关键词： 无人机   目标检测   DS证据理论   信息融合  

摘要： 无人机因机动性高和战场适应能力强被广泛应用。然而仅依靠单类传感器的目标检测方法无法满足无人机在高速复杂运动场景下的目标检测要求。针对上述问题,提出一种融合可见光信息和红外信息的融合检测算法,主要包括基于深度学习的图像检测、数据关联和异类信息融合。整合数据关联融合算法并利用证据理论将关联结果进行决策级融合,完成候选目标识别与检测。通过公开数据集OTCBV的部分场景以及无人机航拍数据验证所提方法。实验结果表明,运用多源信息融合检测算法结合多种证据更新YOLO的检测精确率提高至0.9以上。

关键词： 模糊C均值   隶属度   样本贡献度   目标检测  

摘要： 文章的研究对象是模糊C均值(FCM)聚类算法,旨在提升FCM在处理复杂数据时的有效性。传统FCM假设一个样本对每个聚类的隶属度之和为1,称为样本贡献度。然而,在处理噪声点和孤立点时,聚类的有效性可能会下降。为此,文章提出了一种新型模糊聚类方法,通过放宽隶属度之和为1的条件,引入新的隶属度划分方式,即隶属度之和为样本总数n的创新定义。该方法根据样本与聚类中心的距离动态调整隶属度,并将隶属度划分为三个层次,以提升聚类的有效性。通过数学推导和实验验证,改进后的算法在处理复杂数据集时,准确率提高了6.41%,召回率提升了5.81%,显著提升了算法的性能。

关键词： 目标检测   注意力机制   知识蒸馏   异常行为识别  

摘要： 在实际监控的边缘设备中使用GAN或者3DCNN等网络很难实现实时的、相对准确的监控任务。提出一种基于知识蒸馏的考场异常行为识别算法。相对于以提取空间、时序特征并进行融合为主流思想的异常行为识别,利用视频帧进行目标检测和知识蒸馏的异常行为识别方法更加快速准确。算法借助知识蒸馏策略使用预训练的teacher网络监督student网络学习,进行正常行为的推理并检测异常行为。结果表明该算法达到了主流数据集的中上水平,并在考场环境具有良好的高效性与准确性。

关键词： 背景减法   图像处理   目标检测   背景更新   高斯模型  

摘要： 人体在高速运动过程中,由于运动模糊效应和拍摄设备的限制,导致捕获的图像质量下降,难以准确识别运动目标。针对上述问题,提出改进背景减法的人体高速运动模糊图像检测。首先,通过对图像进行3*3分块处理,有效减少了计算复杂度并提升了算法效率。然后,基于混合高斯函数进行分块图像的背景模型的重建,突出了运动目标背景。接着,引入学习效率因子实现背景模型的自适应更新,避免动态背景干扰。最后,通过帧间差分法精确去除背景,分离出运动目标前景,并利用梯度相似度理论去除前景图像中的细微噪声,进一步增强了运动模糊图像前景目标清晰度。实验结果表明,所提方法在人体高速运动模糊图像检测中具有较高的准确性和鲁棒性,为实际应用提供了有力支持。

关键词： YOLOv8算法   藏式壁画   佛脸   目标检测   PyQt5图形界面框架  

摘要： 壁画和佛像常常位于难以到达或脆弱的环境中,其保护与研究工作至关重要。YOLO目标检测可以高效地记录这些艺术品的详细信息,生成数字化档案,以便于长期保存和研究。研究提出了一种基于YOLOv8目标检测网络模型的壁画佛像目标检测系统,旨在利用先进的计算机视觉技术,实现对壁画佛脸的快速、准确检测,同时结合了PyQt5图形界面框架具有检测图片文件、视频文件及检测结果统计等功能。

关键词： 线激光   图像处理   中心线提取   海森矩阵   感兴趣区域  

摘要： 提出一种基于海森矩阵的改进了Steger算法流程的线激光中心线提取方法。首先,采用高斯滤波、图像锐化等方法对图像进行预处理,去除噪声,加强灰度差别。其次,采用迭代式的全局阈值分割方法,将图像中的图像分割,得到图像中的感兴趣区域。最后,改进海森矩阵的计算原理,对Steger算法进行了优化,以求出亚像素点的位置,并采用非极大值抑制去除噪声点。计算结果表明,相较于传统的Steger算法,这一改进型算法能将中心线的提取速度提高4倍以上,而且能去除传统Steger算法上提取中心线会出现的冗余点,提取精度相比传统的灰度重心法和Steger算法分别提高了28%和19%。

