关键词： 口罩规范性佩戴检测   深度学习   目标检测   YOLOv5s   注意力机制  

摘要： 通常以人工查验方式来检验公共场所进出人员是否规范佩戴口罩,计算机视觉技术辅助的自动查验大多用于佩戴口罩时的人脸识别、是否佩戴口罩等特定场景人物,而缺乏对口罩佩戴规范性的自动检测。针对口罩佩戴规范性的视觉检测问题,提出了一种基于改进YOLOv5s框架的口罩佩戴规范性检测模型。为提高口罩佩戴规范性检测算法的准确率和稳定性,在paddle口罩数据集基础上,通过互联网检索,并经过人工筛选与标注后,构建了口罩佩戴规范性检测数据集,提出了基于改进YOLOv5s的口罩佩戴规范性视觉检测模型。该模型融合了多种嵌入注意力机制,实验结果表明,提出的YOLOv5s-ECA模型的先进性可以满足实际场景的应用需求。

关键词： 目标检测   TOOD   缩放混合   特征增强   金字塔卷积  

摘要： 针对TOOD算法鲁棒性差、特征金字塔顶层丢失部分语义信息、不同尺度特征层存在语义差距的问题,提出随机缩放混合与跨尺度特征增强的任务对齐目标检测算法;该算法提出2×4混合增强方法,丰富训练样本,提高模型的泛化性和鲁棒性;构造多重残差特征增强模块,自适应融合顶层不同尺度的上下文信息,减少最高层语义信息的损失;构建堆叠金字塔卷积模块,缩小不同尺度特征层之间的语义差距,提升多尺度特征的融合效果;Pascal VOC数据集上的实验结果表明,所提算法的均值平均精度、查准率、查全率分别比TOOD算法提高了3..76%、15.71%、6.28%;而且该算法的F_(1)值与均值平均精度均优于6种主流对比算法。

关键词： 场景变化检测   隐患识别   目标检测   深度学习  

摘要： 为解决以往变电站中人工巡检效率低、准确率差等问题,本文探索了两类基于图像分析的变电站隐患识别算法。相较于基于场景变化检测的隐患识别算法,基于目标检测的隐患识别算法不受限于基准图像,且综合识别效果更优,能够对变电站的各类隐患进行有效识别。本文在对大量变电站隐患图像进行标注后,在YOLOv8深度学习框架的基础上进行训练,训练后的模型经由部分隐患图像组成的测试集测试后,结果表明隐患检出率为82.10%,隐患误检率为14.64%。本文提出的基于目标检测的变电站隐患识别算法识别准确率高、识别速度快,且部署较为简单,能够有效取代人工巡检工作,显著提高变电站内的隐患识别效率和准确性,对保障变电站安全稳定运行具有重要意义。

关键词： 深度学习   小目标   目标检测   双模态   大核卷积  

摘要： 小目标检测在自动驾驶、安防等领域具有重要的应用价值。然而,由于小目标自身视觉特征不明显、复杂背景干扰以及信噪比低等因素,使得小目标检测一直以来都是一个极具挑战性的难题。笔者系统回顾了当前基于深度学习方法的小目标检测技术,对现有算法进行了系统地归类、分析和比较:界定了小目标检测的概念,总结了小目标检测所面临的主要挑战;着重讨论了几种主要的网络优化策略,如利用数据增强技术提高模型的泛化能力,通过超分辨率技术改善小目标可视性,采用多尺度信息融合技术提升检测精度,以及基于上下文信息学习和大核卷积策略改进特征表达能力、无锚框检测机制、DETR技术和针对特定应用场景的多模态小目标检测等方法并详细分析了其优缺点;全面介绍了现有小目标数据集,并在常用公共数据集上对目前经典的小目标检测算法进行了测试和性能评估;对小目标检测领域未来的研究方向进行了展望,旨在推动小目标检测技术的进一步发展和应用拓展。

关键词： YOLOv5   深度学习   虚实融合   目标检测   OpenCV  

摘要： 针对增强现实技术目前虚实融合方面效率不高、目标识别不够精准的问题。该文提出并实践基于YOLOv5训练模型的虚实融合技术,在通过YOLOv5识别清楚目标建筑物的基础上,加入虚实融合技术,使用这种方法可以在YOLO这种优秀深度学习算法的基础上,提升增强现实技术的精确性和可靠性。YOLO本身是目标检测模型,在一张图片或者是一段视频中找到特定的物体,目标检测不仅要求我们识别这些物体的种类,同时要标出这些物体的位置。虚实融合技术的总体思路是使用目标检测、特征匹配等方法,配合OpenCV读取准备好的图层信息。总体借助YOLOv5训练模型的实时目标检测算法,并与虚拟三维对象相结合,实现虚实融合。

