关键词： 鱼类异常行为检测   计算机视觉   无监督学习   U-Net   时空变换器  

摘要： 由于人工提取抽象特征方法捕获视频异常存在特征学习不足、特征选择困难和泛化性差的问题,笔者将计算机视觉技术引入鱼群异常运动行为检测研究中,采用无监督的学习方式,提出一种结合多层记忆增强和残差时空变换器的鱼类异常运动行为检测方法。该方法以U-Net网络为基础,利用其编码器和解码器对视频帧编码和解码,并根据预测帧和真实帧之间的差异实现异常行为检测。为了加强连续视频帧之间的时空信息特征联系,提出残差时间变换器模块和残差空间变换器模块以提升网络对时间信息和空间信息的建模能力。由于卷积神经网络具有一定的泛化能力,使用记忆增强模块代替U-Net网络中的跳跃连接,降低编码器对异常帧的表示能力。此外,采用生成对抗网络(GAN)技术生成更加真实的预测帧,从而提升网络的检测精度。结果表明:该方法能有效提取鱼群的运动特性和外观特性,在自制的两类鱼群数据集上的AUC(曲线下面积)分别达0.916和0.921,实现了鱼群异常运动行为检测。

关键词： 货物识别   深度学习   YOLOv5   目标检测  

摘要： 针对仓储物流中人工检测货物范围受限且效率较低的问题,研发了一种基于YOLOv5目标检测的货物识别系统,旨在快速、准确地识别货物种类及破损情况并及时反馈。建立数据集并加以训练,得到用于YOLOv5检测货物的模型,在此基础上,设计可交互式界面,结合摄像头实时检测,并根据检测结果实时反馈。试验结果表明,在光照充足的情况下,程序可以较好地完成货物检测并报警的任务。

关键词： 自动驾驶   ECA-Net   DLA-34   目标检测   CenterNet  

摘要： 在多目标检测中,当目标发生移动时会导致目标形态变化或目标发生遮挡,影响目标检测精度,因此,针对在自动驾驶领域中行驶环境复杂以及传统目标检测算法依赖大量预设置先验框、泛化能力差、检测精度低等问题,提出了一种改进的CenterNet目标检测算法。选取DLA-34为主干特征提取网络,并引入可自适应确定卷积核且能跨通道交互的轻量级模块ECA-Net,实现CenterNet改进。在kitti数据集上的实验结果显示,改进后的CenterNet相比原网络的AP在car类别上提升了1.39%,在pedestrian类别上提升了11.16%,在cyclist类别上提升了19.45%,与Yolov3网络相比,改进后的CenterNet在不同类别目标检测精度上也有着明显提升。

关键词： 车路协同感知   路侧视角   注意力机制   小目标检测  

摘要： 针对车路协同感知交通场景下,路侧视角存在远距离目标及小目标识别精度较低、特征较少等问题,提出一种基于YOLOv5的小目标检测改进算法。首先,在主干网络中,加入GAM注意力模块增强网络特征提取能力;其次,引入RepBiPAN代替原颈部网络的PANet结构增加网络对小目标的定位能力;最后,使用SIoU损失函数代替原来的CIoU损失函数,能够有效地避免预测框在回归过程中的任意匹配,从而增强模型的鲁棒性,加快网络模型的训练速度。实验结果表明相比于原YOLOv5 6.0版本,当交并比IoU为0.5时各类平均精度mAP提升了6.9个百分点,当交并比IoU为0.95时各类平均精度mAP提升了6.4个百分点,有效地提高了路侧视角小目标检测的检测能力。

关键词： 无人水面艇   水下目标检测   伪装目标检测   深度学习  

摘要： 无人水面艇环境感知能力受限于待测目标背景复杂、形状多样和伪装等因素,常规方法难以在上述情况下准确对水下伪装目标准确检测与评价。针对探测场景的多样化和复杂化,基于多任务学习策略提出一种面向无人水面艇的轻量型伪装目标检测方法 MFLNet(Multi-Feature Learning Network),通过借助图像梯度感知任务来提升无人水面艇对水下伪装目标的检测能力。首先,将图像特征提取任务解耦为语义特征提取和梯度特征提取;然后,向高层语义特征引入图像梯度特征并通过多尺度通道注意力模块生成初始预测图;最后,经过逐层的特征修正生成对伪装目标的最终预测。实验结果表明:MFLNet在CAMO-Test和NC4K-Test数据集上,结构相似性度量Sα指标可达0.824和0.851,检测性能达到先进模型水平,相比同策略轻量化模型参数量减少65%,检测速度可达73.7帧/s,满足水下检测数据实时传送需求,具有一定的实际应用价值。

关键词： 伪装目标检测   轻量化   线性注意力   知识蒸馏  

摘要： Transformer式的伪装目标检测模型具有二次时空复杂度,因而模型具有参数量大和高计算复杂度等问题,影响了其在资源受限设备上的部署与应用。模型加速和模型压缩是实现模型轻量化的重要方法。模型加速旨在降低模型的计算复杂度,提升模型的运行速度。模型压缩则致力于减少模型所需的计算资源和存储空间,同时保持模型性能。本研究以UGTR模型为基础,提出了一种基于注意力机制和知识蒸馏的轻量化伪装目标检测模型DE-UGTR。实验表明,轻量化后的DE-UGTR模型参数量下降了30.1%,推理速度提升了约1.75倍。

