关键词： 计算机视觉   硬件解码器   Triton推理框架   处理中心  

摘要： 阐述了计算机视觉算法技术背景及其在处理中心的应用场景,分析了计算机视觉算法数据处理流程,提出一种基于硬件编码器及Triton的部署方案,为后续算法推广提供参考。

关键词： 无人机巡检   边缘嵌入   目标检测  

摘要： 随着无人机技术的快速发展,无人机在巡检领域的应用日益广泛,特别是在电力、建筑等行业。无人机巡检可以大幅提高巡检效率,减少人力成本,并能在复杂环境中进行高效作业。然而,传统的无人机巡检方法依赖于人工识别,存在效率低、易出错等问题。无人机技术结合深度学习目标识别的应用,可以显著提高巡检效率和准确性。本文旨在开发一种基于深度学习的无人机巡检边缘嵌入式目标识别模型,将其部署在无人机边缘设备上,实时地从航拍视频流中检测和识别目标,为巡检提供高效、精准的解决方案。

关键词： 船只目标检测   轻量化网络   Yolov4算法   Ghost卷积   实时检测  

摘要： 针对水面船只目标检测计算量大、检测帧率较低的问题,设计了一个改进Yolov4的网络轻量化算法。首先,提出DWG模块,利用该模块和Ghost卷积构成Yolov4新主干,降低网络模型的大小。其次,在颈部网络前添加SE注意力机制,并将颈部网络简化为FPN结构,提高检测帧率。最后,引入Mish函数替换原网络的激活函数,并利用Focal Loss对损失函数进行优化。实验结果表明,改进后的算法相比原算法,参数量缩减93.2%,计算量减少95.1%,检测速率提升3.2倍,能够实现水面船只的实时检测。

关键词： 交通管控   目标检测   不同车型   深度学习   交通流速度模型  

摘要： 针对传统目标检测跟踪算法识别精度低,实时性差等缺点,提出了一种基于YOLOv5s和DeepSort算法模型的视频车辆实时车流量和速度检测方法。构建了包含25 877个目标样本的数据集,采用YOLOv5s算法模型实现视频车辆的检测,利用DeepSort算法对车辆进行跟踪计数与测速,实现了路段监控对车辆的实时检测。基于深度学习获取的速度与交通量数据,构建了不同车型对交通流速度影响模型,探究畅通状态、稳定状态、拥挤状态下车型的速度与交通量之间的关系,结果表明:算法模型对视频车辆的检测效果良好,平均准确度达到91.4%;不同状态下,车型对交通量速度的影响程度不同;畅通状态和稳定状态下,出租车的速度对交通量影响较大;拥挤状态下,私家车的车速受交通量影响较大。

关键词： 场景图生成   Transformer模型   多模态   对比学习   目标检测  

摘要： 场景图生成方法(SGG)主要研究图像中的实体及其关系,广泛应用于视觉理解与图像检索等领域。现有的场景图生成方法受限于视觉特征或单一视觉概念,导致关系识别准确率较低,且需要大量的人工标注。为解决上述问题,文中融合图像和文本特征,提出了一种基于多模态对比学习的场景图生成方法MCL-SG(Multimodal Contrastive Learning for Scene Graph)。首先,对图像和文本输入进行特征提取,得到图像和文本特征;然后,使用Transformer Encoder编码器对特征向量进行编码和融合;最后,采用对比学习的自监督策略,计算图像和文本特征的相似度,通过最小化正样本和负样本之间的相似度差异完成训练,无需人工标注。通过大型场景图生成公开数据集VG(Visual Genome)的3个不同层次子任务(即SGDet,SGCls和PredCls)的实验表明:在mean Recall@100指标中,MCL-SG的场景图检测准确率提升9.8%,场景图分类准确率提升14.0%,关系分类准确率提升8.9%,从而证明了MCL-SG的有效性。

关键词： 无人机   输电线路   巡检   图像处理技术  

摘要： 我国输电网架设十分广泛,输电线路的运行状态直接关系到整个电网的安全。传统的人工巡检方式效率低下,并存在安全风险。近年来,无人机技术的兴起为输电线路的巡检带来了革命性的变化。无人机通过搭载高清摄像头,能够快速获取输电线路的图像资料,图像处理技术的应用则进一步提升了巡检的效率和准确性。基于此,本文对无人机加以研究,明确其在输电线路巡检中的意义与优势,同时,重点说明图像处理技术在实际巡检中的具体应用,提升线路巡检效率。

