关键词： 视频分析   深度神经网络   目标检测   分区   配置映射分析器   拼接检测  

摘要： 为解决视频分析任务中利用深度神经网络进行目标检测时精度需求和计算开销难以平衡的问题,现有工作大多以全帧视频图像作为计算资源调度的单位,为信息价值高的视频帧分配更多资源,为信息价值低的视频帧少分配甚至不分配资源,从而在保证精度的前提下尽可能节省计算开销。然而,由于每帧视频图像中感兴趣目标分布不均,算法为含有少量高信息价值区域的全帧图像分配过多资源,耗费不必要的检测计算开销。针对这一问题,提出基于分区的视频目标检测方法。将视频图像分区后,对各个分区感兴趣目标的特征进行快速提取和处理,通过配置映射分析器为每个分区映射满足精度需求且最小化检测开销的检测配置,并将具有相同检测配置的分区拼接检测以进一步减少检测开销。最后,针对分区引起的边缘目标碎片化导致检测精度下降的问题进行修复。实验结果表明:该方法在满足检测精度需求的前提下,显著降低了计算开销,最大节省90.84%;在开销相近的情况下,平均精度提升10.48%~23.13%,实现了高效的视频目标检测,且在静态和动态的不同场景下具有更好的适应性。

关键词： 低照度图像   图像增强   深度学习   图像处理   低照度数据集  

摘要： 低照度图像增强是图像处理领域的重要问题之一,近年来,深度学习技术的迅速发展为低照度图像增强提供了新的解决方案,且具有广阔的应用前景。首先,全面分析了低照度图像增强领域的研究现状与挑战,并介绍了传统方法及其优缺点。其次,重点讨论了基于深度学习的低照度图像增强算法,根据学习策略的不同将其分为五类,分别对这些算法的原理、网络结构、解决问题进行了详细的阐述,并按时间顺序将近6年基于深度学习的图像增强代表算法进行了对比分析。接着,归纳了当前主流的数据集与评价指标,并从感知相似度和算法性能两个方面对深度学习算法进行测试评估。最后,对低照度图像增强领域改进方向与今后研究作了总结与展望。

关键词： 计算机视觉算法   软件测试   自动化  

摘要： 提出了一种基于计算机视觉的漏洞识别模型在软件测试自动化中的应用设计方案,围绕数据预处理、特征提取与建模以及缺陷分类与定位三个核心模块,构建了一个完整的漏洞检测框架,以解决传统测试方法效率低下和覆盖率不足的问题。同时通过结合静态和动态代码分析技术,设计了特征提取与表示方法,并通过深度学习和统计模型优化了分类器性能。结果表明,计算机视觉的漏洞识别软件不仅提高了漏洞检测的效率和覆盖率,还为软件质量保障提供了新的解决思路。

关键词： 尾矿库   YOLOv8   目标检测   注意力机制  

摘要： 针对当前尾矿库自动检测的局限性,提出一种基于深度学习模型的尾矿库自动检测方法。首先,将基于Transformer和ViT的RepViT作为YOLOv8的主干特征提取网络;其次,将包含注意力机制的C2f_SENetV2模块代替原始的C2f模块;然后,采用WIoUv3代替原始的CIoU作为损失函数;最后,将模型在构建好的尾矿库数据集进行实验验证。结果表明,改进的YOLOv8模型相比原模型在尾矿库的检测上准确率、召回率以及平均准确率等性能指标有显著提升;方案有助于实现尾矿库的自动化识别检测。

关键词： YOLOv5s   轻量化   自适应融合   轮胎缺陷   目标检测  

摘要： 轮胎对车辆的性能、操控、安全性和乘坐舒适性都有着重要的影响,对轮胎缺陷进行检测能够及时发现问题,确保轮胎的安全性和可靠性。针对汽车胎侧起鼓、胎侧凹陷、胎侧开裂、外胎有小孔、胎侧气泡等多种轮胎缺陷检测,提出一种基于改进YOLOv5s的轮胎缺陷检测模型shuffle_yolov5s_cbam,引入置信度损失函数,将YOLOv5s中的主干网络替换为更轻量的ShuffleNetV2网络,将ShuffleNetV2网络中的激活函数ReLU替换为H-Swish,并引入CBAM注意力机制以增强模型对关键特征的关注。相比较于YOLOv5s模型,shuffle_yolov5s_cbam模型的平均mAP值提升了1.5%,检测速率缩短了17.3%,且能够更准确地识别和定位缺陷,不仅提高了产品质量和生产效率,还减少了人工检测的工作量和错误率。

关键词： 计算机科学   图像处理   机器人   传感技术   机器视觉   视觉感知   视觉行为   算法开发  

摘要： 机器视觉是一门融合图像处理、机械工程、光源照明、光学、传感技术、算法开发以及计算机科学的学科,由计算机、图像处理器或相关设备来模拟人的视觉行为。人类约80%的信息是通过眼睛感知获取的。未来机器人要获得与人类一样的能力,需要发展出强大的视觉感知能力,使其具有更加人性化的功能和行为表现。

