关键词： 智能交通   异常行为检测   两阶段融合   地铁车站   计算机视觉  

摘要： 为及时有效地应对地铁车站内乘客异常行为事件,本文提出一种基于计算机视觉的两阶段融合模型BiFuseNet(Bi-Fusion Network),该模型通过融合轻量级检测网络LMD(LCAB, MCAB, DyHead)-YOLO和基于EfficientformerV2的高效分类网络,实现高效且精准的异常行为检测。在模型第1阶段,通过引入轻量卷积聚合块(LCAB)、混合卷积聚合块(MCAB)和动态检测头(DyHead),有效减少模型的规模,同时,提升对小目标和遮挡目标的检测能力;在第2阶段,采用多层次加权融合策略优化检测和分类结果,进一步增强模型的鲁棒性。实验结果表明,BiFuseNet在自建的MetroAB数据集上取得了89.3%的准确率,较传统模型提高了6.1%,且实现了43.7 frame·s^(-1)的检测速度(FPS);在PASCAL VOC(Pattern Analysis, Statistical Modelling and Computational Learning Visual Object Classes)和VisDrone(Visual Detection of Drones)公开数据集上,分别提高了10.1%和2.7%的准确率,进一步验证了模型在小目标和遮挡目标检测方面的优势,以及其优异的泛化能力。通过以上设计,BiFuseNet显著提升了地铁车站内乘客异常行为检测的效率和精度。

关键词： 植物病害   病害诊断   图像处理   图像识别   智慧植保  

摘要： 植物病害可对农业生产造成严重危害。及时、准确识别植物病害是开展有效病害管理的基础和前提。随着信息技术的迅速发展,利用图像处理技术进行植物病害识别的研究和应用日益增多,提高了植物病害监测和管理水平,为保障农业安全生产提供了有力支撑。本文从植物病害图像识别、病害图像获取和预处理、病害图像分割、病害图像特征提取和选择、病害图像识别模型和应用等方面对植物病害图像识别研究和应用中存在的问题进行讨论,提出相关的解决方案,并从病害图像获取和管理、病害图像识别关键技术、多平台病害图像识别等方面对未来植物病害图像识别研究和应用前景进行展望,旨在为植物病害图像识别研究和应用提供参考,促进植保信息化和智慧植保的发展。

关键词： 视神经脊髓炎   康复训练   动作识别   计算机视觉   多感官交互  

摘要： 近年来,人工智能(AI)视觉模型及其动作捕捉技术在医疗领域备受瞩目,但在视神经脊髓炎(NMO)康复领域中尚未得到广泛应用。针对当前NMO患者康复训练存在的个性化程度低、体验不佳和效果不显著等诸多问题,提出通过Mediapipe姿态跟踪技术及交互反馈设计,对NMO康复训练系统进行研究和实现。主要完成了以下几项核心工作:①康复训练计划制定研究。通过定性和定量相结合的方法,对36名NMO康复患者进行影子观察和深度访谈,并使用中国中枢神经系统炎性脱髓鞘疾病登记研究随访表进行评估,构建了全面的评估体系;②康复训练动作指导反馈分析。设计了康复训练动作库,确定了人体关节点的坐标、关节点形成的角度以及关节点信息与标准信息的差值等关键指标,并利用Mediapipe框架构建人体姿态检测模型,实现康复训练动作的实时识别与反馈;③康复系统交互反馈机制设计。确立了及时性、特殊性、指导性和可追溯性的交互反馈设计原则,设计了包含场景定位、维度分析和交互方式的反馈流程,并引入Fogg行为模型理论,最终搭建了基于微信小程序的轻量化康复训练平台。最终得到了一套NMO康复训练系统及其配套方法,验证了AI动作捕捉技术在该领域应用的可能性,提升了NMO患者在康复训练过程中的体验,并在首都医科大学附属北京天坛医院实际落地推广,论证了其具有广泛的应用价值。

关键词： 太空台风   YOLOv8   目标级融合   特征级融合  

摘要： 【目的】太空台风作为日地相互作用引发的典型现象,其在中高层大气中巨大的能量气旋往往伴随着极光现象的产生。通过对极光图像的识别可以帮助科学家寻找典型的太空台风事件,然而目前寻找事件主要依赖专家对极光图像的人工鉴别,较为低效。为解决上述问题,本文探索了基于深度学习的多波段图像联合目标检测方法,实现了对太空台风的事件识别与精准定位。【方法】本文利用DMSP/SSUSI的121.6 nm、135.6 nm、LBHS、LBHL四个波段极光图像识别太空台风事件,基于YOLOv8算法框架,引入了目标级融合与特征级融合策略,同时建立了单波段以及多波段融合的太空台风识别模型。【结果】在事件识别任务中,通过单波段基准模型与多波段融合模型的实验结果进行对比。结果显示特征级融合中的1216_LBHL组合表现最优,F1值达0.941;目标检测任务中,目标级融合中的1216_LBHL组合AP值最高,为0.917。【结论】特征级融合在太空台风事件识别中更具优势,目标级融合则更适用于目标检测任务,说明多波段互补性与融合策略的组合优化是提升检测性能的关键。

