关键词： 公路病害   YOLO11   迁移学习   目标检测   深度卷积神经网络  

摘要： 文章针对公路普遍存在的裂缝、坑洼等损伤,基于公开图像数据进行检测框标注。采用YOLO11算法与迁移学习训练范式,通过设置训练超参数,构建公路病害目标检测模型。公路病害检测模型在训练集和验证集上的检测损失值分别为0.69和***50与mAP50-95分别为0.98和0.82,模型识别的精确率为97.76%,召回率为96.20%。构建的病害检测模型在测试集图像上表现出较高的检测精度与泛化能力,验证了YOLO11算法在公路病害损伤识别中的有效性与精确性。

关键词： 自动驾驶   目标检测   特斯拉   百度   专利分析  

摘要： 随着人工智能与智能交通技术的迅速发展,自动驾驶已成为提升道路安全性与交通效率的重要研究领域。为了揭示行业技术演进规律并提供创新参考依据,阐述了自动驾驶领域目标检测技术的技术分支,对特斯拉和百度在该领域的专利进行分析,归纳了2家企业的技术演进路线。特斯拉在发展初期采用多模态融合方案,随后全面转向纯视觉路线,并围绕Transformer、HydraNets及占用网络等核心技术构建了完整的纯视觉技术体系;百度则在坚持多模态融合技术路线的同时,积极布局纯视觉方案的研究,其技术路线呈现多样性与前瞻性。分析表明,基于纯视觉的方案正成为自动驾驶目标检测技术的重要发展方向。

关键词： 目标检测   注意力机制   特征匹配   多目标关联   多视点融合  

摘要： 针对图像目标识别因遮挡等原因造成的误检、漏检问题,本文提出了一种基于多视点信息融合的图像目标识别算法.该算法首先采用所提EYOLO模型来有效检测图像中的目标对象.然后采用ORB及FLANN算法快速实现特征点的提取及匹配.同时,利用随机一致性采样算法进行特征点对的精匹配,并求解出最优的坐标变换矩阵,实现多目标关联.最后对关联结果进行多视点融合,综合目标关联结果调整目标的置信度值,并采用投票决策机制实现对目标所属类别的最终判定.在自建数据集上的实验结果表明,在目标检测平均精度方面,相比于原YOLO模型的81.9%,本文方法的平均精度可提升至88.1%.在此基础上通过多视点目标关联和融合后的目标识别准确率可达98.1%,从而证明了本文方法的有效性.

关键词： 图像处理   甘蔗   茎节检测   深度学习   轻量化  

摘要： 甘蔗茎节的精准检测可实现甘蔗智能切种和种植定位,对蔗园生产管理优化、提高产量和效益具有显著意义。然而,现有方法在检测性能、模型复杂度以及实时性等方面存在挑战。为解决该问题,利用EdgeYOLO模型,进行结构化场景下甘蔗茎节的视觉检测。设计野外甘蔗图像采集试验,对采集的甘蔗图像进行人工标记,并建立图像训练集和测试集。采用轻量化EdgeYOLO网络作为甘蔗茎节检测模型,确定最优超参数组合并进行模型训练。开展野外实际切种试验,验证其有效性和检测性能。试验结果表明:该方法在测试集上的精确率、召回率、mAP值、单帧耗时以及模型大小分别为0.966、0.988、0.961、0.035 s和23.8 MB,同比Edgeyolo_S_Coco网络分别提高0.7%、0.6%、0.4%、0.007 s和16.2MB。结果表明,Edgeyolo_Tiny网络更具有检测性能和泛化能力,有效满足室外环境下对甘蔗茎节检测算法精度和应用成本的要求,可为农业智能化生产中甘蔗的收获和种植提供技术支持。

关键词： 驾驶员面部检测   轻量级卷积   多尺度特征融合   实时性   目标检测  

摘要： 针对车载设备算力有限,而YOLOv8n目标检测算法模型较大的问题,提出一种轻量化驾驶员面部目标检测算法FD-YOLOv8.首先,提出一种双通道轻量级卷积DLConv(Dual-channel Lightweight Convolution),通过一系列简单的线性变换,使用计算成本更低的方式生成冗余特征图,同时采用多尺度特征融合的方式,在提高检测精度的情况下,降低了算法的计算量及参数量;其次,引入轻量级主干网络ShuffleNetV2,通过组卷积的方式,减少了模型内存访问量;最后,引入轻量级模块StarBlock与C2f模块融合,通过元素乘法融合不同子空间特征的方式,降低了网络结构的复杂程度.通过实验结果分析,FD-YOLOv8算法在自建数据集和YawDD数据集的平均精确率(mAP@0.5)分别达到了99.1%、99.0%,相较YOLOv8n检测算法参数量(Parameters)下降了50.0%,计算量(FLOPs)下降了44.4%,FPS达到了237帧/秒,改进算法在驾驶员面部目标检测任务中具有一定参考价值.

