关键词： 口腔全景X光片   口腔疾病   目标检测   双向注意力特征金字塔网络   多标签损失函数  

摘要： 目前,口腔疾病的患病率和发病率逐年增长,口腔疾病患病者术后缺乏定期检查意识导致病情复发,早期发现可以提前预防口腔疾病的发作或者降低治疗难度,术后定期检查可以降低病情复发概率。然而,口腔疾病病例特征复杂,仅靠口腔医师人工阅片存在个人主观误差,导致误诊漏诊。尽管各医学领域的自动诊断取得了进步,但由于相关数据集的缺乏,加上口腔异常的多样性和复杂性,口腔异常目标检测仍是一项巨大挑战。针对当前口腔相关数据集较少的问题,提出了一个新的口腔全景X光片数据集,其中包含1600张具有标准诊断注释标签的口腔全景X光片。此外,还针对该数据集提出了一个深度学习目标检测框架以实现9类口腔疾病智能化、自动化诊断。ResNet提取口腔疾病特征,双向注意力特征金字塔融合网络从多层次特征图中自适应捕获丰富的上下文信息,从而提高不同尺度的口腔异常疾病检测泛化能力,RPN网络进行口腔疾病区域生成,回归分类网络中通过一个多标签损失函数以降低标签竞争。该框架在所提出的数据集上可以准确地检测9类口腔疾病,各类疾病检测平均精度较基础模型都有不同程度的提升,mAP达82.5%。

关键词： 无人机目标检测   RT-DETR   单头自注意力   边界特征增强  

摘要： 针对无人机视角下背景复杂、小目标比例较高且样本不平衡等问题,提出一种基于改进RT-DETR的无人机目标检测算法MBFE-DETR。设计一种基于C2f和单头自注意力模块的轻量化主干网络,降低模型参数量的同时提升网络的特征提取能力。提出多尺度边界特征增强协同网络MBFECN,通过其特有的多尺度边界特征增强机制和高效特征融合策略,解决了原模型在保持小目标边界细节方面的不足。引入Focaler-MPDIoU考虑框的位置匹配关系,同时通过线性区间映射重构原有IoU损失,使模型在复杂场景下的定位效果更好。针对样本不平衡的问题,采用新的分类损失函数ESVLoss,对分类损失值进行分段加权调整,并结合指数移动平均机制对权重进行动态平滑更新,使模型更具适应性。实验结果表明,在VisDrone2019-DET和DOTAv1.0数据集上,MBFE-DETR算法的mAP50分别提升3.9和2.9个百分点,同时参数量减少了21.6%。

关键词： 溺水检测   多人姿态估计   目标检测   YOLOv5   OpenPose   深度学习  

摘要： 溺水检测对于及时挽救生命、保障水域安全具有重要意义。由于水体导致图像畸变和清晰度降低,当前基于深度学习的溺水检测技术存在漏报和误报等问题。为了提升溺水检测的准确性,文章将深度学习领域的多人姿态估计与目标检测技术相结合:首先采用OpenPose算法精确捕捉游泳者的关键骨骼点信息,有效降低环境因素干扰;然后结合多样化的数据增强技术,利用YOLOv5算法对潜在的溺水行为进行分析和识别。基于NVIDIA Jetson Nano处理器开发了溺水检测系统,以验证该技术的性能。实验结果表明,该检测系统在准确性和实时性方面均表现优异,为水域安全监控提供了有效的技术解决方案。

关键词： 目标跟踪   SiamRPN   坐标注意力机制   多头注意力机制   逐深度互相关  

摘要： 目标跟踪的本质是通过分析目标在连续帧中的位置和特征,实现目标在时间和空间维度上的连续追踪,跟踪过程依赖于视频序列中目标的连贯性特征变化和目标与背景的区别程度。现有的孪生网络跟踪器不能捕获目标的空间位置信息,无法有效利用视频序列中的长距离依赖关系和全局特征,在面临目标形变、快速移动、遮挡、背景干扰等问题时会导致跟踪框的漂移或者跟踪失败。在SiamRPN++模型基础上,提出一种融合坐标注意力与多头自注意力机制的单目标孪生网络跟踪模型。通过坐标注意力机制捕获提取的模板和搜索区域特征图中目标的空间位置信息,后续利用多头注意力机制提取全局特征和中长距离的依赖特征,再进行逐深度互相关操作,有效提高了模型的特征表示能力。在OTB100、V0T2016、VOT2018数据集上进行测试,结果表明,该模型相比基准算法在3个数据集上的精度分别提高了0.7%、0.5%、1.6%,充分验证了模型的有效性。

