关键词： 车牌识别   计算机视觉   人工智能技术   智能监控   光照变化   深度学习   智能交通   安全防护  

摘要： 随着人工智能技术的飞速发展,车牌号检测作为计算机视觉领域的重要应用之一,吸引了广泛的关注和研究。车牌号检测在交通管理、智能监控、安全防护等领域具有重要意义。通过深度学习等先进技术的应用,现代车牌号检测系统能够实现高精度、高效率的车牌识别,同时适应不同环境和光照条件。然而,面临的挑战包括复杂的场景、遮挡、光照变化等因素,要求算法在实际应用中具有鲁棒性和稳定性。因此,车牌号检测技术的持续创新和优化,对于提升交通安全、提高城市管理效率具有重要意义。

关键词： 香蕉   采摘   YOLOv7   三维定位   旋转框   深度图像修复  

摘要： 针对目标检测算法无法较好适配倾斜目标,且算法参数量大难以部署到嵌入式设备等问题,提出了一种带旋转定位框的改进YOLOv7的香蕉目标检测和定位方法,引入GSConv模块降低计算复杂度和参数数量提高检测精度。香蕉目标以旋转框定位,使用五参数表示法定义旋转框,采用Kullback-Leibler divergence损失函数将旋转框映射到一个二维高斯分布,计算两个概率分布之间的差异,并将差异性作为损失进行优化,能更准确地衡量预测框与真实框之间的差异。此外,还采用Criminisi算法修复由深度相机局部空洞引起的定位错误。试验结果表明,改进后的旋转检测模型在香蕉目标检测速度和准确性上均有提升,平均精度达到96.15%,相比YOLOv7模型提高了17.04个百分点,检测帧率提高约40帧/s。此外,改进模型通过旋转边界框能更准确地预测香蕉果柄位置,定位误差均值降低到7.02 mm,平均相对误差降低到0.65%,相比YOLOv7模型分别减少了24.3 mm和1.96%。因此,该方法为复杂果园环境下快速、准确地识别和定位香蕉串及其果柄提供了有效解决方案。

关键词： 目标检测   雷视融合   多尺度融合   卷积注意力模块   YOLOv5  

摘要： 针对变电站安全监控场景下的行人识别,纯视觉传感器目标检测极易受到光照条件和物体遮挡的影响,存在误检和精度不高等问题,主流雷达视觉融合目标检测网络存在实时性差、精度低的问题,提出了一种以YOLOv5作为主干网络的多尺度雷视融合目标检测算法,实验结果显示该算法在平均精度均值(mean Average Precision,mAP)0.5:0.95和帧率(Frames Per Second,FPS)上均显著优于其他主流目标检测算法。在YOLOv5结构上,额外增添了一条毫米波雷达点云多尺度特征融合分支。雷达点云RGB图像首先通过通道压缩(Channel Block Squeeze,CBS)、跨阶局部网络(Cross Stage Partial Network,CSP)模块提取特征之后,继续通过卷积注意力模块(Convolutional Block Attention Module,CBAM)和最大池化层对雷达点云信息进行不同层次的特征提取,使用空间注意力融合模块的改进对雷达点云特征和视觉特征进行3次多尺度特征融合。实验分析表明,所提算法mAP0.5:0.95比原始YOLOv5网络有显著提升,FPS也远优于目前主流雷视融合算法。

关键词： 手术器械   人工智能   识别   分类   定位   目标检测  

摘要： 目的:基于改进型You Only Look Once V5(YOLOv5)人工智能开发手术器械识别系统。方法:收集常用外科手术器械10类,包括治疗碗、药杯、弯盘、针持器、血管钳、刀柄、组织拉钩、手术刀片、缝针、棉球。将收集的器械置于同一视野下,随机改变不同器械放置位置和状态,在不同拍照方位、布料背景、光线角度和强弱环境下拍摄照片806张。将拍摄的照片按照7∶3随机划分为人工智能训练组和验证组。采用精确度、召回率、平均精度、平均精度均值和F1得分值等参数比较原始YOLOv5模型和改进模型S-YOLOv5的算法识别性能。结果:与原始YOLOv5模型相比,改进模型S-YOLOv5表现出更高的识别性能,其精确率、召回率、平均精度和F1得分值分别为0.978,0.973,0.926,0.975。改进模型S-YOLOv5对各手术器械的识别准确率均高于原始YOLOv5模型。结论:基于S-YOLOv5的人工智能辅助手术器械识别系统具有较好的分类能力和定位能力,为人工智能辅助手术器械清点提供了初步探索和思路。

