关键词： 计算机视觉   图像分割   轻量级骨干网络   多层级特征融合   多尺度特征融合  

摘要： 针对自动驾驶视觉图像输入,提出了基于多层级多尺度特征融合的轻量级语义分割算法。算法采用编码器解码器架构,首先研究了低下采样率的编码器骨干网络。网络基于轻量级卷积模块,并采用不同深度的卷积层输出相同分辨率特征图,从而生成多层级的语义特征;其次研究了基于多特征融合的语义分割解码器,解码器设计包含多尺度特征融合模块和多层级特征融合模块两部分,结合多尺度特征和通道注意力机制,提取并融合编码器输出特征,最终生成分割结果。

关键词： 目标检测   红外弱小目标   YOLOv5s   TCC模块   Ghost模块  

摘要： 针对复杂背景下红外场景对比度低、特征不足、细节不清而导致的目标检测效率低的问题,在YOLOv5s模型基础上通过创建TCC(two-way convolution and Concat)模块并引入华为Ghost模块,提出了一种基于改进YOLOv5s模型的红外弱小目标检测方法。首先,结合红外图像的低级语义特征,采取二路卷积和多尺度思想创建了TCC模块,提升了特征提取的全面性;接着,为进一步简化网络结构、减少网络参数量,引入轻量化Ghost模块改进了SPP池化层和CSP2卷积网络;最后,以无人机为实验对象,构建了白天和夜间不同背景条件下的红外弱小目标数据集,实验验证了本文改进算法的有效性。结果表明:改进后的YOLOv5s模型在较少损失帧频的情况下,检测精度提升了1.34%,平均精度均值(mean average precision, mAP)提升了2.26%,优于YOLOv4-tiny和YOLOv7-tiny两种轻量化模型,并与YOLOv8s模型精度相当,但模型参数量仅为YOLOv8s模型的53%,完全可以满足嵌入式设备部署的需求。

关键词： 计算机视觉   对应关系   无监督   点云重构   注意力机制  

摘要： 针对现有深度学习方法计算非刚性点云模型间稠密对应关系时精度不高,且算法泛化能力较差的问题,提出一种基于特征序列注意力机制的无监督三维点云模型对应关系计算新方法.首先,使用特征提取模块提取输入点云模型对的特征;然后,通过Transformer模块捕获自注意力和交叉注意力,学习共同上下文信息,并由对应关系预测模块生成软映射矩阵;最后,重构模块根据得到的软映射矩阵重构点云模型,并利用无监督损失函数完成训练.在FAUST、SHREC’19和SMAL数据集上的实验结果表明,本算法的平均对应误差分别为5.1、5.8和5.4,均低于3D-CODED、Elementary Structures和CorrNet3D经典算法;本算法所计算的非刚性三维点云模型间对应关系准确率更高,且具有更强的泛化能力.

关键词： 目标检测   YOLOv8   轻量化   SimAM   铁路异物  

摘要： 铁路轨道异物入侵对列车行车安全构成潜在威胁,情况紧急时可能导致列车脱轨倾覆和人员伤亡.针对现有铁路异物入侵检测模型在边缘设备上无法保证实时检测的问题,提出一种基于Faster⁃Net和YOLOv8s改进的铁路异物识别算法.首先,采用参数量更小的FasterNet网络替代YOLOv8s的CSPDarkNet53主干网络进行特征提取,以减小模型参数量和计算量.然后,结合FasterNet中部分卷积思想,设计FasterBlock模块替代YOLOv8s颈部的C2f模块,实现多尺度特征融合,从而进一步减小模型参数量.最后,为解决网络轻量化导致的模型检测精度下降问题,重新设计BiFPN-A特征融合结构,采用Fusion替代Concat操作进行张量拼接操作,通过FasterBlock模块和Fusion实现跳跃连接的特征图融合,并在每一层FasterBlock模块之前引入无参注意力机制SimAM,保证改进后的整体模型在实现轻量化的同时能够有效防止检测精度的大幅下降.结果表明:在精度仅损失0.2%的情况下,改进后的模型尺寸减小60.89%,模型参数降低61.8%,计算量减小45.1%.

