关键词： 堆叠工件   工件识别   目标检测   YOLOv7  

摘要： 针对实际生产场景中堆叠遮挡的工件存在漏检率较高与实时性较差的问题,提出了一种改进的YOLOv7轻量化的目标检测方法。在主干网络中获取的3个特征层分别融入ECA注意力机制,能更好地注意到被遮挡的工件信息,降低漏检率;将主干网络和头部网络的普通卷积替换成深度可分离卷积,减少网络模型的参数量,提高检测速度;提出了一种联系周边特征信息的ELAN-DE模块,引入深度可分离卷积并在后面加入ECA注意力机制,提高了系统的稳定性。试验结果表明改进的YOLOv7算法相较于原始算法,在提高了近5.52%的平均精度(mAP)的情况下,模型大小减小了近21%,检测速度提升了18.7 f/s,检测效果也优于其他经典目标检测网络算法,满足了实际场景中的工件识别需求。

关键词： 交通调查   九型车识别   交通量统计   目标检测   目标跟踪   边缘计算   YOLOv8   Jetson NX  

摘要： 为解决低等级普通道路交通观测站在开展自动化交通量统计时面临的车型间识别混淆、边端计算资源和大规模数据传输受限等问题,在YOLOv8和DeepSORT模型的基础上设计了一种类别标签重匹配策略,可以在目标遮挡、远距离、视角不佳等场景下实现高质量的九型车识别与统计。其次,设计一种基于Jetson NX嵌入式平台的边缘端模型部署和一种基于TensorRT模型优化加速方法,用于九型车流量统计模型的现场部署和边端推理。实验证明所提方法在实际道路下可达到97.9%的统计精度和17.27 f/s的推理帧率,可实现在边端推理模式下速度和精度的良好平衡,能为道路交通调查提供精准、实时的车流量信息。

关键词： 图像处理   图像去雾   暗通道   多尺度   融合方法   透视率图   图像增强   图像恢复  

摘要： 图像去雾能够使视觉系统适应不同的天气状况.为克服传统暗通道先验方法会在物体边界区域形成光晕效应的问题,提出一种用于估计有雾图像透射率的多尺度融合算法.应用不同大小的最小值半径得到多尺度的透射率估计值,再根据局部区域像素具有类似的透射率值这一现象,对透射率图进行多尺度融合,选择小透射图区域中最亮的像素来计算大气光值,最后使用大气散射模型恢复清晰图像.分别从视觉效果和量化指标两个方面,对比所提方法与传统的基于先验和基于深度学习的去雾方法在进行图像去雾后的效果.结果发现,针对4种典型场景,采用本研究算法去雾后的重构图像能够保留更多的结构、细节和颜色信息,避免了过分增强和边缘部分的雾残留问题,视觉效果均优于对比方法;量化指标峰值信噪比和结构相似性均高于对比方法,分别为15.65和0.78.

关键词： 多模态   YOLOv5   行人检测算法   特征融合   注意力机制   空间金字塔   目标检测  

摘要： 针对红外图像清晰度和分辨率较低,可见光图像光照不足等问题,通过融合可见光和红外光图像的特征,设计一种基于YOLOv5改进的多模态行人检测算法IMV5(improved multimodal YOLOv5)。对传统的级联融合方法进行改进,结合注意力机制,设计一种多模态特征融合模块PMWM(pedestrian modal adaptive weight fusion module),将可见光和红外光图像融合,提高特征融合后的检测效果。加入优化过的空间金字塔池化结构,在保持感受野不变的情况下提升检测效果。在特征层上进行目标检测,预测出行人的概率和位置,实现行人检测功能。实验结果表明,IMV5算法在KAIST行人检测据集上的检测效果得到了明显提升。

关键词： 采摘机器人   YOLOv8算法   注意力机制   Mosaic数据增强算法  

摘要： 针对农业领域中草莓采摘机器人在复杂环境下识别草莓果实准确率不高的问题,提出了一种基于改进后的YOLOv8算法的解决方案,该方法能够实现对草莓果实的精确、快速识别.首先,使用Mosaic数据增强算法进行目标检测数据预处理,该方法显著提高了模型的泛化能力,并帮助模型在复杂背景中更好地识别草莓;其次,引入了通道优先卷积注意力机制,该机制通过重点关注图像中的信息丰富通道,提高了对小目标草莓的检测能力,显著提升了特征提取的效率,使得模型能够更加集中地学习和提取与草莓识别相关的特征,从而提高了小目标检测的精度.通过一系列的实验验证,改进后的YOLOv8算法在草莓采摘目标检测中的表现显著优于原始YOLOv8算法,其平均精度均值达到89.35%,相较于原YOLOv8算法,平均精度均值提升了5.83%.综上所述,所提出方法在识别草莓果实时具有显著的优势,特别是在处理小目标和复杂背景方面.改进后的YOLOv8-ECPCA网络模型达到了可在草莓采摘机器人中应用的水平,可为采摘机器人在实际农业环境中的实时小目标检测提供强有力的支持.

