关键词： 选通图像   YOLOv8n   遮挡目标   小目标   大卷积核  

摘要： 激光选通成像技术在复杂环境下表现出色,但选通图像为灰度图像无法提供颜色信息,并且对比度较低,所以在进行小目标和遮挡目标检测时更加困难。为解决以上问题提出了一种改进YOLOv8n的选通图像目标检测算法。在特征提取的主干网络部分,使用大核卷积C2f-DSF更有效地捕获输入数据的全局信息。添加了多头注意力检测头Detect-SEAM模块,增强了特征提取和目标识别的能力。为了获取不同感受野的上下文信息,增强特征提取能力,使用了SPPF-M模块。采用上采样算子Dysample,减少特征信息的损失,从而提高小目标的检测精度。改进的YOLOv8n算法在选通图像数据集上mAP@0.5提高了2.4个百分点,mAP@0.5:0.95提高了1.8个百分点。为了验证改进的YOLOv8n算法的泛化性,选取KITTI数据集实验,相比于YOLOv8n算法改进YOLOv8n的mAP@0.5提高了4.3个百分点,mAP@0.5:0.95提高了3.5个百分点。

关键词： YOLOv5   线束连接器   Focal-EIOU损失函数   双向特征金字塔网络(BiFPN)自动装配  

摘要： 针对线束连接器自动装配系统的设计需求,提出了一种改进的YOLOv5目标检测算法。通过现场图像采集创建数据集后,对原有模型进行修改:替换C3模块为C2f以提高检测的准确性和鲁棒性,采用Focal-EIOU损失函数来调整难易样本权重并增强对连接器插孔的关注度,引入双向特征金字塔网络来优化多尺度特征融合效率。经过这些改进,模型的检测精度提升至98.0%,相比原模型提升了3.4%,满足了自动装配系统的设计需求。

关键词： Yolox-s   图卷积神经网络   虚拟现实   人机交互   手势跟踪  

摘要： 虚拟仿真实验是教育信息化的重要组成内容与实验教学改革的关键。为了丰富虚拟仿真实验的体验感,研究围绕手势交互中的关键技术展开了探究。选用改进目标检测技术与图卷积神经网络构建了手势跟踪与姿态估计模型。实验结果显示,研究改进的目标检测模型的平均精度均值最高达到0.94,损伤函数曲线最低值达到0.01。融合注意力机制与特征联合学习模块有效提升了手势跟踪模型的性能,跟踪准确率和精度分别为89.36%、90.05%,跟踪速率达到167.38帧/秒。基于图卷积的手部姿态估计模型在正确关键点百分比和估计误差上优于现有先进模型。该研究丰富了手势交互关键技术的理论基础,提升了虚拟仿真实验交互技术的革新,进一步扩展了虚拟现实技术在仿真实验中的应用。

关键词： 太赫兹雷达   目标检测   交通监控   安全防护   多模态   感知系统   应急救援   安全监控  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 深度学习   计算机视觉   目标检测算法   性能优化  

摘要： 文章深入探讨了计算机视觉技术中的目标检测算法,首先剖析了传统与基于深度学习的算法原理;其次阐述了数据、算法模型、训练与优化层面的性能优化策略;最后展示了其在安防监控、自动驾驶、工业检测等领域的应用情况,旨在系统梳理目标检测算法相关内容,为该领域的进一步研究与实践应用提供全面参考,推动各行业的智能化发展。

关键词： 无人机   目标跟踪   相关滤波跟踪算法   孪生网络跟踪算法   Transformer跟踪算法  

摘要： 随着无人机等技术的迅速发展,针对无人机航拍视频的目标跟踪算法研究逐渐成为热点,然而随着海量视频的出现,视频目标跟踪还面临诸多难题亟需解决。对基于无人机的视频目标跟踪的相关算法进行综述,围绕基于相关滤波、孪生网络以及Tranformer三种主流目标跟踪算法进行深入分析与讨论,并从无人机视觉目标跟踪的发展与应用需求角度出发,进行总结与展望。