关键词： YOLOv5   落头检测   轻量化   BiFPN   损失函数  

摘要： 针对燃烧锥落头的准确快速检测需求,提出一种基于改进YOLOv5的轻量级落头检测方法。首先,使用Ghost模块替换Backbone和Neck中的Conv模块和C3模块,提升落头的检测速度;其次,在Neck部分中添加一条加权双向特征金字塔网络BiFPN,通过加权来更好地平衡不同尺度的特征信息改善检测精度;最后,使用α-IoU损失函数替换GIoU损失函数优化边界框回归损失函数,获得更准确的边界框定位精度。实验结果表明:改进的YOLOv5算法的落头识别平均准确率达到了96.1%,mAP0.5和mAP0.5:0.95分别达到了98.3%和73.0%,同时,模型权重大小仅为8.7 M,能够满足燃烧锥落头准确快速的检测要求。

关键词： 视觉SLAM   语义分割   目标检测   语义地图  

摘要： 目的视觉SLAM作为自动驾驶和移动机器人的核心技术之一,传统算法无法应对高度动态的环境,也缺乏地图的语义信息,解决动态物体对SLAM系统的影响是研究的主要目标,也是当前热点问题之一。方法提出一个新的基于YOLOv8同步动态检测与局部语义分割的方法,来实现动态环境下的位姿估计与局部语义建图。首先,通过应用YOLOv8对输入图像进行同步动态检测和语义分割,使用目标检测结果的目标框对动态特征点进行剔除,再运用静态特征点进行姿态估计,然后在系统的语义建图线程中,对语义分割后的图像加入扩张掩模,最后使用点云库进行语义地图的构建,从而产生能够应用于实际场景的语义地图。结果在TUM数据集中进行了比较试验,数据显示:这种方法相对于传统方法能提高98.1%的位姿准确率,并且在实时性测试中,本文算法的速度也优于同类算法,而且可以在同一时间创建出局部语义地图。结论基于YOLOv8同步动态检测与局部语义的方法来处理常规场景下的动态物体对SLAM系统的影响十分有效,且实时性高,但对于一些特殊场景如摄像机大幅旋转等,由于目标检测的失效而导致动态特征剔除失败,从而系统精度降低。

关键词： 视觉目标跟踪   时空特征强化   全局-局部信息关联   时空特征感知   动态模板  

摘要： 多数基于Transformer的目标跟踪模型提取的目标局部空间特征信息有限且时间特征利用不足,显著影响了目标跟踪模型在处理目标遮挡、形变或尺度变化等复杂场景下的性能。为此,提出一种时空特征强化与感知的视觉目标跟踪方法(visual object tracking method with spatial-temporal feature enhancement and perception,STFEP)。一方面,该方法使用Transformer进行搜索区域与时间上下文特征的提取与融合,以得到全局特征信息,通过设计的局部卷积神经网络,提取目标的局部特征信息,并与目标的全局特征信息相关联,进一步强化目标的特征表示。另一方面,提出了时空特征感知机制,对不同时刻的特征信息进行可靠性和必要性分析,构建动态模板以感知更丰富的时空信息,使模型适应目标及场景的复杂变化。在TrackingNet、GOT-10k、LaSOT、UAV123多个数据集上的实验结果表明,研究所提方法能够准确鲁棒的对目标进行跟踪,并在GOT-10k数据集上取得了最优的结果,AO、SR 0.5以及SR 0.75分别达到了73.7%、83.8%、70.6%。

关键词： 红外双目视觉   目标检测   目标匹配   卷积网络  

摘要： 特殊环境下道路目标的三维感知对汽车的全天时、全气候自动驾驶具有重要意义,红外双目视觉模仿人眼实现微光/无光等特殊环境下目标的立体感知,目标检测与匹配是双目视觉立体感知的关键技术。针对当前分步实现目标检测与目标匹配的过程冗杂问题,提出了一个可以同步检测与匹配红外目标的深度学习网络——SODMNet(Synchronous Object Detection and Matching Network)。SODMNet融合了目标检测网络和目标匹配模块,以目标检测网络为主要架构,取其分类与回归分支深层特征为目标匹配模块的输入,与特征图相对位置编码拼接后通过卷积网络输出左右图像特征描述子,根据特征描述子之间的欧氏距离得到目标匹配结果,实现双目视觉目标检测与匹配。与此同时,采集并制作了一个包含人、车辆等标注目标的夜间红外双目数据集。实验结果表明,SODMNet在该红外双目数据集上的目标检测精度mAP(Mean Average Precision)提升84.9%以上,同时目标匹配精度AP(Average Precision)达到0.5777。结果证明,SODMNet能够高精度地同步实现红外双目目标检测与匹配。