8基础上融合可变形卷积与注意力机制构建的改进算法,能实现SAR舰船检测精度和速度的双重提升。

关键词： 交通运输工程   船舶工程   红外目标检测   YOLOv8   注意力机制  

摘要： 针对红外船舶图像目标特征模糊、背景复杂以及小目标漏检等问题,基于YOLOv8提出一种面向海上交通中船舶目标的检测算法YOLO-IST(YOLO for infrared ship target)。在基线模型的骨干网络中引入C2f_DBB模块和CPCA注意力机制,通过增加特征提取层来提升模型对目标的识别能力;利用C2f_Faster_EMA模块替换颈部网络中的C2f模块,以提升模型检测精度和速度;采用多重注意力的动态检测头Dynamic Head优化模型框架,增强模型对小船舶目标的检测效果。研究结果表明:YOLO-IST的召回率R_(ecall)、精确率P_(recision)、平均精度M_(ap@50)、平均精度M_(ap@50-95)和F_(1score)分别达到89.7%、90.5%、94.7%、66.6%、90.1%,较基线模型YOLOv8分别提升了4.5%、3.8%、4.4%、4.7%、4.2%。该模型的提出在海上智能交通中具有较广泛的应用前景。

关键词： 松树   图像识别   YOLOv5   EfficientNetv2   CBAM   BiFPN   目标检测  

摘要： 针对林区松材线虫病异常变色松树零星病枝难以识别、漏检率高、检测速度慢等问题,该研究提出一种基于自适应多尺度特征融合的轻量化目标检测方法。首先,将YOLOv5s的Backbone部分替换为EfficientNetv2-S以压缩模型参数量和计算复杂度,其次,添加CBAM(convolution block attention module)注意力模块加强网络对目标病害的关注度,然后,引入加权双向多尺度特征融合网络(bidirectional feature pyramid network,BiFPN)增强不同尺度特征图之间的融合程度,最后采用SIoU(shape intersection over union)损失函数提升模型收敛速度与回归精度。结果显示,改进算法在建模区的精确率、召回率和mAP0.5(IoU阈值为0.5时的平均精度均值)分别达到了92.95%、94.88%和94.21%,比原模型分别提高4.31、5.60和5.13个百分点,参数量、计算量分别为原YOLOv5s的77.07%和35.81%,实现了模型的轻量化;改进模型的帧率和权重文件分别为136.05帧/s和11.90 MB。在未建模区域8、9号样地中变色松树的精确率分别为92.70%、92.60%,枯死松树分别为93.94%、96.83%。在8号样地中枯死松树的召回率达到95.88%。该检测方法适用于自然场景下异常变色松树的快速准确检测,对提高松材线虫病防控智能化水平具有重要现实意义。

关键词： 红外遥感   小目标检测   深度学习   YOLO  

摘要： 红外遥感成像在军事观测、夜间安全监控、森林火灾监测等领域中起着至关重要的作用。但是在复杂背景和低对比度条件下,检测微弱的小目标一直面临准确度不高的问题。现有的基于模型驱动的方法通常在处理噪声和小尺寸目标时缺乏鲁棒性,而基于深度学习的方法高度依赖数据,在特征处理和融合上存在局限性,导致漏检和误检。提出了一种改进深度学习的红外图像小目标检测方法。设计了一种基于YOLO的深度学习网络YOLO-SR,在骨干层的空间金字塔池化模块之后引入瓶颈转换器模块,以捕捉红外图像中的长距离依赖性。在颈部层设计了C3-Neck模块,以更好地提取和融合空间与通道信息。实验结果表明,与当前最先进的基于数据驱动的检测方法相比,所提出的方法在公开数据集上mAP(IoU为0.5)达到了95.2%。

关键词： 植物伪装检测   目标检测   注意力机制   动态迭代  

摘要： 本文针对植物伪装检测任务中低信噪比、动态干扰与细粒度识别问题,提出一种多频边缘动态检测网络MFENet,以提升复杂生态场景下的隐蔽植物检测精度与鲁棒性。在MFENet中,采用多尺度频率分离模块处理低信噪比问题,通过多尺度分组卷积分离低频全局特征与高频细节特征。同时,构建了通道感知边缘注意力模块,结合Sobel边缘先验与通道–空间注意力优化细粒度特征。为进一步提升检测精度,提出了边缘强度驱动的动态迭代反馈机制,自适应调整计算复杂度。在PlantCamo数据集上,与通用的伪装检测模型相比,MFENet在各指标上提升明显。消融实验验证了各模块的有效性。MFENet显著提升了植物伪装检测的精度与效率,为生态保护与农业监测提供可靠技术支撑。