关键词： 车辆检测   计算机视觉   低光照环境   图像增强   目标检测  

摘要： 在智慧交通系统和城市安全领域中,准确获取车辆信息至关重要.通过视频或图像等视觉识别手段可以直接获取车辆相关信息.然而,在低光照环境下,图像亮度和对比度降低、噪声增加、图像细节特征易丢失,这些问题导致车辆目标检测算法的精度大大降低.为此,提出了一种基于低光照图像增强算法和改进目标检测算法的车辆检测方法.首先,利用图像增强算法ZeroDCE对低光照图像进行增强,以提升图像亮度;然后,利用改进的AFF-YOLO目标检测网络对增强后的图像进行车辆检测;最后,将本文方法在车辆数据集上进行测试,并分析不同低光照等级对于车辆检测精度的影响.结果表明,本文方法能够有效提升车辆目标检测的精度,与低光照图像相比,增强后图像的目标检测精度mAP@0.5提升了4.9%,达到94.7%;而且光照强度越低,增强后图像的目标检测精度提升越显著.研究成果可为低照度环境下的车辆检测提供参考.

关键词： 桥梁裂缝   目标检测   注意力机制   YOLOv8   图像处理  

摘要： 近年来,中国桥梁建设空前发展,桥梁安全运维问题日益凸显。文章提出一种基于YOLOv8的裂缝检测模型YOLOv8-BC,该模型采用GhostConv对HGNetv2改进后的结构替换YOLOv8的主干网络,实现模型轻量化;引入可变形注意力机制DAttention,获得更多的空间信息;使用基于辅助边框的Inner-iou损失函数替代CIOU损失函数,提高模型的泛化能力和检测精度。在自建数据集上进行实验,结果表明YOLOv8-BC模型准确率达到了95.3%,mAP50达到了95.9%,相较于YOLOv8s模型分别提高了2.3%和2.0%,同时参数量降低了15.3%。这表明YOLOv8-BC模型能够更高效地检测复杂环境下的桥梁裂缝,为工业检测提供了重要思路和技术支持。

关键词： 室外直升机桨叶   旋转目标检测   多特征   多头自注意力机制(MHSA)   损失函数  

摘要： 目的桨叶运动参数是直升机设计到生产的重要指标,传统的视觉测量方法直接应用于室外环境下,由于受复杂光照背景影响,存在找不到桨叶区域、不能进行准确测量的问题。据此,本文提出一种融合多特征与自注意力的旋转目标检测器(fusion multi-feature and self-attention rotating detector,FMSA-RD)。方法首先,针对YOLOv5s(you only look once)特征提取能力不足和冗余问题,在主干网络中设计了更为有效的多特征提取和融合模块,结合不同时刻位置与尺度下的特征信息以提高网络对室外桨叶的检测精度;并去掉部分无关卷积层以简化模块结构参数。其次,融合多头自注意力机制与CSP(crossstage partial convolution)瓶颈结构,整合全局信息以抑制室外复杂光照背景干扰。最后,引入倾斜交并比(skew intersection over union,SKEWIOU)损失和角度损失,改进损失函数,进一步提升桨叶检测精度。结果本文进行了多组对比实验,分别在自制的室外直升机桨叶数据集和公共数据集DOTA-v1.0(dataset for object detection in aerial images)上进行验证,对比基线YOLOv5s目标检测网络,本文模型平均精度均值(mean average precision,mAP)分别提高6.6%和12.8%,帧速率(frames per second,FPS)分别提高21.8%和47.7%。结论本文设计的旋转目标检测模型,提升了室外复杂光照背景下桨叶的检测精度和速度。

关键词： 侧扫声呐   Yolov8   图像目标检测   RCS-OSA   BiFPN  

摘要： 针对现有目标检测方法难以适应侧扫声呐图像高噪声、多畸变、特征贫瘠的问题,提出一种基于改进Yolov8的侧扫声呐目标检测方法。在网络训练阶段,于Yolov8主干网络中引入RCS-OSA模块,进一步提升Yolov8主干网络的特征提取能力。在推理阶段,通过重参数化卷积来增强网络的特征提取能力,并将其简化为单一分支,减少内存消耗。之后,使用BiFPN替换Yolov8网络特征融合模块,通过反复应用自顶向下和自底向上的多尺度特征融合,进一步优化对不同尺度特征的融合结果,提高对多尺度特征的适应能力。实验结果表明:所提出方法在各项定量和定性评价中均超越了原始Yolov8网络检测方法,平均精度均值(mAP)提升了6.3%。