关键词： 判别相关滤波器   异常抑制   时空方差响应图   无人机跟踪  

摘要： 鉴于判别相关滤波器(DCF)的跟踪方法在无人机平台面临目标遮挡、形变等复杂场景下的异常响应波动和模型过拟合问题,该文提出时空响应不一致性抑制方法,通过动态时空方差响应图(DSTV)建模帧间响应特征差异,构建包含时空对齐约束与方差敏感权重的双阶段正则化框架,前者通过最小化相邻帧响应差异保持运动连续性,后者利用方差统计特性抑制异常峰值干扰。该机制有效降低目标异常突变导致的跟踪漂移,并通过解耦时空相关性约束增强模型泛化能力。在DTB70和UAVDT数据集上的实验表明,该方法在取得74.1%和72.7%的跟踪准确率的同时,保持约44 FPS的实时处理能力,验证了方法在复杂无人机跟踪场景中的有效性。

关键词： 计算机视觉   疲劳状态   不安全行为状态   塔吊驾驶员   YOLOv5  

摘要： 以提高塔吊操作的安全性和效率为案例,提出一种综合识别疲劳状态和不安全行为的方法,以实时发现驾驶员可能存在的安全隐患。通过摄像头捕获实时视频流,并对视频进行分析和预处理,提取关键信息,用于识别后续的疲劳和不安全行为;在疲劳状态识别方面,采用基于眼睛和嘴部状态的分析方法,重点监测眼睛开闭状态、眨眼频率及哈欠次数等生理指标;在不安全行为识别方面,结合计算机视觉与深度学习技术,实时检测驾驶员的潜在危险操作,从而确保及时发现安全风险。结果表明:经过优化后的YOLOv5-高效通道关注(ECA)模型在疲劳状态和不安全行为识别中性能得到显著提升;模型在测试集上的精确率和召回率均超过90%,展现出良好的识别能力。

关键词： 目标检测   YOLOv11n   激活函数   自注意力机制   C3k2   自适应平均池化  

摘要： 针对目前人工巡视导致的变电站设备及生产行为异常检测效率低、人工风险高等问题,提出改进你只看一次11纳米版(you only look once version 11 nano, YOLOv11n)模型。首先,通过设计基于自注意力机制的3尺度卷积双路径可变核(convolutional three-scale kernel-adaptive dual-path self-attention mechanism, C3k2-SA)模块在较小特征图衔接特征融合部分,优化了网络结构,增强了全局特征提取能力。然后,在主干网络末层引入了基于注意力机制的特征增强(feature enhancement, FEN)模块,动态调整不同区域的特征权重,实现自适应的特征增强,缓解深层网络中的梯度消失问题。最后,对拼接(concatenate, Concat)模块进行优化,通过卷积层调整通道数,采用池化和sigmoid激活函数进行特征的精细处理,提高了模型对不同类型特征的自适应,增强了特征融合效果,同时抑制了无关或冗余特征,防止过拟合。结果表明,与原始YOLOv11n模型相比,改进YOLOv11n模型的精确率、召回率、平均精确率均值分别上升了1.7、6.6、3.6个百分点。改进YOLOv11n模型能够提高变电站异常状态检测的准确性,为智能变电站的异常检测工作提供一定参考。

关键词： 计算机视觉   橡胶衬套   缺陷检测   YOLOX   多注意力机制  

摘要： 针对橡胶衬套表面微小气泡和中片压伤缺陷检测中存在漏检率高、深度学习模型特征融合不足等问题,提出了基于多注意力特征融合的YOLOX-A模型。搭建橡胶衬套表面缺陷检测试验台并制作数据集,在骨干网络中添加Res2NetBlock和CoT注意力模块,在特征融合层内置坐标注意力模块。试验结果显示:YOLOX-A模型在测试集上的平均精度达到86.68%,较YOLOX提高了11.91%,其中气泡缺陷的F1值为0.99,中片压伤缺陷F1值为0.75,FPS为42.5。