关键词： 地基观测   图像增强   目标检测   图像退化模型   峰值信噪比   结构相似性  

摘要： 地基观测空间目标检测任务中,星图退化或星图模糊会导致检测效果不理想,而基于滤波和基于去噪的图像增强方法难以适用于因多种因素导致发生退化或模糊的星图的增强,进而影响后续的目标检测任务。针对上述问题,文章提出一种基于图像增强的地基观测空间目标检测方法,该方法由图像增强和目标检测两部分组成:1)在图像增强部分,受图像去雾深度学习模型的启发,设计了一种图像增强模型对退化参数进行估计,该模型以U-Net为基础结构进行多尺度特征提取与融合,并在网络结构中嵌入了金字塔池化模块和结构多尺度残差模块,以提高图像增强复原的质量,最后利用估计参数从发生退化的图像中复原出增强图像;2)在目标检测部分,通过快速线段检测器(Fast Line Segment Detector,FLD)算法对星图中由于目标与探测器相对运动而留下的直线段轨迹进行检测。经过实验数据集验证,采用该方法对图像增强后,图像的平均峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似性(Structural Similarity,SSIM)指标值分别提高了124.51%和64.28%;图像增强前后,目标检测的平均准确度提高了22.15%,且平均漏检率降低了20.6%。相比于其他基于滤波和去噪进行图像增强的方法,文章所提方法能够适应多种发生星图退化或星图模糊的情况,且图像增强效果更好,目标检测精度也更高。

关键词： 激光雷达   目标检测   自动驾驶   体素   自注意力  

摘要： 针对目前依赖于卷积神经网络(CNN)的激光雷达目标检测算法对自动驾驶场景的空间结构理解不深刻导致检测效果差的问题,提出了一种能够增强特征提取能力、可直接应用于大部分基于体素的检测算法的体素自注意力辅助(VSAA)网络。首先,VSAA网络在体素特征编码的基础上进一步构造体素哈希表对体素进行二次编码,在后续自注意力计算过程中有效提高了搜索相关体素的效率;然后,VSAA网络将自注意力机制应用到体素层面,从而获取到丰富的全局信息和深层次的上下文语义信息;最后,将VSAA网络应用在基准算法SECOND和PV-RCNN上,进而提出了VA-SECOND和VA-PVRCNN算法,并通过融合VSAA网络与CNN特征弥补了CNN感受野小的缺点,增强了检测算法对整个空间场景的理解能力。在KITTI数据集上的实验结果表明:相比于基准算法,VA-SECOND和VA-PVRCNN算法对所有检测目标的平均检测精度分别提高了1.16百分点和1.54百分点,证明了VSAA网络的有效性。

关键词： 目标检测   机织物疵点   YOLOv7   小目标语义   注意力机制  

摘要： 针对在机织物检测中,现有算法对于小目标的机织物疵点检测效果不佳,同时图像受噪声、类别不均影响导致算法学习困难、精度低的现状,提出使用一种可学习数据增强网络与YOLOv7直接相连,实现端到端训练,使输入图像能够在训练过程中得到转译,以提高图像的输入质量。设计了一种核选择注意力机制,并将其嵌入到YOLOv7的小目标检测头中,使网络更加关注小目标的特征。最后,将ELAN模块与一种基于像素的Transformer相结合,形成了ELAN⁃Transformer,并将其引入到YOLOv7的骨干网络中,克服ELAN模块在处理小疵点区域时的局限性,使网络对疵点区域的语义感知能力得到显著增强,提高了对疵点目标的准确性和鲁棒性。试验结果表明:在包含微小机织物疵点数据集上测试,该研究算法能更好地检出小目标机织物疵点,mAP@0.5达到95.2%,精度达到95.5%,召回率相比于原YOLOv7提升了2.8个百分点,满足纺织企业对机织物微小疵点的检测需求。

关键词： 目标检测   YOLOv7   GSConv   WIoU   特征融合  

摘要： YOLOv7是一种目标检测算法,但其在一些资源受限的设备上可能面临计算和内存压力。为了解决该问题,本文提出了使用GSConv对YOLOv7模型进行改进,在减轻复杂度的同时,添加P2检测层和WIoU损失函数增加模型的检测性能。为了验证我们提出的方法的有效性,我们进行了一系列实验和比较。我们选取了标准的YOLOv7模型作为基准,并使用PASCAL VOC2007公开数据集进行训练和测试。实验结果表明,相较于标准模型,本文提出的模型可以显著减少参数量,同时保持较高的检测精度,为在资源受限的设备上部署和运行YOLOv7模型提供了可行的解决方案。YOLOv7 is an object detection algorithm, but it may encounter computational and memory pressures on certain resource-constrained devices. To tackle this challenge, this paper proposes enhancing the YOLOv7 model using GSConv, incorporating a P2 detection layer and a WIoU loss function to bolster the model’s detection capabilities while minimizing complexity. To validate the efficacy of our approach, we conducted a series of experiments and comparisons. We adopted the standard YOLOv7 model as the baseline and trained and tested it using the PASCAL VOC2007 public dataset. The experimental results demonstrate that, compared to the standard model, our proposed model can significantly reduce the number of parameters while maintaining high detection accuracy, offering a viable solution for deploying and running the YOLOv7 model on resource-limited devices.

