关键词： Faster R-CNN   目标检测   机器视觉   EfficientNet  

摘要： 针对传统Faster R-CNN目标检测方法在油菜幼苗图像多目标任务中检测精度和效率较低的问题,本文提出一种基于FEPW R-CNN的多目标检测方法。使用EfficientNet网络取代传统的ResNet-50骨干网络,以增强模型的特征提取能力;结合了PANet上下文信息增强模块,进一步融合了自下而上的路径增强;采用WIoU损失函数替换原有损失函数,使网络在训练过程中更加关注高质量的候选框,从而提高目标定位和分类的准确性。通过油菜幼苗数据集验证,本文所提方法取得了85.42%的mAP@0.5,显著优于传统方法和单阶段算法,为复杂场景下的多目标检测提供了高效且高精度的解决方案。

关键词： 户外导盲   目标检测   轻量化   通道剪枝   YOLOv8n  

摘要： 针对户外导盲场景中道路目标检测存在的复杂背景干扰及关键语义信息需求,当前目标检测算法在道路目标检测中表现出较低的准确性以及容易出现漏检的问题,为此提出一种基于YOLOv8n的道路目标检测算法OD-YOLO。基于FasterNet和SPPF构建主干网络;使用FasterNet以增强特征提取能力,在SPPF模块中引入可分离大核注意力机制(large separable kernel attention,LSKA)以提高算法对道路目标整体的感知能力。提出一种新的C2f模块GAC2f,在减小模型计算量的同时提高其特征捕获能力,同时通过使用多样分支模块(diverse branch block,DBB)中结构重参数化思想优化GAC2f,在不损失模型性能的前提下,融合多种特征信息以显著提高模型精度,另一方面使用卷积门控线性单元(convolutional gated linear unit,Convolutional GLU)改进LarK中的大核卷积以优化GAC2f,使模型能够捕获更多上下文信息。提出一种轻量级非对称检测头PADH,在提高模型性能的同时减少参数量,并使用PIoUv2改进原有的损失函数,通过基于层自适应稀疏度的量级剪枝(layer-adaptive sparsity for the magnitude-based pruning,LAMP)操作进一步优化算法模型。实验结果表明,在公共人行道路目标数据集WOTR上,OD-YOLO与YOLOv8n相比,经过剪枝后模型参数量同为3×10^(6),但mAP@0.5、mAP@0.5:0.95分别提升3.4和4.1个百分点,证明算法OD-YOLO在面向户外导盲场景的道路目标检测中可以达到预期的效果。

关键词： 多目标跟踪   卡尔曼滤波   上下文协同   组合距离  

摘要： 在智能驾驶和视频监控领域中,多目标跟踪被广泛应用,但在目标发生遮挡和非线性运动时,此时产生的噪声会造成检测和跟踪精度的降低,同时众多关联匹配算法也没有考虑到IoU和外观失衡的情况。针对以上问题,提出一种基于TransCenter改进的多目标跟踪网络。引用小波变换处理检测特征,设计了上下文协同选择器,通过动态选择跟踪特征和检测特征来缓解噪声产生的负面影响;融合卡尔曼滤波预测值和跟踪位移,以提高非线性运动中的预测位移准确度;根据IoU距离和外观距离的差值优化组合距离的权重,解决了高速运动和外观剧烈变化时组合距离失效的情况。在BDD100k、DanceTrack数据集上进行了实验,结果表明,与ByteTrack算法相比,改进网络的mMOTA和HOTA值分别提升了4.3和5.9个百分点,与TransCenter相比,HOTA提升了7.4个百分点,且有着更好的灵活性和跟踪精度。

关键词： 调度命令   图像处理   光学字符识别   深度学习   边缘检测  

摘要： 调度命令是铁路运输调度指挥工作的核心指令,准确、快速地传达调度命令,是保障铁路系统在复杂运营环境中安全、高效、有序运转的前提条件。目前,铁路运输生产中存在诸多书面调度命令传递的场景,需要由人工读取书面调度命令信息,并完成相关数据录入,耗时费力、效率较低,且易出现信息错误录入和漏传等问题。基于书面调度命令的特点,文章研究书面调度命令信息智能识别与提取方法,将图像分割处理与经典光学字符识别(OCR,Optical Character Recognition)算法相结合,增强对表格结构和文本内容的识别能力,更为精确地分割、定位和识别书面调度命令中的文字信息;并结合调度命令模板和用语规范,完成关键信息的提取。实验结果表明,在字符识别前先进行表格分割处理,对于提高调度命令文字识别准确率效果显著,便于后续调度命令结构化数据的自动提取。