关键词： 炮孔检测与定位   目标检测   特征提取   轻量化模型   细粒度特征  

摘要： 在岩巷掘进工作面爆破作业中,目前采用人工装药或由经验丰富的人员操作机械臂进行装药,作业的有效性和安全性难以保证。装药机械臂的智能化发展是实现掘进面爆破作业中药物填充操作安全高效运行的关键,而炮孔图像检测算法是装药机械臂智能化控制系统的核心算法。为实现装药机械臂的智能化控制,保证炮孔图像检测精度的同时降低控制装置的功耗,使装药机械臂嵌入式控制装置满足本质安全型电气产品的安全要求,提出了一种轻量化炮孔检测与定位算法Mv3-SCD。该算法在炮孔检测精度方面,针对炮孔受围岩背景、岩石阴影影响产生的误检现象,以及炮孔在图像中表现出上下文信息少、可识别特征有限导致的漏检问题,首先设计了一种炮孔检测头结构,通过使用高分辨率的检测头来减少过多的下采样导致的炮孔特征损失;然后引入了Mv3_Block使算法在浅层特征便具备较强的炮孔语义抽象能力,通过配合空洞金字塔池化模块增大感受野,以捕获复杂围岩背景下炮孔和岩石遮挡形成的阴影之间的细粒度差异特征;最后,为了提高炮孔边界框回归的准确率,对损失函数进行了优化。针对炮孔图像检测与定位算法网络模型参数量大、每秒帧数小的问题,提出了一种轻量级的Sc_C2f模块来对网络结构进行优化。为了验证算法的有效性,分别从主观和客观2个方面对Mv3-SCD系列进行了分析。与最小基线模型相比,Mv3-SCDn炮孔算法具有最优的炮孔检测效果,炮孔检测模型参数量下降了7.17%,检测速度提高了45.44%。实验结果表明,提出的算法能够有效提高智能装药机械臂的精准度和网络模型的轻量化程度。

关键词： 目标检测   复杂场景   多尺度船舶检测   合成孔径雷达(SAR)   深度学习  

摘要： 针对复杂场景下的多尺度SAR舰船目标检测存在误检漏检的问题,提出了一种改进的SAR舰船目标检测方法。首先,利用多尺度目标特征提取网络提取特征信息,以提升多尺度目标的检测能力并减少冗余计算。其次,引入可形变卷积(DConv)通过自适应调整卷积核的形状来提升复杂场景下SAR舰船目标的检测性能。最后,引入了注意力机制来抑制背景杂波并增强特征信息。实验结果表明,在SSDD数据集和HRSID数据集上改进方法的检测精度分别达到了97.9%和93.1%,整体性能优于现有主流目标检测算法。

关键词： 目标检测   YOLO   可变形卷积   番茄成熟度   注意力机制  

摘要： 针对YOLO v8算法模型在番茄果实成熟度检测过程中存在的漏检和误检问题,通过改进算法模型,使其能够精准分辨番茄果实成熟状态。首先采用可变形卷积(DCN)增加卷积核几何变换的内部机制,使骨干网络中的C2f结构专注于果实成熟度信息,其次采用带有缩放比例因子的辅助边框加速计算损失收敛,提升预测框实际尺寸精度。SIoU函数引入了回归之间的向量角度,定义了新的惩罚因子。另外将注意力机制模块LSKA引入Backbone和Neck网络中间,调整不同成熟度细节信息的权重。由实验室采集的番茄果实数据集,使用数据增强技术对原始图像进行旋转、亮度增强、模糊等操作,避免训练过拟合。试验结果表明,改进后的算法模型对比原始算法,显著提高番茄果实成熟度的检测精度,算法精确率提升2.4百分点,平均精准度均值提升1.2百分点,同等试验条件下损失值降低,收敛速度更快。本研究的YOLO v8-DIS算法可以更好地分辨番茄果实的成熟状态,果实成熟度分辨性能相较于主流算法模型有较大提升,以期为目标检测在农业果实采摘的应用中提供技术支撑。