关键词： 图像处理   图像去雨   联合注意力机制   多阶段特征提取   无监督学习  

摘要： 现有的图像去雨网络主要依赖大量合成配对数据进行训练,忽视了合成数据与真实数据在空间分布特征和通道重要性上的差异,导致在真实数据上的去雨效果存在纹理细节模糊和泛化性差等问题。为此,提出了一种基于联合注意力机制与多阶段特征提取的无监督图像去雨网络。首先,为了适应雨纹的空间位置局部性,设计了结合空间和通道注意力机制的雨纹特征感知模块,并通过扩张卷积增大雨纹特征提取感受野。其次,引入循环神经网络渐进地分阶段提取雨纹特征,并在循环中保留前一阶段的有用信息,以增强对雨纹特征的提取能力。为了进一步提升对局部微观细节和全局纹理结构特征的鉴别能力,设计了一个多尺度鉴别器,分别在3个不同尺度上对生成图像进行判别,以指导生成器生成更高质量的图像。在合成和真实数据集上进行了定性和定量实验,通过PSNR,SSIM和NIQE客观评价指标对比表明,所提出方法的结果优于对比的监督、半监督和无监督方法,验证了其有效性和泛化性。

关键词： SAM分割模型   深度学习   YOLO11   计算机视觉   木材端面分割  

摘要： 0背景木材加工是林业产业链的核心环节,其质量检测直接影响产品附加值与资源利用率。传统人工检测方法存在效率低、主观性强等问题,而基于深度学习的计算机视觉技术为木材端面分割提供了新思路。现有研究多采用单一目标检测模型(如YOLO系列)或实例分割模型(如Mask R-CNN),这些模型虽能实现木材粗分割,但在复杂纹理、遮挡场景下仍面临小区域漏检、边界模糊等挑战。

关键词： 疲劳驾驶   分心驾驶   YOLOv8   轻量化网络   目标检测   SE注意力机制  

摘要： 随着机动车保有量的持续增长,交通安全问题日益凸显。驾驶员疲劳与分心驾驶行为是引发交通事故的关键因素,会对公共安全构成严重威胁。为此,开发一种基于改进YOLOv8的驾驶行为检测算法,即YOLOv8-FBFS,用于实时监测驾驶员状态,并识别和预警疲劳及分心驾驶行为。该算法在提升检测速率的同时引入SE注意力机制,强化关键特征表征;采用BiFPN策略优化特征融合过程,确保检测精度不受影响。经过对比实验与消融实验验证,改进后的模型精确度达到了88.9%,相较原始YOLOv8模型提升了7.8%,且在模型尺寸和计算量上分别实现了11.1%和12.9%的缩减。这些优化使得该算法在实时检测疲劳与分心驾驶行为方面表现卓越,为提升道路交通安全提供了强有力的技术支撑。

关键词： 三维目标检测   多模态融合   边缘差分信息   扩散函数   注意力机制  

摘要： 基于多模态的三维目标检测可以利用点云的几何信息和图像的语义信息。针对多模态三维目标检测中存在的边缘信息无法充分利用、异构数据融合困难、推理速度慢等问题,提出一种高效的基于边缘差分信息融合的多模态实时三维目标检测算法(multimodal real-time 3D object detection based on edge differential information fusion,EDMR-Net)。在融合阶段提出了一个差分特征增强融合模块,通过扩散函数利用图像的差分信息增强点云语义表达以实现异构数据的互补,使用丰富的边缘信息和特征的稳定状态精准定位小目标;利用自适应上下文感知网络对多模态特征进行自适应权重分配,进一步细化多尺度上下文信息;为了提升模型对细节信息的捕获能力,在浅层特征中引入了多尺度交叉轴向注意力机制。在KITTI数据集上进行了大量的实验结果表明,所提方法在速度和准确性上都优于主流方法,有效解决了边缘信息利用不充分和多模态推理速度慢的问题,EDMR-Net在保证简单和中等难度检测性能的前提下大大提高了困难场景的检测性能。

关键词： YOLOv7   目标检测   NCNN   模型部署   深度学习  

摘要： 随着移动设备计算能力的不断提升,如何高效地在嵌入式设备上进行目标检测逐渐成为研究的重点。该文提出一种基于YOLOv7的目标检测方案,并结合NCNN轻量化推理框架,给出一套完整的Android端部署方案。通过优化YOLOv7-tiny的网络结构和多尺度特征融合策略,不仅减少模型参数量,还提高推理速度。采用Android Camera2 API与OpenCV-Mobile实现图像采集与处理,同时利用JNI接口提高Java与C++之间的通信效率。实验表明,在保持较高准确率的同时,YOLOv7在推理速度方面表现优于其他模型。该研究可为移动端实时目标检测提供可参考的技术方案,具有较高的工程应用潜力。