关键词： 脱靶量   无人机   舰炮   目标跟踪  

摘要： 脱靶量是检验部队训练水平、武器性能的一个重要指标,同时也是优化方法、改善参数的重要反馈依据。针对海面舰炮脱靶量测量成本高、方式复杂、受海面气候影响大、测量精度不高等问题,提出了一种基于无人机目标跟踪的舰炮脱靶量测量方法。该方法使用无人机作为观测平台,通过与靶船通信,确定规则的相对运动,拍摄清晰的脱靶图像及相关位置信息。地面站系统利用YOLOv5-DeepSORT目标检测和跟踪算法对炸点水柱进行检测和跟踪,从而实现对炸点水柱脱靶量的测量。该方法实施简单,测量精度高,可有效增强脱靶量测量的效果,提高部队的战斗力水平。

关键词： 二维人体姿态估计   单人姿态估计   深度学习   关键点检测   计算机视觉  

摘要： 人体姿态估计是计算机视觉领域的一项关键技术,它通过检测人体关键点以识别人体姿态。随着深度学习的快速发展,其已成为人体姿态估计的主流技术并取得了显著进展。围绕单人姿态估计问题,从数据预处理、网络架构设计、监督学习方法以及后处理技术四个维度对基于深度学习的单人姿态估计研究进行回顾,同时探讨关键点表征的新方式及Transformer模型在该领域的应用,此外还介绍了常用的数据集和性能估计指标,深入讨论当前单人姿态估计领域的挑战和发展方向。

关键词： 深度学习   融合算法   目标检测   YOLOv5  

摘要： 为了解决红外与可见光图像融合在光线不足的情况下,融合图像纹理细节较弱、算法识别能力差等问题,提出了一种基于红外与可见光图像融合的目标检测算法。设计了QDOB模块分别用于提取两种图像的特征,从而获得丰富信息的融合图像。将融合图像送入YOLOv5网络中训练得到检测模型。实验结果表明,该文融合算法要优于传统的融合算法,并且通过网络训练出的检测模型精度由源图像的67.23%提升到84.79%,能够达到实时检测的需求。

关键词： 三七   复杂收获作业工况   目标检测   通道剪枝   Jetson Nano   YOLO v8s  

摘要： 为实现三七联合收获作业过程中的自适应分级输送和收获状态实时监测,本文针对三七根土复合体特征和复杂田间收获工况,提出一种基于YOLO v8s并适用于Jetson Nano端部署的三七目标检测方法。在YOLO v8s对三七准确识别的基础上,针对其新的模型结构特性,利用通道剪枝算法,制定相应剪枝策略,保证模型精度的同时提升实时检测性能。采用TensorRT推理加速框架将改进模型部署至Jetson Nano,实现了三七目标检测模型的灵活部署。试验结果表明,改进后的PN-YOLO v8s-Pruned模型在主机端的平均精度均值为93.71%,参数量、计算量、模型内存占用量分别为原始模型的39.75%、57.69%、40.25%,检测速度提升44.26%,与其他目标检测模型相比,本文改进模型在计算复杂度、检测精度和实时性方面具有更好的综合检测性能。在Jetson Nano端部署后,改进模型检测速度达18.9 f/s,较加速前提升2.7倍,较原始模型提升5.8 f/s。台架试验结果表明,4种输送分离收获作业工况下三七目标检测的平均精度均值达87%以上,不同输送分离收获作业工况和不同流量等级下的目标三七计数平均正确率分别达92.61%、91.76%。田间试验结果表明,三七目标检测平均精度均值达84%,计数平均正确率达88.11%,图像推理速度达31.0 f/s。模型检测性能和计数效果能够满足复杂田间收获工况下目标三七的检测需求,可为基于边缘计算设备的三七联合收获作业自适应分级输送系统和收获作业质量监测系统提供技术支撑。

关键词： 目标检测   注意力机制   感受野   损失函数  

摘要： 针对复杂背景下红外小目标识别错误率高,模型回归损失较大的问题,提出一种改进的算法YOLOv8_SG(Small goals)。通过构建小目标检测层、引入SA注意力机制与WIoU_v3损失函数,使算法能够融合更深层特征,具有更大的感受野,并且降低了训练样本标注质量不均衡的影响,提高了预测框的位置精度,增强了对小目标的检测能力。实验结果表明,改进后的算法mAP由0.8514提升到0.8997,Box_loss效果较改进前提升了34.9%,该算法在小目标检测上具有更高的特征提取能力和更高的检测精度。

关键词： 目标检测   YOLO   SSD   Faster R-CNN   视频监控   算法优化  

摘要： 随着视频监控系统的复杂性增加,海量、实时且准确的视频监控目标检测变得至关重要。现有的视频目标检测算法如YOLO、SSD和Faster R-CNN各有优劣,且对于海量视频进行目标检测,单一算法均难以满足不同的视频检测需求。鉴于此针对视频目标检测,提出了一种混合的目标检测算法,该算法结合了YOLO的快速检测能力、SSD的多尺度处理优势以及Faster R-CNN的高精度特点,旨在优化视频监控的性能。通过在合成数据集和真实世界数据集上的实验验证,该混合算法在速度和准确性上均展现出显著改进,特别是在处理小目标和高密度交通场景时的表现良好。