关键词： remote sensing images   object detection   YOLOX-S   attention module   loss function  

摘要： Remote sensing image object detection is one of the core tasks of remote sensing image *** recent years,with the development of deep learning,great progress has been made in object detection in remote ***,the problems of dense small targets,complex backgrounds and poor target positioning accuracy in remote sensing images make the detection of remote sensing targets still *** order to solve these problems,this research proposes a remote sensing image object detection algorithm based on improved ***,the Efficient Channel Attention(ECA)module is introduced to improve the network's ability to extract features in the image and suppress useless information such as background;Secondly,the loss function is optimized to improve the regression accuracy of the target bounding *** evaluate the effectiveness of our algorithm on the NWPU VHR-10 remote sensing image dataset,the experimental results show that the detection accuracy of the algorithm can reach 95.5%,without increasing the amount of *** is significantly improved compared with that of the original YOLOX-S network,and the detection performance is much better than that of some other mainstream remote sensing image detection ***,our method also shows good generalization detection performance in experiments on aircraft images in the RSOD dataset.

关键词： 夜景照明   无人机技术   故障分析   图像处理   深度学习   灯具故障检测  

摘要： 本研究提出了一种基于无人机的智慧巡检技术,针对城市夜景照明中日益增长的故障检测需求。结合无人机的自主飞行与深度学习驱动的图像处理技术,有效提高故障检测的效率和准确性。文章首先分析了夜景照明领域的挑战和无人机技术的应用前景,然后详细介绍了巡检系统的设计、数据处理流程和故障分析的关键技术。重点讨论了图像融合和目标检测算法及其在实时故障识别中的应用,旨在为夜景照明维护提供创新解决方案,并探索其在城市基础设施维护中的潜在价值。

关键词： 目标检测   密集交通场景   EIOU   CBAM   K-means++  

摘要： 道路交通场景下目标检测任务往往由于物体相互遮挡、远处目标像素低等原因,导致检测精度低,出现漏检、误检等问题,为此提出一种改进YOLOv5s的交通场景密集目标检测模型YOLOv5-ECFK。首先,将边界框回归损失函数由CIOU替换为EIOU,提高模型评估预测框的准确性;其次,在主体网络结构中融合CBAM注意力机制,帮助网络在具有密集对象场景中找到注意力区域;然后,通过增加小尺度特征融合层和检测层,提升模型小目标检测精度;最后,使用K-means++算法重新聚类锚框,使生成的锚框更适合实验数据集,提升算法整体性能。实验数据集由公开数据集Rope3D和自制数据集联合组成。实验结果表明,最终改进算法YOLOv5-ECFK相比于YOLOv5s、mAP@0.5/%和mAP@0.5:0.95/%分别提升3.4%、2.7%,Precision和Recall分别提升3.5%、1.3%,最终改进算法对道路交通场景下的密集目标具有优秀的检测效果。

关键词： 目标检测   YOLOv8   CPAM   小目标检测   知识蒸馏  

摘要： 安全帽在保护施工人员免受事故伤害方面发挥着至关重要的作用。然而,由于种种原因,工人们并没有严格执行戴安全帽的规定。为了检测工人是否佩戴安全帽,本文提出了基于YOLOv8改进的目标检测算法(CPAM-P2-YOLOv8)。在YOLOv8的颈部添加CPAM结构,增强网络对图片的特征提取,在YOLOv8的头部引入处理后的小目标检测层P2。CPAM-P2-YOLOv8提高了目标检测的精确度,实验结果表明,改进模型的精确度达到了91%。与YOLOv8对比,CPAM-P2-YOLOv8的mAP50提高了1.0%,参数量减少了17%,同时通过对比发现,CPAM-P2-YOLOv8比YOLOv8在检测小目标方面更有优势。与YOLOv10对比,CPAM-P2-YOLOv8的mAP50提高1.9%。使用知识蒸馏方法,使CPAM-P2-YOLOv8的精确度进一步提升,达到91.4%。Safety helmets play a crucial role in protecting construction workers from accidents and injuries. However, due to various reasons, workers did not strictly adhere to the rule of wearing safety helmets. To detect whether workers are wearing helmets, this article proposes an improved object detection algorithm based on YOLOv8 (CPAM-P2-YOLOv8). Add CPAM structure to the neck network of YOLOv8 to enhance the feature extraction of safety helmets, and introduce a processed small object detection layer P2 at the head of YOLOv8. CPAM-P2-YOLOv8 improved the accuracy of object detection, and experimental results showed that the improved model achieved an accuracy of 91%. Compared with the YOLOv8 model, CPAM-P2-YOLOv8 improved mAP50 by 1.0% and reduced parameter count by 17%. Through comparison, it was found that CPAM-P2-YOLOv8 has more advantages in detecting small targets than YOLOv8. Compared with YOLOv10, the mAP50 of CPAM-P2-YOLOv8 increased by 1.9%. By using the knowledge distillation, the precision of CPAM-P2-YOLOv8 was further improved to 91.4%.