关键词： 变电设备   红外图像   目标识别与检测   计算机视觉   深度学习  

摘要： 变电站设备准确的红外热图像识别与检测是其温度状态智能分析的先决条件。为了克服复杂背景的干扰,提出了改进的轻量级YOLOv7方法,以提高在复杂红外背景下变电站设备的识别效果。提出的方法引入了高分辨率P2检测头来改进小目标检测,无参数注意模块SimAM在复杂红外背景中更好地提取不同变电设备目标特征,CARAFE模块在上采样过程中减少特征信息的损失,进一步增强算法的鲁棒性。实验及测试结果显示提出的模型比原始YOLOv7-tiny高出2.6%检测精度,实现了101 FPS(帧数)的实时推理速度,证明了所提出的模型在变电站设备的红外图像目标识别方面的优势,特别是较小的变电设备,并且提出的模型比其他轻量级模型拥有更高的识别检测精度。

关键词： 异物侵限检测   深度学习   目标检测   YOLOv8算法   CBAM注意力机制   EIoU   RepConv  

摘要： 快速、准确地从监控影像中检测侵入铁路的异物对保障列车运行安全具有重要意义。针对列车运行过程中出现的小型目标和与背景相似度较高的物体难以被准确识别的问题,提出一种改进的YOLOv8算法,可快速、准确地检测铁路图像中的侵限。首先,在Backbone网络主干层引入CBAM注意力机制,提高轨道异物特征提取速度,令模型更加关注于图像中的关键特征,同时抑制不相关的铁路背景信息。其次,针对模型中CIoU损失函数在宽高比上的模糊定义问题,将EIOU损失函数替代原有的损失函数,最小化目标框与锚盒的宽度和高度之差,提高边界框回归的精度的同时加快模型的收敛。最后利用分组卷积对传统目标检测头进行优化,在不损耗模型精度的情况下提高模型的效率,令模型在实际应用中具有更好的性能。实验结果表明,改进的YOLOv8算法在数据集上的mAP值达到96.2%,在检测精度上达到较高的水准,证明该模型在现实生活中具有应用价值。

关键词： YOLO   动植物表型   目标检测   关键点检测   目标分割   轻量化  

摘要： 动植物表型是动植物特征与性状的定量描述,表型特征的精准计算与分析是推进数字农业发展的重要基础。得益于深度学习技术的迅猛发展,以YOLO系列算法为代表的计算机视觉模型在动植物表型分析任务中展现出了优良性能和巨大潜力。以家畜类、家禽类、作物类、果蔬类等动植物为对象,分别从目标检测、关键点检测、目标分割3方面概述了YOLO系列算法应用研究进展。最后指出YOLO系列算法未来发展趋势,包括轻量化架构设计、小目标精准检测、弱监督学习、复杂场景部署、大模型目标检测等。

关键词： 遥感图像   有向目标检测   Oriented RepPoints   注意力机制   损失函数  

摘要： 为解决Oriented RepPoints算法在遥感图像有向目标检测中因遥感图像背景干扰信息较多和目标尺度大小不一所导致的检测精度不高、易漏检误检等问题,提出一种改进Oriented RepPoints的遥感图像有向目标检测方法MA-RPDet(Mixed Attention RepPoints Detector).首先,采用了PVTv2作为主干网络,该网络利用线性空间缩减自注意力机制提取出更具局部连续性的特征图,并保持与卷积运算类似的线性复杂度.其次,在特征融合阶段设计了串联性混合注意力模块,进一步强化了重要特征,促进了多尺度特征的高效交互.最后,引入平滑GIoU损失函数对模型学习策略进行优化,提高了检测精度.在两个遥感图像目标检测数据集DOTA和HRSC2016上的实验结果表明,所提方法的检测精度mAP分别达到了77.19%和90.3%,均高于其他对比算法,证明了本文方法的有效性.

关键词： 三维单目标跟踪   极坐标特征表示   前景注意力   深度学习  

摘要： 目前主流的三维单目标跟踪方法是通过匹配模板与搜索区域的特征来跟踪目标,因而,模板和搜索区域的特征提取与匹配十分重要。但是,当前主流方法提取到的点云特征具有方向敏感性,会对后续的特征匹配以及检测产生不良影响。为了缓解上述问题,论文提出了基于极坐标表示与前景注意力机制的三维单目标跟踪网络。该模型通过极坐标空间变换帮助网络学习具有旋转不变性的点云特征。此外,前景点数量稀少会导致跟踪模型无法充分关注前景目标。为此,论文提出了前景权重增强模块,使得三维跟踪模型能更好地跟踪前景物体。论文在KITTI以及NuScenes数据集上进行的大量实验的结果表明,论文方法在汽车类别上,比基准方法分别提升了3.9%、7.6%与2.5%、8.0%的准确率与成功率。

