关键词： 小目标检测   无人机   YOLOv8n   轻量化  

摘要： 针对无人机航拍图像在目标检测中存在误检漏检的问题,提出了一种基于YOLOv8n的改进模型—RHDL-YOLO。首先引入RFAConv提高骨干网络的特征提取能力;其次,通过IDConv对C2f模块进行改进,实现了模型参数量的减少;然后为了提高模型的小目标检测能力,增加了小目标检测层并且使用H-RAMI生成新的检测层替换P5目标检测头;最后采用SlideLoss损失函数来解决样本间难易程度的不平衡问题。在VisDrone2019上实验表明,提出改进算法的mAP50值为40.7%,较YOLOv8n提升了6.3%,在新增小目标检测层的情况下,参数量降低了28.9%。改进后的算法显示出更高的鲁棒性,适合于无人机视角下的目标检测任务。

关键词： 垂起无人机   自主降落   帧差法   ViBe   图像处理  

摘要： 针对无人机回收过程因RTK(Real Time Kinematic)偏差或环境风引起的位置偏差问题,基于监控视频流,设计了一种可实时解算降落过程无人机相对位置的方法,用于第一时刻发现降落危险。首先,分析了无人机蜂巢回收流程,以及监控视角静态背景下无人机降落的检测需求;其次,将帧差法与ViBe(Visual Background Extractor)结合,设计了FD VB(Frame Difference Visual Background Extractor)检测方法,利用帧差法的位置信息约束ViBe的背景结果,在有效过滤鬼影、抑制鬼影现象的同时,提高了运动目标轮廓的完成性和准确性;最后,结合不同场景,对实时性较好的几种方法进行了比较测试,实测中的数据分析进一步说明了FD VB方法的可用性,以及监控视角下无人机位置解算的可行性。

关键词： 计算机视觉   人体姿态估计   轻量化   高分辨率网络   注意力机制  

摘要： 针对当前人体姿态估计模型在追求检测性能时所面临的巨大计算负载问题,以高分辨率网络为基线提出高效渐进式特征融合网络(efficient progressive feature fusion network,EPFFNet)。移除了高分辨率网络的第四阶段,达到平衡模型复杂度和检测能力的目的。构建了一种混合高效通道注意力,能够同时关注全局和局部通道特征信息,并在此基础上提出了一种新型注意力特征融合模块,实现特征之间的强融合。设计了一种高效坐标注意力,增强模型对不同区域特征信息的关注,同时与多样归一化和其他轻量化模块相结合提出了GENeck和GEBlock模块,替换高分辨率网络的残差块,保证了模型性能并实现了模型轻量化。设计了一种渐进式特征交融模块,增强模型对不同分辨率特征的融合能力。实验结果表明,EPFFNet在COCO和MPII数据集上分别取得了75.1%和90.8%的准确率,不仅在轻量化模型中实现了最优精度,而且与大模型相比具有相当或更佳的性能。

关键词： 前景提取   视觉短期记忆   中心环绕机制   蝗虫复眼神经   自运动视觉感知   无人机航拍   计算机视觉  

摘要： 针对无人机航拍自运动视觉场景中运动视差导致传统方法精度差问题,基于蝗虫视觉神经结构特性,借助生物视信号中心环绕机制、视觉短期记忆机理,提出一种生物启发的人工视觉系统——自运动前景提取神经网络(SFENN)。SFENN由5个复眼神经层(R、L、M、Lo、LP)构成。其中,R层接收自运动视觉信号;L、M层采集全局视野域中的自运动角点特征与轮廓信息;Lo与LP层提取前景目标,对其降噪处理并向外输出表征前景轮廓视信息的膜电位兴奋。实验研究结果表明,SFENN在无人机航拍的自运动视觉场景中能有效提取前景目标对象,与SOTA模型相比体现更佳检测准确率和鲁棒性。

关键词： 目标检测   改进YOLOv5-ReID   多源传感融合   深度学习  

摘要： 针对煤矿井下钻杆人工计数效率低、易错漏及传统视觉算法鲁棒性差等问题,提出了一种基于多源传感融合与改进YOLOv5-ReID算法的钻杆自动计数方法。通过构建由拉绳传感器、接近开关、本安摄像仪及AI边缘分析算力板组成的硬件平台,结合改进YOLOv5网络模型实现钻杆动态检测,引入ReID算法解决遮挡场景中的目标跟踪难题,并融合位移、倾角等多源传感器数据实现钻杆状态协同判定。实验结果表明,该方法在复杂井下环境中钻杆计数准确率达100%,支持全自动、半自动及手动模式下的异常数据回溯与修正。现场应用表明,该方法可消除人为误差,提升钻进效率,为煤矿智能化钻井提供了可靠的技术支撑。