关键词： 数据异常   时频分析   计算机视觉   桥梁健康监测  

摘要： 针对桥梁健康监测系统中因设备故障、环境影响等导致部分监测数据产生异常,将时频分析和计算机视觉相结合,用于监测数据的异常检测。首先根据监测数据时域图像对其进行类型划分和标记,采用时频分析法实现监测数据样本可视化,制备图像数据库用于构建和训练深度神经网络模型。然后利用深度学习框架搭建ResNet18神经网络模型,通过反向传播机制和Adam优化算法优化模型权重参数,使用批标准化、数据增强等方法提高模型准确率和泛化能力。最后使用完成训练的模型对桥梁监测数据样本进行异常检测,验证模型性能。结果表明,所提方法对监测数据异常检测准确率为95.62%,对其他桥梁的监测数据样本检测准确率为95.28%,具有良好的稳定性和识别性能。

关键词： 目标检测   航拍图像   YOLOv8   模型剪枝   TensorRT加速  

摘要： 针对无人机嵌入式平台计算资源受限的挑战,为实现高准确率和轻量化的实时无人机航拍目标检测,提出了改进YOLOv8的轻量级航拍目标检测算法。引入分离增强注意力模块(Separated and Enhancement Attention Module, SEAM)缓解航拍图像中的目标遮挡问题;增设针对小目标的检测层,提高小目标的检测精度;将Ghost模块融入C2f模块,形成C2f-Ghost模块,显著降低了模型参数量;对改进网络进行全局通道剪枝,在保证检测准确率的同时进一步压缩模型参数量;将剪枝后的模型部署于Jetson Xavier NX嵌入式平台,使用TensorRT加速模型推理。在VisDrone2019数据集上进行实验,综合指标超越了对比算法,平均检测精度达到53.6%,提升了4.1%,模型参数量和计算量分别减少88.4%和50.1%,在嵌入式平台上检测速度为24.17帧/秒,验证了该方法的有效性。

关键词： YOLOv5   小目标检测   Wise IoU   大型可分离核注意力   归一化Wasserstein距离  

摘要： 针对小目标图像像素低、背景复杂和特征难提取等问题,提出改进的YOLOv5小目标检测模型.首先,为扩大感受野,增强模型多尺度特征提取能力,基于CSP(Cross Stage Partial)思想,在YOLOv5s模型的SPPF模块中,引入相似性注意力(Similarity-based Attention Mechanism,SimAM)和大型可分离核注意力(Large Separable Kernel Attention,LSKA),组成大核注意力的金字塔池化方法(LK-SPPF);其次,为解决锚框质量和位置偏差的问题,使用能聚焦普通质量锚框的WIoU损失函数,在此基础上,增加归一化Wasserstein距离NWD(Normalized Wasserstein Distance)指标,即WIoU-NWD损失函数;最后,为进一步增强检测头表示能力,获取更有用的小目标特征,在检测头使用融入自注意力的大尺度特征图.本模型在VisDrone2019数据集上进行实验,结果显示,与YOLOv5s相比,该模型的F1-score、mAP@0.5和mAP@0.5:0.95分别提高了8.6%、9.9%和7.2%,表明该模型能准确地对小目标进行检测.

关键词： 变电站作业违章   目标检测   行为辨识   行为跟踪  

摘要： 变电站作业环境复杂多变,存在大量的电气设备和复杂的作业流程,使得准确识别工作人员的违章行为变得尤为困难。为了提高变电站作业安全,适应复杂环境需求,提出一种基于改进ByteTrack算法的变电站作业违章行为辨识方法。通过YOLOv3网络获得目标特征张量,判断变电站是否存在作业人员,检测出作业目标。采用ByteTrack算法预测下一帧目标框信息,计算目标位置,结合匈牙利算法更新目标位置信息与参数矩阵,得到行为跟踪轨迹结果。构建作业人员行为辨识模型得出作业行为辨识结果,根据历史违章行为姿态与目标行为辨识结果的相似度阈值,完成变电站作业违章行为的最终辨识。通过实验证明,在复杂作业环境下,所提算法能够实现变电站作业违章行为的精准辨识,有利于保证工作人员安全,避免出现重大事故。

关键词： 图像处理   图像拼接   图像配准   图像融合   智慧渔场   数模融合  

摘要： 对于智慧渔场管理中面对较大空间范围的全局实时监测需求,监控视频图像拼接可以解决由于监控视频零散造成的应对不及时甚至误判等问题。针对智慧渔场视频图像拼接过程中图像配准耗时长、特征匹配率低、图像特征纹理弱等问题,本文设计一种BRISK(Binary Robust Invariant Scalable Keypoints)+GMS(Grid-based Motion Statistics)组合式图像配准算法。在BRISK快速提取特征点的基础上,使用结合双向匹配策略的GMS-RANSAC(Random Sample Consensus)算法筛选优秀特征点对,使得后续的图像融合更加平滑自然。为了解决图像融合过程出现的拼接缝、重影等问题,本文设计一种结合改进渐入渐出融合算法的最佳缝合线算法,优化最佳缝合线算法中的能量函数,引入HSV(Hue,Saturation,Value)色彩空间中的色彩饱和度代替色差强度,使得图像拼接在最小色差区域进行,同时优化渐入渐出融合算法中的权值函数,从而消除缝合线以及重影现象,使图像融合中的图像过渡更加平滑自然。实验验证了图像配准阶段和图像融合阶段算法在视频图像拼接系统中的可行性和实用性。

关键词： 深度学习   智能视频监控   目标检测   行为分析   异常预警  

摘要： 随着社会安全需求的提升及人工智能技术的发展,智能视频监控系统成为保障公共安全的重要手段。设计了一个基于深度学习的智能视频监控系统,其功能模块设计包括目标检测功能、行为分析功能和异常预警功能;硬件模块设计包括图像采集设备、数据处理单元和存储与传输模块。经过系统测试,该系统能够有效地进行目标检测、行为分析和异常预警,提高了监控系统的性能。