关键词： 雷达目标检测   低信杂比   信息几何   矩阵流形   流形变换  

摘要： 基于信息几何的目标检测方法为解决雷达目标检测问题提供了新的技术途径。该文以矩阵信息几何理论为基础,考虑复杂非均匀环境下,回波信杂比低,目标与杂波在矩阵流形上区分性差,导致传统信息几何检测器性能受限的问题,提出一种基于流形变换的信息几何检测器。具体地,该文建立了流形到流形映射变换,并提出待检测单元与杂波中心的几何距离联合优化方法,从而增强变换后流形上目标与杂波的区分性。通过仿真和实测数据验证,所提方法具有较好检测性能。基于仿真数据实验,当信杂比高于1 dB时,所提方法的检测概率可以达到60%以上,同时,实测数据验证结果表明,当检测概率达到80%时,相较于传统信息几何检测器,该文所提检测器能够提升检测信杂比为3~6 dB。

关键词： 深度学习   计算机视觉   图像识别   卷积神经网络(CNN)   残差网络(ResNet)  

摘要： 研究主要探讨基于深度学习的计算机图像识别技术的发展与应用。文章首先概述了图像识别技术在深度学习领域的快速发展和应用前景,重点介绍了神经网络的演变过程,特别是卷积神经网络(CNN)和残差网络(ResNet)的技术进步及其在图像识别中的应用。接着,分析了深度学习在医疗、自动驾驶及公共安全等不同行业的实际应用案例。最后,文章探讨了图像识别技术在数据偏见、模型可解释性及计算成本等方面的挑战,并提出了未来研究方向。

关键词： 旋转目标检测   注意力机制   优化损失函数   改进概率霍夫变换  

摘要： 针对指针表图像中刻度线与指针精确定位困难及在复杂环境下易出现误检和漏检的问题,提出一种基于改进旋转目标检测模型的指针表读数全自动识别方法。首先以YOLOv5s网络为基础,设计了高效的通道与空间注意力融合模块,以提升表盘示数特征提取能力;其次设计了E-CIoU Loss以优化损失函数,增强指针边界框回归能力;同时,引入环形平滑标签以适应旋转目标检测任务;然后,利用改进的概率霍夫变换实现指针精确重定位;最后,利用极坐标平面上指针和刻度线的相对位置关系计算读数识别结果。实验结果表明:与基准模型相比,该方法有效提升了表盘示数特征检测精度,mAP值达到了96.8%,且最终读数识别平均相对误差达到了0.52%,可满足实际应用需求。

关键词： YOLOv5s算法   民机可视导航   多尺度目标检测   特征融合网络   解耦检测头  

摘要： 民航飞机视觉辅助驾驶系统通过机载视觉传感器获取周边威胁态势信息,为飞行员提供辅助决策等信息,但是机载视觉传感器获取的机场场面威胁目标尺度变化大,且机载平台算力有限,现有的目标检测方法难以满足视觉辅助驾驶需求.针对上述问题,提出一种基于YOLOv5s算法的轻量化多尺度目标检测算法.首先,为增强场面小目标的特征表达,在加权双向特征金字塔网络(BIFPN)基础上,引入坐标注意力(CA)机制,设计CA-BIFPN特征融合网络,提高模型对多种尺度目标的学习能力.然后,设计GSConv解耦检测头,相互独立优化分类和回归目标,提高目标检测的精度.设计的跨级部分网络轻量化颈部模块可减少因引入解耦头增加的参数量,大幅提高整体网络的检测速度,实现场面目标实时检测.为了验证算法性能,构建机载视觉传感器滑行视角的实测数据、仿真数据组成的多尺度场面目标数据集.在该数据集上的实验结果表明,所提方法检测精度超过Faster R-CNN、SSD和YOLOv6、YOLOv7、YOLOX等经典多尺度目标检测算法,均值平均精度为71.40%,比YOLOv5s提高4.19个百分点;在机载计算仿真实验平台上,检测帧率达到71帧/s,满足实时检测要求.

关键词： 目标检测   偏振图像融合   雾天天气   YOLOv8   MixSPPF   Multi-scale Module  

摘要： 雾天天气下,车辆和行人目标的准确检测对汽车自动驾驶非常重要。首先通过偏振成像装置采集了0°、45°、90°和135°角度的偏振图像,并通过3种不同的融合方式构建了I04590、stokes和pauli图像数据集。提出一种改进YOLOv8的目标检测算法以提高雾天偏振图像中汽车和行人两类目标的检测准确率。提出一种基于混合池化的MixSPPF结构,改善了原有SPPF结构对全局信息的提取能力;然后基于不同大小的卷积设计了Multiscale Module模块并结合Coordinate Attention注意力机制增强了对空间信息和通道信息的提取。实验结果表明,提出的改进YOLOv8算法获得的全类平均准确率P_(A)@0.5和P_(A)@0.5:0.95分别达到了83.4%和39.3%,比初始YOLOv8算法分别提升了1.6%和0.9%。