关键词： 目标检测   路面坑槽   改进RT-DETR   渐进特征金字塔网络   结构重参数化  

摘要： 路面坑槽对驾驶的舒适性和安全性有很大影响。针对路面图像中坑槽尺寸小和特征信息匮乏导致检测精度低的问题,提出一种基于RT-DETR的路面坑槽检测模型Pavement Pothole-DETR(PP-DETR)。其主干网络使用SPDRSFE模块进行特征提取,可保留更多特征信息,提高小目标检测精度;引入渐进特征金字塔网络实现特征融合,避免多级传输造成的信息丢失,以解决坑槽特征信息主要集中在中、底特征层的问题;使用结构重参数化模块Conv3XCC3进行特征再提取,在提高网络表达能力的同时又不增加计算量。实验结果显示,相比原RT-DETR模型,PP-DETR的精确率与召回率分别提升了2.9和5.4个百分点,mAP达到76.9%。本文提出的改进方法有效提升了网络的特征提取和特征融合能力,在路面坑槽检测任务上的表现明显优于YOLO系列模型。

关键词： 深度学习   目标检测   YOLO   Faster RCNN   食源性致病菌   注意力机制  

摘要： 食源性致病菌是冷藏食品威胁人类健康的主要病原菌之一,是食品卫生微生物检验中的必查项目。细菌识别的传统方法需要在细菌培养的国标时间到达后由肉眼观察并计数,观察者极易因眼睛疲劳导致错误计数,费时费力;而且传统方法需要特殊试剂进行细菌检测,成本较高,需要专业知识进行操作。为快速准确检测细菌小目标,本文提出一种新型食源性致病菌检测方法——CBAM^(1,2,3)-YOLOv7,首先利用工业照相机代替显微镜拍摄图像,并将捕捉到的单增李斯特菌图像输入到优化后的模型中进行识别,该模型在YOLOv7模型的基础上加入CBAM注意力机制,使模型在通道域上更加敏感,增强了特征提取能力。为增强对比性,将同样的图像分别输入到Faster RCNN、YOLOv4、YOLOv5、YOLOv7深度学习模型中进行训练。优化后的模型较YOLOv7平均准确率提升了0.52个百分点、召回率提升了0.27个百分点。试验证明CBAM^(1,2,3)-YOLOv7算法可以实现对单增李斯特菌的高精度识别,对其他食源性致病菌的快速检测具有指导意义和参考价值。

关键词： 目标跟踪   孪生网络   并行注意力机制   卷积网络  

摘要： 针对复杂环境下全卷积孪生网络跟踪算法低鲁棒性的问题,在分析和实验基础上提出基于Transformer编码器和并行注意力强化的孪生网络跟踪算法。首先,引入并行注意力机制,聚焦于目标在不同特征通道的权重差异和特征通道之间的依赖关系,以此来调整跟踪器的关注重心;其次,利用改进的VGG16作为特征提取主干网络,充分挖掘特征中的有效目标信息;最后,利用改进的Transformer编码器的长时序全局上下文信息建模的优势结合卷积网络对局部上下文信息的建模优势,在引入低参数量的同时进一步增强模型对目标信息的理解能力。在OTB100、UAV123公开数据集上进行了大量实验,实验结果表明,算法与主流基于孪生网络的跟踪算法相比性能有了显著提升,在复杂环境下也能对目标进行有效跟踪,且达到了每秒42帧的实时跟踪速度。

关键词： 道路坑洞   目标检测   图像特征提取   多尺度特征融合   模型轻量化  

摘要： 道路坑洞的有效识别不仅可以提高驾乘人员的乘车舒适度,更能够为行车安全提供有力保障。针对道路坑洞检测中存在识别准确率低、检测速度慢的问题,提出一种多尺度特征融合的轻量级道路坑洞检测算法。该算法以单极多框检测器为框架,采用MobileNetV2作为特征提取骨干网络,同时将骨干网络层中3个尺度依次递减的特征层进行特征融合。实验结果表明,所提出算法的检测精度达到94.18%,相比原始算法提升7.59%,算法参数量仅为2.24 M,适用于小型嵌入式边缘计算设备,可为道路坑洞高效检测提供参考。