关键词： 深度学习   目标检测   行人检测   YOLOv8   轻量化改进  

摘要： 针对密集场景中行人遮挡和尺度较小导致的漏检问题,提出了一种基于YOLOv8(You Only Look Once version 8)的改进行人检测算法。首先,使用GhostConv(Ghost Convolution)代替部分Conv,减少模型的参数量;其次,融合GSConv(Group Shuffled Convolution)模块,在降低模型复杂度的同时保持精度;最后,引入SNs(Slim-Neck solution)模块,解决行人遮挡等原因导致的漏检问题,提升了行人检测精度。将该算法应用于WiderPerson(行人检测数据集),实验结果表明,相较于原始YOLOv8算法,其在mAP@0.5指标上提升了2.5百分点,同时在更为严格的mAP@0.5:0.95指标上也实现了2.1百分点的精度提升。改进的算法可以较好地应用于拥挤行人检测任务。

关键词： 检测系统   特征识别   图像处理   稻粒  

摘要： 通过视觉识别图像处理技术对稻谷谷粒进行处理,利用OTSU自适应阈值对稻谷图像进行二值化处理,采用中值滤波对图像进行降噪处理、图像分割和连通区域标记,基于几何形状特征阈值检测算法识别不同种类稻谷的长度、宽度、周长和面积像素值,提出一种综合的阈值通用旋转法,可实现不同谷粒的分类。根据获取谷粒图像样品和采集谷粒数目特征,基于形态学处理和分水岭变换分割算法对谷粒进行数目识别提取,最后根据检测的数目和整碎谷粒特征统计汇总稻谷谷粒的相关参数信息,将谷粒识别结果和相关数据信息保存在数据库中,便于进一步分析。研究结果表明:利用MatLab软件中GUI界面开发的稻谷检测系统对谷粒数目有较好的识别力,精确度达98.327%,对于整碎谷粒的识别误差在可控范围,满足要求与传统人工检测相比,具有检测快速、多样化等优点。

关键词： 深度学习   计算机视觉   智能安防   系统架构   公共安全  

摘要： 在智能化发展浪潮下,深度学习与计算机视觉技术为智能安防提供了新方向。文章首先阐述了深度学习核心算法与计算机视觉关键技术,然后设计了智能安防系统架构,最后探讨了其在公共安全、智慧园区与社区安防场景中的应用。通过研究,旨在挖掘深度学习与计算机视觉技术在智能安防领域的潜力,提升安防系统的智能化水平与安全性。

关键词： 医疗废物智能分类   图像处理   MobileNetV2   特征提取   多尺度特征融合   深度学习  

摘要： 随着医疗服务需求的增长,医疗废物的产生量逐渐超出负荷,当前医疗废物的分类与包装多以人工为主,存在医护人员感染病毒风险高、工作效率低下等问题。针对上述问题,本研究在MobileNetV2模型的基础上,提出一种改进MobileNetV2的医疗废物智能分类模型(MobileNetV2-MW)。通过改进瓶颈残差模块,捕捉不同特征通道之间的关系,提升模型对图像信息的特征提取能力;同时,引入一种多尺度特征融合模块,增强模型对图像多尺度信息的适应能力,避免模型过度关注某一特定尺度带来的不良影响。实验结果表明,MobileNetV2-MW模型在医疗废物图像数据集上的分类准确率、精准率、召回率和F1-Score分别达到95.38%、95.36%、95.33%和95.30%,相比于MobileNetV2模型分别提升了3.18%、3.05%、3.23%和3.21%,在对比模型中分类效果优秀,最后通过t-SNE可视化分析和泛化实验进一步验证了该模型的有效性,为医疗废物智能分类研究提供了新的思路和方法。

关键词： 深度学习   铁路巡检   无人机   目标检测  

摘要： 无人机在铁路巡检领域的应用日益广泛,铁路无人机巡检算法的研究已取得丰硕成果,但尚缺乏相关系统性综述。从铁路巡检的核心应用场景出发,系统探讨了无人机在轨道、桥梁、隧道及水害检测等方面的典型应用算法,整理了铁路巡检相关数据集,总结了面临的主要挑战,并提出了优化策略与解决方案,以期为该领域的研究人员提供有价值的参考。

关键词： 无人机   航拍图像   小目标检测   注意力机制   损失函数  

摘要： 针对无人机航拍视角下目标尺寸小且密集、检测场景复杂、目标被遮挡导致检测精度不高的问题,提出了一种基于改进SSD的小目标检测算法。首先,用SE-ResNet50代替VGG16作为主干网络,通过学习自适应的通道权重,使模型更加关注有用的通道信息;而后,修改了浅层网络的锚框参数,提高小目标的检测性能;在浅层网络中使用SE+SAM和CBAM两种组合,从通道和空间两个维度对图像进行关注;最后,使用EIoU代替传统IoU来计算交并比,选择FocalL1损失函数,整合EIoU和FocalL1损失函数,得到最终的Focal-EIoU。实验采用VisDrone2019数据集进行验证,相较于传统SSD算法,精确率、召回率和mAP分别提升了11.7、11.2和9.8个百分点,FPS提升5帧/s,验证了该算法对小目标检测的有效性。