关键词： 目标检测   注意力机制   YOLOv5s   DIoU_NMS方法  

摘要： 针对目标检测算法在雾天天气下的识别精度低、容易漏检等问题,提出一种基于YOLOv5框架的先去雾后检测的算法。利用改进的AOD-Net去雾算法进行图像增强,采用Twin-transform Block模块替换提取中小目标特征,同时添加CBMA注意力机制,增强模型提取图像特征的能力。采用DIoU_NMS后处理方法,精准回归预测框。实验结果表明,在BDD100K数据集上进行对比分析,相较于原有YOLOv5s网络,文中提出的改进方案准确率明显提升,其中薄雾场景中mAP提高1.59%,浓雾场景中mAP提高5.80%。因此,文中提出的算法能够有效地改善雾天条件下目标识别中存在的漏检问题。

关键词： 计算机视觉   行人跟踪   目标检测   重识别   关联算法   抗遮挡   自注意力   特征提取  

摘要： 为了解决在复杂场景下行人相互遮挡导致跟踪系统精度降低的问题,提出了基于FairMOT的抗遮挡多目标跟踪算法(multiple obeject tracking algorithm with anti-occlusions,AOMOT)。首先通过轻量化平衡模块,解耦不同层次的语义信息,减少检测任务和重识别任务的语义冲突,降低重识别任务的性能提升对检测任务的影响。其次应用自注意力结构提取行人的外观特征,加强局部窗口下的类内特征的区分度,增强行人身份信息的匹配一致性并减少身份标识的频繁切换。最后优化身份关联算法,挖掘低置信度目标中的被遮挡对象,将其重新纳入目标身份关联并更新其重识别特征。实验结果表明,AOMOT相比原有FairMOT在MOT17数据集中高阶跟踪精度提升1.5百分点,身份F1分数提升3百分点,身份切换数量降低32%。

关键词： 实时监控   运动目标   识别检测   注意力机制   深度可分离卷积网络  

摘要： 为了提高实时视频监控系统对运动目标的检测精度与检测效率,提出一种结合深度可分离卷积网络与CBAM注意力机制改进的YOLOv4目标检测算法。一方面将YOLOv4模型中CSPDarknet53主干网络替换为结构更简单的深度可分离卷积网络,减少模型计算量;另一方面在网络末端三个分支中分别添加CBAM注意力机制模块,在尽可能不增加模型负担的基础上,尽可能保留YOLOv4的检测性能,同时提高模型在不同色彩、光照等因素影响下对运动目标的检测效果。结果表明,所提改进YOLOv4算法的检测精准率和召回率达到91.54%和86.27%,远远高于基于多尺度特征融合改进的YOLOv4-W算法,与原始YOLOv4的检测精度相近;相较于原始YOLOv4算法,所提算法的训练模型减小了0.11 Gib,检测速度达到19 fps,检测效率大幅提高,总体结果在3种算法中最佳。测试结果表明,基于所提改进YOLOv4目标检测算法构建的实时视频监控系统,不仅可以实现对运动目标的实时监测,在多人密集、昏暗、远距离和有遮挡等复杂场景下,依然具有较高的精测精度,值得进一步研究和推广。

关键词： 5G   港口   智能机器人   巡检   计算机视觉  

摘要： 为实现对港口集装箱区域的实时监测和智能巡检,融合5G和计算机视觉技术,设计一款智能海关巡检机器人。这款巡检机器人已在福建江阴港口落地应用,显著提升了巡检效率,同时大幅推进了港口运维的智能化进程,为工作人员全面掌握港口集装箱信息、危化品区域防护设施的运行状态等提供可靠的依据。

关键词： Pc1地磁脉动   计算机视觉   自动识别   极低频电磁台网  

摘要： 极低频电磁台网成功观测到大量的Pc1地磁脉动事件,研究极低频Pc1地磁脉动的自动识别方法对于全面分析地球空间电磁物理环境具有重要意义.本文采用了YOLOv8目标检测网络、ResNet残差网络和定向特征增强技术,提出了一种基于计算机视觉的Pc1地磁脉动自动识别模型(Automatic Detection Model for Pc1 Geomagnetic Pulsation,简称ADM-Pc1).以大连台站和丽江台站的极低频观测数据为例,利用2015—2016年的数据作为训练集进行模型的监督学习,并使用2017—2022年的数据作为测试集对模型性能进行评估.实验结果显示,ADM-Pc1模型的F1-Score值达到了95%,错分率仅为0.9%,虚警率仅为5.8%,漏检率仅为9%,处理1天数据平均耗时是2.72 s,显著优于现有的最优识别模型.这表明,ADM-Pc1模型在识别效果和计算速度方面均能更好地满足实际工程需求.