关键词： 交通运输规划与管理   深度学习   环境感知   车载图像   目标检测   单目测距  

摘要： 为提高驾驶环境中的车辆目标检测精度与测距稳定性,提出了一种基于深度学习的车辆目标检测与测距方法。以YOLOX-S算法为车辆目标检测框架进行改进:在原算法的基础上引入卷积块注意力模块,增强网络特征表达能力,并将置信度损失函数更换为Focal Loss,降低简单样本训练权重,提高正样本关注度。根据车载相机成像原理和几何关系建立车辆测距模型,并输入测距特征点坐标和相机内参得到测距结果。采用自制Tlab数据集和BDD100K数据集对改进的YOLOX-S算法进行训练与评价,搭建静态测距实验场景对车辆测距模型进行验证。实验结果表明:改进的YOLOX-S算法在实验数据集上检测速度为70.14帧/s,与原算法相比精确率、召回率、F_1值、mAP分别提高了0.86%、1.32%、1.09%、1.54%;在纵向50 m、横向11.25 m的测量范围内,平均测距误差保持在3.20%以内。可见,本文方法在满足车辆检测实时性要求的同时,具有良好的车辆测距准确性与稳定性。

关键词： 自动驾驶   YOLOv8n   小目标   遮挡目标  

摘要： 针对自动驾驶场景遮挡目标和小目标检测困难问题,提出了FAN-YOLOv8n自动驾驶检测算法。设计了特征感受野融合模块(EFFVM),增强模型主干部分对局部特征的提取,提高模型对遮挡目标的检测能力;在模型头部增加了更浅特征层P2的检测头,提高模型对于小目标的检测效果;在模型颈部设计了特征指导模块(FGM)来融合浅层和深层的特征信息,使得两层之间能够更好地进行特征交互,让模型更关注细粒特征。提出了特征层融合模块(FLFM),融合多尺度特征层并进行特征增强,使模型能够自适应不同尺度目标的检测。实验结果表明,在SODA10M数据集和部分BDD100K数据集上,改进模型的mAP0.5对比原始YOLOv8n模型提升了7个百分点和6.5个百分点,适用于实际自动驾驶检测任务。

关键词： 目标跟踪   热红外跟踪   挑战属性   模态交互  

摘要： 因为不易受光照、遮挡影响以及极强的鲁棒性,RGBT目标跟踪在视频监控、自动驾驶等领域得到了广泛的应用。利用在红外图像和可见光图像中常见的挑战属性,将两种模态信息充分交互,构建了一个有效的跟踪网络,能够克服跟踪过程中一些常见的不利场景带来的影响。该网络由特殊属性融合模块、共同属性融合模块和跨模态交互模块三部分组成,特殊属性融合模块让网络能够提取两种模态所特有的挑战属性信息,充分利用不同模态信息的优势;共同属性融合模块对目标跟踪中两种模态都匹配的属性提取特征并自适应聚合信息,给每个共同挑战属性分配对应的权重,增强跟踪器的自适应性;模态交互模块将红外图像和可见光图像进行模态交互,在两个特定模态信息中融合共同模态信息,让网络具有更强的鲁棒性;针对不同模态的信息损失异源问题,优化了损失函数,增强了对每个模态的关注,加快了网络的收敛速度。该网络分别在GTOT,RGBT234,LasHer数据集中进行了测试,在RGBT234数据集上达到了84.1%的精确率和57.3%的成功率,在Lasher数据集上达到了52.3%的精确率和39.1%的成功率。结果表明跟踪器达到了较好的性能,证明了该方法的有效性。

关键词： 交通标志识别   动态上采样   注意力机制   轻量化   Shape-IoU  

摘要： 在交通标志识别应用中,待检测目标多为小目标,易出现漏检、误检等问题。针对这些问题,基于YOLOv8s算法设计了一种改进的交通标志识别算法,FKDS-YOLOv8s。使用FasterBlock重构C2f模块,形成新的轻量化模块C2f-Faster,既提升模型特征提取能力,又降低了计算开销;基于SENet和ResNeXt模型设计一种新的检测头Detect_SR,使模型能够有效地聚焦于小目标的关键特征;融入轻量且高效的动态上采样器DySample,显著减少了GPU内存消耗;通过增加上采样和Prediction输出层次,模型能够捕捉丰富的位置信息,有效解决了YOLOv8s模型在处理小目标时信息不足的问题;引入Shape-IoU损失函数,优化了原CIoU在边框回归中的不足;此外,在Neck部分融入了本文新设计的注意力机制DKN-Attention,在上采样和下采样过程中定位微小物体场景的注意力区域,提升了远处小型交通标志的特征提取和识别能力。实验在中国交通标志数据集TT100K上进行,结果表明,FKDS-YOLOv8s相比基准模型,在查准率(P)、查全率(R)和mAP50上分别提升了5.9%、4.2%和6.3%。较传统方法,FKDS-YOLOv8s在性能上表现出显著优势。