关键词： 机器视觉   深度学习   目标检测   图像分割   螺栓检测   结构健康监测   YOLOv7   角度测量  

摘要： 针对传统人工螺栓损伤检测效率低下等问题,本文提出一种基于深度学习与图像处理技术的检测算法,该算法能够检测出螺栓的正常、缺失、松动和锈蚀4种状态,并且对于难以识别的轻微松动状态也能做出针对性处理。该算法可分为2个部分:第1分支,对单阶段的目标检测算法YOLOv7-tiny进行改进,提出两阶段的YOLOv7-tiny-CM算法,直接进行螺栓损伤检测;第2分支,针对轻微松动情况,利用U-Net算法与图像处理技术直接检测出螺栓松动角度。经实验验证,第1分支所提的两阶段YOLOv7-tiny-CM算法在保持较低计算量的同时,能够达到更精准的检测性能;第2分支所提的松动识别算法能够直接计算出螺栓松动角度,不论是单螺栓识别还是多螺栓识别,误差均在1.7°以内。研究结果对于实际工程项目中的螺栓损伤检测有一定的参考价值。

关键词： 占道经营   城市管理   目标检测   计算机视觉  

摘要： 为了提升城市管理中占道经营行为的自动识别效率,构建融合多尺度特征增强、注意力机制优化与改进后处理策略的目标检测算法,以城市道路场景图像为基础,研究数据采集、标注规范与多维数据增强方法,设计改进型YOLOv5检测框架并进行模块级优化。分析认为,所提算法在复杂遮挡、多类别不均衡及小目标检测中具备更强鲁棒性与精度表现,在推理效率与部署适配性方面表现出良好平衡,适用于数字化城市管理场景中实时占道经营识别任务。

关键词： 船载地波雷达   目标检测   Mask R-CNN   实例分割   注意力机制  

摘要： 船载地波雷达易受复杂海况和平台运动的影响,导致其对海上船只目标的检测能力降低,尤其是对密集多目标区和弱目标区的探测更加困难。针对上述问题,本文提出一种改进实例分割区域卷积神经网络(Mask Region Convolutional Neural Network,Mask R-CNN)的船载地波雷达目标检测方法。首先,构建船载地波雷达距离-多普勒谱数据集,发展了船载地波雷达船只目标样本自适应特征提取算法;然后,将Mask R-CNN引入船载地波雷达距离-多普勒谱图的目标检测和实例分割,进而结合卷积块的注意力机制实现目标回波深层特性信息的挖掘;最后,通过实测数据和船舶自动识别系统对本文方法进行验证。实验结果表明:与Mask R-CNN、YOLOv7和背景识别CFAR方法相比,本文提出的方法不仅减少了常规背景下的目标漏检情况,而且能够有效检测强海杂波干扰下的弱目标以及多船只回波相互重叠的聚集区域目标,提高了船载地波雷达对海上船只目标的探测能力。

关键词： 目标检测   注意力机制   轻量级模型   NanoDet-f  

摘要： 目标检测算法广泛应用于监控、自动驾驶和工业机器人等领域,但边缘设备的计算和功耗限制对模型轻量化、精度和速度提出了挑战。为此,本研究提出轻量级目标检测模型NanoDet-f,采用注意力机制和创新的FAN特征融合模块,在保证高效推理的同时提升精度。实验在NVIDIA RTX 3090上进行,结果显示该模型AP@0.5达85.9%,且推理速度快,适用于边缘设备部署,对于在实际工程应用中部署轻量级模型具有重要的参考价值。

关键词： 计算机视觉   工业机器人   智能分拣系统  

摘要： 随着工业信息化纵深推进,计算机视觉驱动的智能机器人分拣系统成为智能制造关键技术路径之一。分析了计算机视觉技术基本原理,研究了智能机器人分拣系统中基于深度学习的计算机视觉模块、基于数字孪生的路径规划模块与基于自愈式抓取的智能抓取模块设计方案,提出了集感知、决策、执行为一体的分拣系统体系结构,旨在实现复杂工况下高鲁棒性、高自适应性的机器人分拣任务闭环控制与动态协同。