关键词： 交通运输规划与管理   深度学习   环境感知   车载图像   目标检测   单目测距  

摘要： 为提高驾驶环境中的车辆目标检测精度与测距稳定性，提出了一种基于深度学习的车辆目标检测与测距方法。以YOLOX-S算法为车辆目标检测框架进行改进：在原算法的基础上引入卷积块注意力模块，增强网络特征表达能力，并将置信度损失函数更换为Focal Loss，降低简单样本训练权重，提高正样本关注度。根据车载相机成像原理和几何关系建立车辆测距模型，并输入测距特征点坐标和相机内参得到测距结果。采用自制Tlab数据集和BDD100K数据集对改进的YOLOX-S算法进行训练与评价，搭建静态测距实验场景对车辆测距模型进行验证。实验结果表明：改进的YOLOX-S算法在实验数据集上检测速度为70.14帧/s，与原算法相比精确率、召回率、F1值、mAP分别提高了0.86%、1.32%、1.09%、1.54%；在纵向50 m、横向11.25 m的测量范围内，平均测距误差保持在3.20%以内。可见，本文方法在满足车辆检测实时性要求的同时，具有良好的车辆测距准确性与稳定性。

关键词： 暗环境   目标检测   Retinex   注意力机制  

摘要： 暗环境目标检测作为计算机视觉领域的一个重要研究方向,专注于运用计算机视觉技术对光照不足图像或视频中的目标物体进行识别与定位。这一技术在夜间自动驾驶、安全监控、军事侦察及医疗影像分析等多个领域中有着重要作用。在暗光场景中,基于常规光照假设构建的传统目标检测模型因图像质量退化及特征表征能力受限,导致检测性能显著下降,因此需开发专门的处理方法来应对此类场景。 为提高暗光场景下目标检测器的检测性能,本文系统研究了暗环境目标检测任务的共性挑战和常用方法,从图像增强驱动和检测器架构优化两个角度分别进行研究设计。在图像增强方向,针对暗光图像因对比度衰减与色彩畸变导致的边缘模糊及细节丢失,从而给暗环境目标检测带来极大困难的问题,本文提出了基于Rentinex理论和混合式学习的图像增强目标检测方法。本方法根据Retinex理论设计了一个暗光图像增强网络(Retinex-Based Decomposition for Object Detection,RDO)用于分解反射分量和光照分量,并将反射分量视为增强图像用于后续的目标检测任务。RDO网络采用正常光解耦器和暗光解耦器的并行双解耦结构,分别处理正常光图像和暗光图像的分解任务。其中,RDO网络的训练采用自监督学习和监督学习的混合式学习方法。此外,为了减少图像分解过程中可能造成的信息损失,本方法还将光照分量通过指导模块辅助目标检测器中的特征提取过程。 在检测器优化方向,针对暗光图像由于整体亮度低导致目标边界难以区分和局部特征无法完整呈现,从而给目标检测器特征提取步骤造成困难的问题,本文在YOLOv3的架构基础上提出了基于自适应通道注意力和非局部注意力的目标检测方法,增强了其在暗环境下的目标检测性能。本方法包含自适应加权通道注意力(Adaptive Weighted Channel Attention,AWCA)模块和三分支非局部注意力检测头(Triple Branch Nonlocal Attention Head,T-NLA)模块。首先,AWAC模块可通过学习通道权重映射,抑制噪声通道并增强判别性特征,并且通过动态门控机制整合多尺度通道注意力。其次,T-NLA模块使用非局部注意力方法计算特征图中所有位置之间的相关性来增强特征表达能力,从而重建目标的空间上下文关系。而其中的三分支结构可以让每个分支能够专注不同的任务,使得各个目标优化更为有效。

