关键词： 车辆检测   YOLOv5s   车辆检测算法  

摘要： 为解决车辆密集、遮挡严重导致的目标检测算法误检、漏检等问题,提出一种基于改进YLOv5s的车辆检测算法。首先,基于C2f特征提取模块结构中卷积共享和多层次特征融合的思想,对原YOLOv5s中的特征提取模块进行改进,提高网络针对多尺度特征的提取能力;其次,引入一种考虑位置信息的轻量型特征选择模块,并设计4种不同引入方式的对比试验,探究该模块在面向车辆检测任务时对模型性能的影响;最后,利用OTA动态标签分配策略对原YOLOv5s的损失函数进行优化,提高正负样本分配的精准度。在经过筛选的UA-DETRAC车辆数据集上进行试验分析,结果表明,改进后的算法能够满足实时交通检测需求,以期为相关研究提供借鉴。

关键词： 指针式压力表   YOLOv5   数字图像处理   读数识别  

摘要： 针对指针式压力表自动检测读数时,受复杂背景环境等因素影响造成仪表图像检测难、读数困难和误差大等问题,提出基于YOLOv5和数字图像处理技术相混合的指针式压力表读数识别方法,通过YOLOv5网络实现复杂背景环境下表盘的检测与提取,再通过数字图像处理技术实现表盘圆心和指针直线的高精度定位,最后通过CRNN网络确定仪表量程。实验结果表明,该方法可以在复杂的环境中较为高效准确地读取指针式压力表的示数,读数的平均基本误差为0.32%,较现有方法显著提高,证明了该方法具有较好的实际应用价值。

关键词： 桥梁工程   改进YOLO v8s算法   深度学习   裂缝检测   目标检测  

摘要： 针对混凝土桥梁裂缝因背景复杂、细小模糊导致检测精度较差的问题,提出了一种基于改进YOLO v8s的混凝土桥梁裂缝检测算法,精确定位了裂缝位置信息,并测量了裂缝长、宽等关键参数;以YOLO v8s模型为基础,引入全维度动态卷积(ODConv)获取特征图中更丰富的上下文信息,以增强目标特征提取能力,提高对细小模糊裂缝的检测能力;采用改进通道注意力模块构建了级联双层特征改进注意力(C2f-MA)融合模块,以挖掘特征图中更多的纹理信息,进一步使网络更加关注裂缝特征,从而抑制无关背景信息的干扰,提高复杂背景下的裂缝检测效果;使用焦距交并比(WIoU)损失函数来解决低质量样本的识别问题,进一步优化了模型的收敛速度和检测准确率;在桥梁检测报告中筛选出存在裂缝细小模糊、阴影、人工画线、杂草等具有复杂背景的裂缝图像,通过人工标注的方式建立了复杂背景条件下桥梁裂缝图像数据集;以召回率、平均精度和模型存储容量作为量化评价指标,并依次通过对比试验及消融试验来对模型进行综合评估。研究结果表明:改进YOLO v8s算法的召回率、平均精度和模型存储容量分别为0.829、0.893和11.14 MB,其综合评价指标优于基准方法YOLO v8s和其他目标检测模型,证明了提出的算法在复杂背景下具有良好的鲁棒性。

关键词： 摘钩机器人   高精度视觉识别   目标检测   3D   空间重建  

摘要： 研究了高精度视觉识别技术在摘钩机器人中的应用,针对现代工业自动化中摘钩机器人在高风险、高强度作业环境中的需求,提出了一种结合视觉系统与深度学习算法的解决方案。研究对象为摘钩机器人系统,包括机械系统、视觉系统、控制系统和智能决策模块。通过使用高精度工业相机、3D激光扫描仪和深度学习模型,提升机器人在目标检测、特征匹配、3D空间重建及姿态估计中的精度与响应速度。采用了YOLOv5s网络进行目标检测、PointNet++网络用于3D点云分割,并通过改进算法提升检测精度和实时性。结论表明:基于高精度视觉识别技术的摘钩机器人能够显著提高自动化操作的精度与效率,具有良好的环境适应性与稳定性。

关键词： 智能交通   机器视觉   目标检测   目标跟踪  

摘要： 传统交通检测方法存在检测效率低、计算成本高、准确性差等不足,为此,本文提出实时RT-DETR目标检测与BoTSORT目标跟踪相结合的机器学习算法,并通过实验证明本文所采用的技术在车辆检测精度上表现优异,能够有效识别并跟踪公路上行驶的车辆目标。进一步地,本文对交通冲突与车流量之间的关系进行分析,发现交通冲突频率与车流量之间存在显著的正相关关系。研究结果表明本文方法有助于提高交通检测效率和精度,可为交通主动管控提供支撑。Traditional traffic detection has shortcomings such as low detection efficiency, high computational cost, and poor accuracy. Therefore, this paper proposed a machine learning algorithm combining RT-DETR object detection and BoTSORT object tracking, and conducted experimental studies to prove that the employed technology performs excellently in detection and tracking of vehicles driving on highways. Furthermore, this paper analyzed the relationship between traffic conflicts and traffic volume, and found a significant positive correlation between the frequency of traffic conflicts and the increase in traffic volume. The results indicate that the method proposed in this paper helps to improve the efficiency and accuracy of traffic detection and tracking, which can provide support for active traffic control.