关键词： 目标检测   YOLOv5s   室内早期火灾检测   轻量化  

摘要： 针对传统火灾检测系统在室内火灾在早期发生检测精度低、预警不及时等问题,提出一种基于改进YOLOv5s的室内早期火灾目标检测算法。该方法将MobileNetV3引入YOLOv5s模型中作为主干特征提取网络,并引入GhostNet网络结构中的深度可分离卷积GhostConv和C3Ghost代替原模型Neck部分特征融合网络中的普通卷积层,显著降低模型的计算参数量。在特征提取网络末端加入CA注意力机制,弥补了网络轻量化改进带来的精度损失;最后采用EIoU代替边框回归损失函数CIoU,优化了网络收敛速度以及提高了检测框的定位精度。实验结果表明,改进后的算法在自制的室内早期火灾数据集上,对比原YOLOv5s算法,模型参数量减少了4.8×10^(6),模型权重降低了9.6 MB,模型推理速度提升了91 FPS,精确率提高了1.7%,m AP@0.5提高了3.2%,所以,改进后的检测模型在保证轻量化的同时保证了检测精度。

关键词： 水下声学图像   目标检测   特征金字塔   通道注意力  

摘要： 为了实现水声目标的实时性和准确性检测,提出了一种融合了双向金字塔网络和通道注意力网络的水下声学图像目标检测模型(BPCA-Net),以进行端到端的水下目标分类与定位。首先,BPCA-Net模型将通道注意力机制融入先进的骨干网ConvNeXt,对提取的特征图通道进行重新组合,强调有用的目标特征信息;然后,将特征图输入设计的轻量化双向融合金字塔网络,进行多尺度特征融合与增强;最后,将多张特征图送入单阶段检测头进行分类与定位。实验结果表明,所提模型可以获得水下声学图像中目标的重要特征,与现有的检测算法相比有较高的精确性。

关键词： 目标跟踪   可见光-红外   注意力机制   模板在线更新   卷积掩码自编码器  

摘要： 针对当前可见光-红外目标跟踪算法对红外可见光双模态特征交互与目标动态变化建模不足的问题,结合卷积掩码自编码器模型,提出一种基于注意力与模板在线更新的可见光-红外双模态目标跟踪网络。以卷积掩码自编码器模型为骨干网络,通过采用双嵌入层配合共享权重的骨干网络结构提取可见光与红外特征,深入挖掘可见光与红外数据间的内在联系。通过强化模板与搜索图像的关联性,引入通道空间自注意力机制以增强模板和搜索图像间的交互,来提取模态间可区分的异质互补特征。提出模板在线更新模块,通过在线更新模板与设计模板分数头,利用置信度评分机制融合初始模板的稳定性与在线模板的适应性,解决目标随时间变化导致的模型漂移问题。实验结果表明,所提算法在GTOT和RGBT234公开数据集上的精确率和成功率分别达到93.3%/75.6%和87.2%/63.8%,可在目标不断变化情况下实现精确跟踪。可视化分析表明,所提算法在双模态热力图上可自适应互补,单一模态失效时仍能精准定位目标。

关键词： 小目标火龙果识别   果实计数   YOLOv8   C2F_DCNV2_Dynamic   MPCA   Decoder Head  

摘要： 为解决大视场条件下小目标火龙果识别精度低、实时性差、果实计数困难的问题,提出一种大视场下火龙果目标检测与计数方法,实现火龙果小目标精准识别与计数,完善火龙果机器人采前指导性工作。在目标特征提取阶段,采用动态可变形卷积C2F_DCNV2_Dynamic替换YOLOv8主干网络的C2F模块,引入Conv_offer_mask获取输入特征图的可变形偏移和掩码,使网络能够更好地适应目标形状的特征,提升复杂背景的目标特征提取能力;以多路协调注意力(multipath coordinate attention,MPCA)机制模块对输入进行多路径处理,使模型可以同时关注输入张量的空间信息与通道信息,提高网络对不同尺度和语境的特征感知能力,进而提升小目标识别精度;在目标预测阶段,使用基于端到端Transformer的检测器RT-DETR的Decoder Head替换YOLO Head,通过集合预测方法直接对目标进行预测和关联,去除传统非极大抑制步骤,提高推理速度,进一步提升网络实时性能;在目标计数阶段,结合Deep Sort算法实现果实区域计数。结果表明,改进的目标检测网络对火龙果果实检测的平均精度可达99.0%,在实时性测试中每秒传输32帧,模型大小为11.8 MB,果实计数精度达82.96%,平均检测速度为17帧·s^(−1)。该方法能够精准识别与计数大视场条件下的小目标火龙果,且实时性满足果园实际生产环境。

关键词： 长期跟踪   记忆网络   注意力机制   区域建议   残差学习  

摘要： 针对现有跟踪算法在长期跟踪场景中精度下降的问题,提出一种融合区域建议与记忆网络的视觉目标跟踪算法。该算法首先引入全局搜索模块,并通过设计通道注意力机制,筛选与目标高度相关的特征通道,生成目标特定的区域建议,从而提升目标丢失后的重新定位能力。其次,构建自适应记忆网络,用于动态存储高置信度的模板样本,并结合特征融合策略与残差学习机制,实现对模板特征的注意力增强。实验结果表明,该跟踪算法在准确性与鲁棒性方面均优于现有主流方法,展现出优秀的跟踪性能。

关键词： 深度学习   城市公共安全   智能监测   目标检测   行为分析  

摘要： 针对城市公共安全面临的动态复杂威胁,提出了一种基于深度学习的多模态智能监测系统。该系统通过集成视频监控、环境传感器和物联网设备的多源数据,构建了“感知-分析-决策”的闭环处理框架。模型采用改进的YOLOv5目标检测算法(融合CBAM注意力机制)与结合时空特征的行为分析网络(3D-CNN与LSTM混合架构),实现了异常事件的实时检测和风险等级量化评估。通过轻量化模型部署和可解释性增强设计,该系统为智慧城市安全管理提供了高效可靠的技术解决方案,具有显著的应用价值。