关键词： 距离参数化   工具变量   伪线性滤波   目标跟踪   机动检测  

摘要： 针对单站纯方位地面机动目标跟踪问题,提出一种改进距离参数化工具变量伪线性卡尔曼滤波算法。首先基于观测站探测范围,利用距离参数化将目标与观测站的相对距离划分为若干个子区间,并独立运行工具变量伪线性卡尔曼滤波器。然后基于滤波新息与新息协方差更新子滤波器权重并检测目标机动,通过重置子滤波器的权重和状态信息保证滤波稳定。最后将各子滤波器状态信息加权融合获取目标的状态,解决目标初始距离未知以及目标机动导致跟踪精度下降的问题。仿真结果显示,本文提出的算法的位置跟踪精度比传统方法有显著提高,能有效实现对机动目标的跟踪。

关键词： 复合绝缘子   憎水性   随机森林   图像处理   决策树  

摘要： 针对传统复合绝缘子憎水性检测费时费力,因受环境等因素影响,检测结果误差较大的问题,提出一种基于随机森林的复合绝缘子憎水性等级检测方法。该方法是一种机器学习算法,通过构建多个决策树并投票来建立一个分类模型,采用图像处理方法中的增强、平滑、去噪、分割等操作对复合绝缘子伞裙表面进行预处理,从中提取憎水性相关特征数据,最后运用随机森林完成复合绝缘子憎水性等级检测。检测分析时,当决策树数量在100左右时,准确率稳定在92.88%,与传统复合绝缘子憎水性检测方法相比,提高了憎水性检测效率及准确率。

关键词： 目标检测   目标追踪   注意力机制   YOLOv8   DeepOCSORT  

摘要： 在体育视频中的战术分析中,运动员的检测和跟踪至关重要,球员检测和跟踪已成为关键研究领域。目前,目标检测和跟踪算法在排球视频分析中存在着球员快速移动、同一队球员聚集以及目标重叠等问题,导致检测和跟踪错误。本文提出一种结合YOLOv8和DeepSORT的改进算法,并结合时空注意力机制模块,能够自动准确地检测和跟踪运动员,进行运动轨迹和数据分析。实验结果显示,该算法在球员检测和追踪方面表现出良好的跟踪精度和目标检测准确性。

关键词： 计算机视觉   输电塔   位移监测   无标靶   N近邻最小能量法  

摘要： 为了实现输电塔远距离位移监测,同时满足低成本、无接触、易实施及精确度高等要求,结合输电塔的内轮廓特征和计算机视觉位移识别技术,提出感兴趣区域(region of interest,简称ROI)关键点法。首先,利用N近邻最小能量法进行ROI轮廓搜索提取,并与Harris角点检测算法相结合;其次,通过输电塔台架实验与灰度模板匹配法相比,ROI关键点法位移识别结果的平均误差、均方根误差分别降低了56%和45%,绝对误差小于5 mm和10 mm的准确率提高了61%和3%,计算效率提高了11倍,稳定性及抗噪性能较高;最后,在实验塔对比验证中,ROI关键点法的位移测量值与实际位移的差值百分比在0.0%~11.1%之间。结果表明,ROI关键点法在输电塔结构位移监测中具有较高的准确率、精细度、计算效率、稳定性及鲁棒性。

关键词： 天线下倾角   目标检测   深度学习   图像信号处理  

摘要： 为了实现天线下倾角的高效、准确测量,满足无线优化运维场景大规模、高效率的测量需求,将YOLOv5目标检测框架巧妙应用于天线下倾角测量的复杂场景中,并对其进行改进,使之适用于复杂的天线检测与姿态识别任务,同时精准预测下倾角。实验结果显示,改进后的YOLOv5模型在保持与改进前相当的侧对天线检测能力的同时,其下倾角预测误差降低了13%,预测绝对误差为0.635°。改进YOLOv5模型在保证高准确率的同时,显著提高了天线下倾角的测量精度,为无线优化智能运维提供了新的技术路径和参考依据。

关键词： 图像处理   深度学习   猪   步态评分   注意力机制   视频分析   肢蹄病  

摘要： 【目的】猪肢蹄病是种猪淘汰的重要原因之一,给养殖场带来巨大的经济损失。猪蹄疾病判断通常依赖人工肉眼观察猪只步态进行排查,存在效率低、人力成本高等问题。本文旨在实现自动化猪步态评分,高效判断猪只肢蹄健康状况。【方法】本文提出一种“端到端”的猪步态评分方法,在单头种猪经过测定通道时采集视频,并制作四分制步态数据集。采用深度学习技术分析视频,设计了一种基于3D卷积网络的时间注意力模块(Time attention module,TAM),有效提取视频帧图像之间的特征信息。将TAM与残差结构结合,构建猪步态评分模型TA3D,对步态视频进行特征提取与步态分类评分。为进一步提升模型性能并实现自动化处理,本文设计了步态关注模块(Gait focus module,GFM),能够自动从实时视频流中提取有效信息并合成高质量步态视频,在提高模型性能的同时降低计算成本。【结果】试验结果表明,GFM可以实时运行,步态视频大小可以减少90%以上,显著降低存储成本,TA3D模型步态评分准确率达到96.43%。与其他经典的视频分析模型的对比测试结果表明,TA3D的准确率和推理速度均达到最佳水平。【结论】本文提出的方案可应用于猪只步态自动评分,为猪肢蹄病的自动检测提供参考。