关键词： 尺度不变特征转换   图像拼接   YOLOv5模型   目标检测   云数据库  

摘要： 针对目前传统安检方法对于车辆底盘表面藏匿的违禁物品的检测效率低、漏检率高、便携性差等不足，设计了一个基于云端的移动式智能车底藏匿物检测系统，通过机器人、网络通信、图像处理及目标检测等技术，实现藏匿物智能化检测。基于SIFT(Scale-Invariant Feature Transform)算法提取图像特征信息并获取车底局部全景图像，使用YOLOv5(You Only Look Once version 5)深度神经网络模型检测4种车底藏匿物，搭建云数据库存储车辆信息，轮式机器人、上位机、云数据库之间通过TCP/IP(Transmission Control Protocol/Internet Protocol)协议进行通信。经测试，该系统能在特定场景下完成车底藏匿物检测，图像拼接成功率达81.7%,目标检测准确率达83.7%,在车底安检领域具有一定的实用价值。

关键词： 人工智能   医疗健康   计算机视觉   自然语言处理   智慧医疗  

摘要： 得益于政策扶持和技术发展，人工智能在医疗领域可以实现智能诊断、智慧医疗管理等的多重应用。本文对人工智能中的计算机视觉、自然语言处理的部分代表性技术与应用现状进行研究，同时探讨了人工智能在医疗领域落地过程中面临的社会和法律层面的挑战，并提出了相应的解决方向。为未来智慧医疗系统的构建与优化提供参考。

关键词： 自动驾驶   YOLO   目标检测   激光雷达   多传感器融合  

摘要： 随着自动驾驶技术的进步,智能车辆的环境感知系统在面对复杂多变的交通环境时面临挑战,尤其是在夜间或恶劣天气条件下。为了解决这些问题,本文提出了一种基于视觉与激光雷达信息融合的车辆目标检测方法,旨在提升自动驾驶系统在复杂环境中的检测精度和鲁棒性。本文的研究工作主要包括以下几个方面: (1)基于夜间环境下的车辆检测。针对光照条件复杂,车辆易被低亮度、模糊和遮挡等因素所困扰,提出一种基于YOLOv5的改进算法KSC-YOLOv5,从而解决夜间驾驶过程中对其他车辆检测效果不佳的问题。首先,在网络结构的Backbone层中引入SKAttention,通过生成具有不同卷积核大小的多个路径,对应神经元的不同感受野大小,解决模型中的信息重叠和冗余问题。其次,使用内容感知特征重组CARAFE替换模型原始上采样算子,利用底层内容信息来预测重组内核并重新组装预定义的附近区域特征,保证特征图放大后的质量。最后,引入SIOU以促进真实框和预测框的拟合,使得模型能够更准确地定位,提高模型训练速度和推理的准确性。实验结果表明,相比基础模型YOLOv5,改进后的模型KSC-YOLOv5的m AP值提高2%,达到91.2%,P值达到90.3%。 (2)基于雾天环境下的车辆检测。针对在雾天环境下难以捕捉车辆的特征,导致基于深度学习的目标检测网络,在雾天行人车辆检测中出现精度低、鲁棒性差等问题。提出一种基于雾天检测方法—CSM-YOLOv8检测网络。首先,将C2f模块的第一个卷积替换为SA-Net模块。使其能够同时处理不同尺度的特征图,并在特征图之间进行信息交换和整合,模型可以更好地利用多尺度的信息。其次,在网络结构的Backbone层中引入SEAttention注意力机制,SEAttention通过自适应地学习特征通道之间的相关性,可以增强模型对于重要特征的关注程度,捕捉雾天环境下车辆的特征,从而提高了模型的表征能力。最后,加入MHSA模块通过将注意力机制分解成多个头部,从而提高了计算效率。实验结果表明,相比基础模型YOLOv8,改进后的模型CSM-YOLOv5的平均精确度提高1.9%。 (3)基于多传感器的车辆检测。针对单一传感器的局限性,探讨了多传感器融合的关键技术。首先,利用张正友标定法对相机的内参矩阵和畸变系数进行求解,然后对激光雷达与相机进行联合标定,完成多传感器的标定。随后,利用联合标定得到的外参矩阵将三维点云投影到图像上,并设计融合算法完成基于三维点云与图像检测结果之间的融合。最后,根据融合结果判断该目标是否为目标对象。