关键词： 红外小目标检测   视觉Transformer   多尺度特征融合   编解码结构  

摘要： 当前基于卷积神经网络的红外小目标检测方法在编码器阶段受限于感受野,且解码器在多尺度特征融合中缺乏有效的特征交互。本文提出了一种基于编码器-解码器结构的新方法,针对现有红外小目标检测方法中的问题进行改进。该方法使用视觉Transformer作为编码器,能够有效地提取红外小目标图像的多尺度特征。视觉Transformer是一种新兴的深度学习架构,其通过自注意力机制捕捉图像中像素之间的全局关系,以处理长程依赖性和上下文信息。此外,本文还设计了一个由交互式解码器和辅助解码器组成的双解码器模块,旨在提高解码器对红外小目标的重构能力。该双解码器模块能够充分利用不同特征之间的互补信息,促进深层特征和浅层特征之间的交互,并通过将两个解码器的结果进行叠加,以更好地重构红外小目标。在广泛使用的公共数据集上的实验结果表明,本文提出的方法在F1和mIoU两个评价指标上的性能优于其他对比方法。

关键词： 目标跟踪   边缘检测算子   颜色特征   尺度池  

摘要： 针对在跟踪目标受到严重遮挡或者尺度变化显著等复杂场景下原始核相关滤波算法(Kernel Correlati-on Filter, KCF)追踪目标失败的问题,本文提出了一种将边缘检测算子(Edge Detection Operator, EDO)、多特征融合、尺度自适应相结合的改进型KCF目标追踪算法。首先,通过引进高斯拉普拉斯算子(Laplacian of Gaussian, LOG),对初始帧图像进行处理以获取更多边缘信息。其次,将颜色特征(Color Naming, CN)与方向梯度直方图(Histogram of Gradient, HOG)进行线性融合,可以在处理目标被遮挡时获取更多目标图像的多特征信息。然后,通过使用尺度池自适应方法解决跟踪目标时尺度变化问题。最后,使用OTB-100数据集进行算法仿真和效果评估,证明了使用本文提出的改进型KCF目标追踪算法在复杂背景下依然具有较好的准确性和鲁棒性。In this paper, an enhanced KCF target tracking algorithm is proposed to address the limitations of the original Kernel Correlation Filter (KCF) in tracking targets under complex scenarios with significant scale changes or severe occlusion. The proposed algorithm integrates Edge Detection Operator (EDO), multi-feature fusion, and scale adaptation. Firstly, Laplacian of Gaussian (LOG) is introduced to process the initial frame image for obtaining more edge information. Secondly, a linear fusion of Color Naming (CN) and Histogram of Gradient (HOG) enhances multi-feature information extraction when the target is obstructed. Furthermore, the scale change issue is addressed using a scale pool adaptive method. Finally, simulation and evaluation on OTB-100 dataset demonstrate that the improved KCF target tracking algorithm maintains high accuracy and robustness in complex backgrounds.

关键词： 图像处理   低照度图像   图像拼接   图像增强   加速鲁棒特征算法  

摘要： 低照度图像拼接是一种在光照不足条件下将不同视角图像拼接成一幅大视场图像的技术。光照不足带来的图像对比度低、噪声高等问题,导致特征提取鲁棒性差、数量少,从而难以进行特征匹配和图像拼接。对此,提出了一种基于改进加速鲁棒特征(SURF)的低照度图像拼接方法。该方法首先通过低照度图像的积分图构造尺度空间并进行Laplacian运算,执行边缘提取和二值化处理算法;然后根据边缘提取图像和二值化图像计算阴影区域中的边缘(ESR)图像,用于获取尺度权重,从而动态调整SURF特征提取阈值,有效解决特征点像素阈值与图像整体亮度不匹配导致特征提取算法鲁棒性差的问题;同时,尺度权重也可作为多尺度Retinex算法中的加权系数,进而优化图像增强效果;此外,采用二进制描述符来加速特征描述与特征匹配过程,最后通过匹配关系计算单应矩阵,对增强后的图像进行单应变换和拼接。实验结果表明,本文算法显著提高了低照度环境下图像拼接的速度和效率,相比于传统SURF算法具有更好的鲁棒性和自适应性。

关键词： 深度学习   目标检测   车牌识别   注意力机制   YOLOv7  

摘要： 为解决复杂环境下车牌检测与识别模型速度慢、精度低的问题,提出了一种复杂环境下能高精度进行车牌检测和识别的端到端车牌识别算法。在YOLOv7网络层的特征层输出的过程中加入了CBAM通道注意力机制,提高了模型的特征提取能力;采用改进后的YOLOv7算法对复杂环境下的车牌进行检测,将检测到的车牌区域进行预处理操作,将经过处理的车牌输入到改进的CNN识别模型进行字符识别。实验结果表明,加入注意力机制后的YOLOv7检测模型的检测均值平均精度达到87.5%,改进后的模型识别准确率达到97.16%,明显优于传统的车牌识别技术,且在复杂环境识别效果良好,具有实际应用价值。

关键词： 卵细胞   自动化拆蛋   检测线   计算机视觉  

摘要： 卵细胞拆蛋是人工辅助生殖技术中至关重要的操作之一,但现有手动操作成功率低、丢卵现象时有发生。在自动化操作中,借助显微操作平台和智能运动平台对培养皿中的卵细胞进行反复吹打、清洗是常用的操作方法。设计了面向自动化拆蛋的卵细胞定位方法,利用培养皿内微滴的矩阵布置,通过三点定圆建立实物坐标系,并按回转路径扫描微滴,划分区域检测线,利用计算机视觉对比图像灰度值的方法检测定位卵细胞。结果表明,矩阵微滴内拆蛋和计算机视觉识别缩小了定位范围,提高了卵细胞的定位效率,成功率达到96%。