关键词： 脑卒中   医学图像分割   计算机视觉   深度学习   计算机断层扫描   磁共振成像  

摘要： 急性缺血性脑卒中是临床上最常见的卒中类型,因其症状突发且治疗时间窗较短等特点,成为全球导致残疾和死亡的重要因素之一.随着人工智能领域的迅速发展,深度学习技术在急性缺血性脑卒中的诊疗中展现出巨大的潜力.深度学习模型能够快速高效地根据患者脑部图像对病灶进行分割与检测.本文介绍深度学习模型的发展历程和用于脑卒中研究的常用公开数据集.针对计算机断层扫描(computerized tomography,CT)和磁共振成像(magnetic resonance imaging,MRI)衍生出的多种模态和扫描序列,详细阐述了深度学习技术在急性缺血性脑卒中病灶分割与检测领域的研究进展,总结并分析了相关研究的改进思路.最后,指出了深度学习在该领域现存的挑战并提出了可能的解决方案.

关键词： 目标检测   航拍检测   YOLOv8   轻量化   注意力机制  

摘要： 针对现有无人机航拍检测图像所存在的检测精度低,检测模型参数量过大影响检测速度,对小目标检测出现漏检误检等问题,以及满足对高速公路进行实时检测,提出了一种改进YOLOv8n的目标检测算法。在颈部网络结构中添加CBAM注意力机制,增加对小目标的细节信息,提高特征提取精度;将原本的骨干网络替换为MobileNetV3网络结构,对整体网络进行轻量化改进,从而提高检测效率和检测精度;并采用Focal-EIoU Loss替换原本的CIoU损失函数,对损失函数进行性能优化,提高检测模型的泛化能力。在数据集上对模型进行实验验证,结果表明改进后的MCF_v8n检测模型性能优于原始模型,在参数量上减少了约23%,计算量下降了约30%,mAP@0.5和mAP@0.50∶0.95分别提高了5.0和2.4个百分点,整体表现出良好的检测性能。

关键词： 视觉识别技术   智能分拣系统   人工智能   目标检测   特征提取  

摘要： 设计一种基于视觉识别技术的智能分拣系统,旨在解决当前海洋工程智能生产分拣中的安全隐患,以及生产效率低下等问题。该系统利用视觉识别技术,通过控制相机进行图像采集、检测和识别,以实现对托盘位置和零件的准确定位和识别。系统可与分拣系统和桁架PLC(Programmable Logic Controller)进行无缝交互,获取工件的抓取和码放数据,并引导桁架执行相应操作。同时,系统还能够采集和反馈工件的分拣/码盘结果,以供分拣系统进行自动分拣。通过智能化的分拣过程,可显著提升海洋工程智能生产分拣领域的自动化和智能化水平。

关键词： 目标检测   绝缘子表面缺陷识别   小目标   卷积和注意力融合   边界框损失函数   分类损失函数  

摘要： 针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题,提出一种基于YOLOv8的输电线路绝缘子表面缺陷识别算法。首先,在主干网络引入CAF模块,增强模型对复杂图像场景的解析,增强全局和局部特征的提取能力;其次,在模型的颈部网络增加GD机制,减少特征融合过程中信息的丢失,提升小目标检测能力;最后,采用ATFL分类损失函数,削弱复杂背景对小目标检测的干扰,引入PIOU边界框损失函数,提高识别精度,加快模型收敛速度。实验结果表明,该算法的mAP50达到94.1%,精确率达到92.5%,召回率达到91.3%,相较于基线模型分别提高了3.1%、0.7%、3.9%,且综合性能优于最近的YOLOv9s、YOLOv10s等代表性算法。

关键词： 图像处理   三维点云   泊松曲面重建算法   区域生长算法   曲面分割   边界特征  

摘要： 针对传统泊松曲面重建算法在物体内外边缘容易产生伪封闭曲面导致重建结果出现偏差的问题,提出了一种基于边界区域生长的改进方法。首先基于泊松曲面,通过法线提取物体边界点并拟合连续的边界曲线;然后,采用向量叉乘法筛选边界的近邻点并获取边界特征;最后,采用双射线法提取边界内曲面的初始种子点,利用以边界特征为约束的区域生长法分割泊松曲面。实验结果表明,该方法可有效去除模型中存在的伪封闭曲面,提高重建曲面的准确度和完整性,对不同类型的物体具有良好的适应性与性能稳定性。

关键词： 激光扫描   扫描成像   成像技术   图像处理  

摘要： 观察透明窗户玻璃之后的室内场景时往往会被玻璃外表面的环境光反射掩盖。出于安防,环境光反射条件下,为透过前挡玻璃观察到其后的场景,设计了基于激光线扫描的成像方法,利用一维扩束的线状激光束照明,在避开照明激光镜面反射的角度,通过一个工业相机采集目标被激光照亮的图像局部像素,扫描后将多帧被照亮的像素组合成一幅完整的照明图像,并对环境光的反射光图像进行差分处理,滤除大部分环境光遮盖目标图像的反射光干扰,提高了成像质量,从而清晰透视玻璃表面之后的目标场景。