关键词： 目标检测   无人机航摄图像   增强特征提取   动态上采样   多尺度模块  

摘要： 针对当前主流的轻量级目标检测模型在无人机航摄场景下检测精度低的问题,提出一种基于YOLOv8s的高精度轻量级航摄图像目标检测模型LEFE-YOLOv8。首先设计内嵌注意力机制的增强特征提取卷积(EFEConv),其与部分通道卷积(PConv)及1×1卷积共同组成轻量级增强特征提取模块,在提高模型特征提取能力的同时降低了参数量与计算量。然后在特征融合网络中引入轻量级动态上采样算子模块,有效地解决了高层特征网络在上采样过程中的信息丢失问题。最后构建带有多尺度模块的检测头,提高了网络模型的多尺度检测能力。最终的实验结果表明,相较于基准模型,所提改进模型在VisDrone2019和HIT-UAV数据集上的平均精度分别达42.3%与83.9%,且参数量在10×10~6以下,更加适合航摄图像目标检测任务。

关键词： 视觉SLAM   ORB-SLAM3   光流法   动态环境   目标检测  

摘要： 针对目前大多数传统的视觉SLAM系统通常默认环境是静态的,但实际环境中是存在移动目标或者障碍物的,所以往往包含大量的误匹配点和动态点会导致系统定位精度降低的问题。提出一种基于ORB-SLAM3主体框架和深度学习技术的语义vSLAM系统,结合目标检测与光流法,旨在改进视觉SLAM系统在动态环境中的定位精度。首先,利用改进的YOLOX-S目标检测算法对潜在的动态目标进行识别;然后,利用几何法与光流法相结合精确检测异常值,并根据物体和人类运动状态不断调整动态包围盒的阈值。最终,保留动态框中包含静态框中的点,同时消除动态框中的其他点。在TUM和KITTI数据集上进行精确性的评估,实验结果表明,在数据集高动态序列下,与ORB-SLAM3,Crowd-SLAM比较,绝对轨迹均方根误差分别平均减少69.26%、16%,与DynaSLAM比较,在高动态场景中定位精度平均提升15%,这验证了在动态场景中提升了系统定位精度,此外,真实场景测试结果显示,该系统在各种动态环境中均表现出良好的性能。

关键词： 目标检测   轻量化网络   YOLOv5s   SE通道注意力机制   通道剪枝  

摘要： 无人机航拍图像背景复杂、目标密集且小目标占比大,加大了目标检测的难度。基于深度学习的目标检测模型计算复杂度高,难以部署在无人机搭载的嵌入式设备上。针对此问题,提出了一种改进的基于YOLOv5s的轻量化航拍图像目标检测模型。首先将YOLOv5s主干网络的C3模块BottleNeck替换为轻量级的ShuffleNetv2网络,来降低模型的参数量和计算复杂度;其次在ShuffleNetv2网络中引入跨层信息交叉融合、SE通道注意力机制以及残差连接,来缓解卷积操作导致的特征通道数减少、网络中间层特征图的信息利用不充分问题;再次在YOLOv5s多尺度特征融合网络中引入SE通道注意力机制,来提高网络对关键特征的捕捉和提取能力;最后对改进的目标检测模型采用通道剪枝的方法使模型进一步轻量化。实验结果表明:在NWPU VHR-10数据集上,改进后的模型与YOLOv5s模型相比,目标检测的准确率和平均精度均值分别提升了3.5%,1.9%,模型的参数量和计算量降低了76%,48.7%,模型大小压缩了73.8%,检测速度提升了48%。

关键词： 视觉目标检测   无人机空对空目标检测   YOLOv5算法   轻量化   注意力机制  

摘要： 针对高动态场景下无人机(UVA)空对空目标检测任务中机载设备计算资源有限和UVA小目标检测困难的问题,提出一种基于轻量级注意力机制的无人机空对空目标检测算法SGC-YOLOv5。首先,设计S-Ghost模块和SD-Ghost结构构建特征提取网络SD-GhostNet,降低模型参数量和计算复杂度;其次,引入更高效的GSConv和VOVGSCSP结构细化特征融合网络,将SD-GhostNet和细化的特征融合网络相结合使模型达到最佳的轻量化效果;最后,在特征融合网络中加入轻量级卷积块注意力模块(CBAM)来突出图像中感兴趣的UVA特征,抑制背景冗余信息,提高检测精度。在数据集Det-Fly上的实验结果表明,SGC-YOLOv5算法的精确率为74.9%、参数量为4313695、检测速度为169.42帧/s、每秒浮点运算次数(FLOPs)为9.0×10^(9),与基准YOLOv5s算法相比,检测精确率提升2.5%、参数量减少48.5%、检测速度提升26.17帧/s、FLOPs降低57.5%,在实现模型轻量化的同时取得了较好的检测精确率。

关键词： 火焰检测   演化趋势   目标检测   知识图谱  

摘要： 为系统完整地探索火焰检测领域的研究现状、演化趋势及热点趋势,以期为当前工业领域火灾检测系统建设提供参考和借鉴。以2019~2023年web of science核心数据库相关文献为研究样本,利用文献计量学方法基于知识图谱进行文献共被引分析、关键词共现分析和社会网络分析,以期从国家、机构、作者和期刊等研究力量分布等多个角度对该领域研究热点及演化趋势进行分析。实验表明火焰检测研究结构包括特征提取、分类识别等层面;研究脉络涉及传感器、深度学习、图像分类、目标检测等方向;研究热点逐步向适应性强、受突发情况影响小、检测率高、误识率低的检测算法纵深演化。