关键词： 无人机测绘   航线敷设   图像处理   自然资源  

摘要： 以某自然资源区内一个具有不规则边缘的测区边缘作为基准边,进行了无人机自适应航线的敷设,更好地贴合测区的具体形状,从而提高航线的针对性和效率;利用敷设的无人机航线对测区进行数据采集,以更好地应对复杂的自然环境,确保数据采集的完整性和准确性。并结合条纹阵列探测器的应用,进行测绘采样图像的处理,提高图像的分辨率和对比度;基于提取的特征信息,采用图斑提取算法,自动识别并分割出图像中的变化区域,进行自然资源的规划管理。实践结果表明:设计的方法不仅可以提高自然资源区域测绘的可靠性,还能实现区域不同资源类别的精准分区,以此种方式,为资源管理提供技术支持。

关键词： 目标检测   YOLOv4   图像增强   匿名化处理  

摘要： 随着智能网联汽车的快速发展,越来越多的车辆配备了高阶辅助驾驶系统,该系统依赖于车外摄像头、激光雷达等传感器进行道路环境感知与驾驶决策。这一过程中涉及大量的车外交互信息传输,使得汽车数据安全问题日益突出。为保障行车安全,对于无法征得个人同意收集并通过网络传输的车外个人信息如车牌和人脸,必须进行匿名化处理,包括删除含有能够识别自然人的画面,或者对画面中的人脸信息等进行局部轮廓化处理。为解决这一问题,提出了一种基于Mobilenetv1-YOLOv4的低算力汽车数据脱敏处理方法。该方法结合超分辨率增强重建技术进行图像增强,在低算力成本下,可以同时对车外人脸与汽车号牌进行脱敏。在复杂环境下,模型依旧可以保持较高的检测精度与实时性。此研究的实施,不仅符合《汽车数据安全管理若干规定》和国家标准GB/T 44464—2024《汽车数据通用要求》的要求,而且对保护个人隐私、提升汽车数据安全性具有重要的实际意义。

关键词： 道路交通锥   目标检测   轻量化   注意力模块   数据增强  

摘要： 道路交通锥是用于高速公路和城市道路维护的安全隔离标志,采用自动化设备对其进行收放可提高作业效率,并降低传统人工收放方式带来的作业人员安全隐患。对交通锥进行精确的目标检测是确保自动化收放设备正常工作的关键。为提高识别效率,同时保证模型检测准确性并降低模型计算量和内存需求,本文提出了一种轻量化道路交通锥检测的TraCone-YOLO(TraCone-You Only Look Once)算法。首先,采用基于共享深度可分离卷积的高效检测头,使模型在推理时更加高效;其次,在特征提取过程中使用RepC2f模块,增强模型提取多尺度特征信息的能力;最后,通过引入ELA(Efficient Local Attention)注意力模块,提出ELA-HSFPN(ELA-Hierarchical Scale-based Feature Pyramid Network)网络结构进行多尺度特征融合,进一步增强模型的特征表达能力。针对原有的交通锥数据集TraCon缺少不同天气和光照强度的样本,本文对TraCon交通锥数据集进行了数据增强,以模拟实际场景中的不同天气条件,有效扩充训练样本,从而提升模型的泛化能力和鲁棒性。实验结果表明,改进后的模型与原模型相比,参数量和计算量分别减少了56.2%和55.6%,均值平均精度达92.6%,与原模型相比仅下降0.4个百分点。该算法在实现模型轻量化的同时,能够保持良好的检测性能。

关键词： 目标检测   绝缘子   部分卷积   主干特征提取网络   大核可分离注意力   重参数化   边界框损失函数  

摘要： 针对绝缘子缺陷目标区域较小、部分缺陷特征相似,从而导致检测精度较低的问题,提出了一种特征表示增强模型(FLDM-YOLO)。该模型基于FasterNet重构特征提取网络并且结合大核可分离注意力(LSKA)设计了SPPF-LSKA模块,增强了对目标的特征提取能力;以重参数化技术为基础,提出了C2f-DBB模块,处理目标缺陷特征相似的问题;在边界框回归阶段使用MPDIoU作为损失函数,使得模型更加关注高质量锚框。实验结果表明,FLDM-YOLO模型在保证一定检测速度的前提下,mAP为91.3%,较YOLOv8模型提高了4.2%,可有效应用于实际的巡检工作。

关键词： 高速公路   车辆异常行为   YOLOv8   Swin Transformer   目标检测  

摘要： 随着高速公路通车里程和交通流量的增加,车辆异常行驶事件引发的安全问题日益突出。传统监控手段存在效率低、漏检误检率高等不足,而基于深度学习的计算机视觉技术为解决这一问题提供了新途径。文章提出一种基于改进YOLOv8的高速公路车辆异常行为检测方法,通过引入Swin Transformer结构替换主干网络,增强模型对长距离特征和时空关联的建模能力。研究构建了包含400张图像的高速公路车辆行驶事件数据集,涵盖不同时段、天气和车辆类型。实验结果表明,改进后的模型在精确率(92.5%)、召回率(98%)和平均精确率(mAP0.5为94.4%)等指标上显著优于原始YOLOv8模型,能够有效提升高速公路车辆异常行为的检测精度和可靠性,为智能交通系统的实时监控与事故预防提供了技术支撑。