关键词： 交通场景   目标检测   异步数据融合   时序信息   在线更新  

摘要： 目标检测技术基于图像或点云等数据,可以识别道路上的车辆、行人等交通参与者以及道路标志和其他环境信息,为智能交通系统和自动驾驶车辆提供了关键的环境感知数据支持。近年来,相机和激光雷达等传感器的性能提升以及大规模真实交通场景的数据采集积累,推动了目标检测的发展和应用,辅助自动驾驶日渐成熟。 但是交通场景具有天气光照多变、车流及人流密集等复杂动态特性,完全自主的自动驾驶对目标检测的性能提出了更高的要求,仅使用单一传感器进行感知存在一定的局限性,基于图像和点云融合的目标检测方法成为研究热点。然而,现有融合方法在图像信息的有效提取及利用、真实交通场景异构数据表征和异步多模态数据融合、动态交通场景自适应等方面仍然存在明显不足。 本文以图像和点云融合为核心思想,系统性解决上述交通场景目标检测存在的问题。本文的主要贡献总结如下: 1.针对交通场景目标检测中图像信息未得到有效提取及利用导致的目标类别判断错误率高及小目标检测性能差的问题,本文提出一种平衡语义和空间信息的图像目标检测方法,为后续的图像和点云融合奠定基础。具体而言,在特征连通性方面,设计了一个基于中间特征图的多尺度特征选择模块,将自上向下和直接向上采样相结合,充分提取目标语义信息的同时保留清晰的空间信息。在特征强度方面,设计了一个密集的自学习多尺度融合网络,该网络可以自动学习特征图系数,并有效地测量融合过程中不同特征的重要性。基于目标检测基准数据集KITTI、VOC、COCO进行方法对比验证了模型的有效性,可有效提升小目标检测性能。 2.引入点云信息,本文提出了一种图像和点云双向引导交互的多模态三维目标检测方法,缓解了真实交通场景异构数据表征问题及异步多模态数据融合问题。为了克服异步多模态数据中的点云稀疏性问题,设计了一种基于视觉引导和点云密度引导的目标级点云稠密化方案。针对异步多模态数据融合问题,设计了一种点云引导的图像上下文信息交互模块来增强点云特征。同时设计了一种图像引导的点云关键点交互模块,减少对目标的错误和缺失检测。基于VANJEE数据集和KITTI数据集进行了广泛的对比实验和消融研究,充分证明了提出算法的有效性。 3.引入时序信息,本文提出了一种异步注意力机制驱动的时序多模态三维目标检测方法,缓解了真实交通场景异构数据表征问题及真实交通场景的异步多模态数据融合问题。基于图像和序列点云,设计了一种双向交互的异步时序注意力机制模型,通过提取具有时空相关性的全局和局部特征,可以处理时空异步多模态数据。此外,针对研究内容二点云密度引导存在的目标位置不精确问题,结合视觉引导和光流估计,获得目标的移动范围生成虚拟点云,进一步克服了异步多模态数据中的稀疏性问题。基于VANJEE数据集和V2X-Seq数据集验证了模型的有效性。 4.从在线更新的研究角度,本文提出了一种交互式在线更新的时序多模态三维目标检测方法以适应交通场景的高动态特性。为更加全面的感知环境并减少时序目标检测计算量,基于环视视角构建时序目标特征存储库,有效避免特征的重复提取并使空间信息得到充分的利用。设计交互式在线更新机制,根据类别一致性检验及位置一致性检验,构建语义和运动引导的时间建模模块,实现交互式时序多模态融合模型在线更新。基于nu Scenes数据集验证了模型有效性,通过长序列建模可提升小目标检测性能。

关键词： 计算机视觉   计量设备   状态监测   设备故障诊断  

摘要： 阐述基于计算机视觉技术，探讨深度学习的目标检测算法在电力计量设备状态监测中的应用，介绍图像获取处理和识别技术，分析故障诊断与预测的实现方法，为计量设备状态预测与维护提供参考。