关键词： YOLOv5s   注意力机制   Efficient-RepGFPN   SimAM注意力机制   轻量级卷积  

摘要： 针对无序密集放置的多尺度零件识别难度大等问题,提出一种基于改进YOLOv5s的轻量化零件目标检测算法。在Backbone网络C3模块添加CA注意力机制,提高目标特征提取能力;引入了damo-yolo的Efficient-RepGFPN结构代替原有的Neck层,以减轻模型的复杂度;引入SimAM注意力机制,提高卷积网络的表征能力;为加快计算速度,降低运算成本,用轻量级卷积GSConv代替Neck结构中的标准卷积;采用FocalEIOU替换YOLOv5算法中的CIOU对模型识别性能进行优化。实验结果表明,在自制零件数据集上,改进算法的mAP@0.5达到99.4%,检测速度仅需5.7 ms,FPS达到175帧/s,且计算量和参数量都大幅度降低,模型大小仅有原来的32%,易于移动端部署,在零件检测精度、检测速度等方面均优于原有YOLOv5s,满足视觉引导下对零件精准识别。

关键词： 目标跟踪   孪生网路   外观特征   信息熵  

摘要： 目标跟踪通常只能使用视频第1帧的外观信息,在线学习目标的外观特征,并预测后续帧中该目标的位置和大小.然而,跟踪过程中目标外观时刻变化,仅通过第1帧并不能准确描述后续目标的外观.针对上述问题,提出一种基于并行多外观特征的孪生网络目标跟踪算法.首先,引入包含目标近期外观信息的动态模板帧,同时提出3种方法:多外观特征、并行外观特征、并行多外观特征,利用动态模板帧进行目标跟踪.与简单地使用动态模板帧替换初始模板帧不同,所提出的方法可解决由动态模板帧中目标容易漂移导致的跟踪算法性能下降的问题.其次引入评价模块,使用基于信息熵的评价方法或基于IOU-Net的评价方法,对得到的多个预测结果分别进行打分,选择得分最高的预测结果作为最终的预测结果.最后提出更新模块,对评价模块得到的得分进行分析,当得分满足更新模块设立的更新条件时,用最终的预测结果更新动态模板帧,使用新的外观信息指导下一帧跟踪.实验结果显示,该算法在GOT-10k、OTB100等标准数据集上取得较好效果,验证了所提算法的有效性.

关键词： 红外船舶   目标检测跟踪   PP-YOLOE   任务对齐学习   ByteTrack  

摘要： 针于无人机侦察采集到的红外影像,如何快速准确地检测到船舶目标,并进行连续跟踪,提出了一种基于改进PP-YOLOE和ByteTrack算法的红外船舶目标检测跟踪方法。对红外船舶目标检测过程中存在的多尺度、小目标、有遮挡的情况,在PP-YOLOE算法基础上,通过采用任务对齐学习(task alignment learning,TAL)、增加多采样路径、加强检测头的方式进行了相应的改进;对跟踪过程中通常存在遮挡容易导致跟踪丢失的情况,在ByteTrack算法基础上,通过将卡尔曼滤波与匈牙利算法相结合、增加ReID特征计算外观相似度的方法进行了一定的强化。实验结果表明,所提方法检测精度较高,跟踪效果较好,能够满足现实任务的需要。

关键词： 智能视频监控   深度学习   安防   目标检测   行为分析   异常预警  

摘要： 针对传统视频监控系统在环境适应性、目标多样性识别及遮挡处理方面的不足,本研究设计了一种基于深度学习的智能视频监控系统。该系统通过自适应视频采集、改进的级联区域卷积神经网络(region-based convolutional neural network,R-CNN)目标检测、基于图卷积网络和长短期记忆网络的时空行为理解等关键技术,有效提升了监控系统的环境适应性、检测精度和智能分析能力。实验结果表明:该系统在目标检测、行为识别、异常预警等方面均优于传统方法,为智慧安防应用提供了新的思路和方案。

关键词： 运动姿态识别   目标检测   自适应跑步机   回归分析  

摘要： 阐述一种可以用于检测用户实时速度变化及运动姿态变化的运动姿态图像识别计算算法。通过摄像头对目标关键信息进行特征提取,结合惯性传感数据进行数据交叉。采用帧差和校准计算的特征提取方法,并对处理过的数据进行归一化和回归分析,最终给出用户未来可能的运动方向及姿态,对运动结果进行预判分析。

关键词： 图像处理   疲劳驾驶检测   人脸状态识别   YOLOv5s   轻量化算法  

摘要： 针对现有的疲劳驾驶检测模型存在的精度低、模型体积较大且在低光环境下性能降低等问题,提出一种基于图像增强和人脸状态识别的疲劳驾驶检测模型。通过改进YOLOv5s模型进行低照度下人脸检测和关键点定位,并在YOLOv5s中引入self-calibrated illumination(SCI)模块对低照度图像进行图像增强。将下采样层替换为StemBlock模块,提高特征表达能力。将主干网络替换为ShuffleNetv2,大幅降低模型的参数量和计算量。引入cbam inverted bottleneck C3(CIBC3)模块以代替C3模块,降低噪声对检测的干扰并增强模型的全局感知能力。在总损失函数中,添加wing损失函数用于人脸关键点回归。之后,使用疲劳状态识别网络判断人脸检测模型定位到的眼嘴部位的开闭状态,最后采用评价指标判断疲劳状态。在DARK FACE数据集上的实验结果表明,对比基准模型YOLOv5s,改进后的YOLOv5s模型在参数量和计算量上分别下降62.12%、63.41%的同时精度提高2.38百分点。所提疲劳驾驶检测模型在YawDD正常光照数据集与自建低光照数据集上分别达到96.07%、94.50%的准确率,优于其他模型且单张图像处理时间仅为27 ms。这表明所提疲劳驾驶检测模型在保证正常环境与低光环境下的检测准确率的同时还能满足实时性要求,且具备部署在算力有限的边缘计算设备上的能力。

关键词： 无人机   孪生网络   轻量化网络   注意力机制   自适应加权   特征融合   视觉跟踪  

摘要： 针对传统的目标跟踪算法在无人机场景下的计算量大、实时性差等问题,提出一种基于孪生网络融合Transformer的轻量化算法(SiamTMA)。通过在孪生网络目标跟踪方法上融合Transformer编解码器模块和自适应加权融合算法,帮助模型更好地建模目标的运动轨迹,提高目标跟踪的准确率和鲁棒性;引入轻量化的主干网络MobileNetV2,使算法在保持较高的准确性同时可以在计算资源有限的无人机设备上运行。在目标跟踪标准数据集OTB100、UAV123及VOT2018上进行对比实验评估,结果表明,与传统的目标跟踪算法相比,SiamTMA在无人机场景中展现出更优越的性能。

关键词： 3D点云   孪生网络   目标跟踪   Transformer   特征融合  

摘要： 三维点云目标跟踪的过程中时常会出现遮挡、稀疏性和随机噪声等问题。为了解决这些问题,提出了一种新颖的多级Transformer特征融合的三维点云目标跟踪方法。该方法主要由点注意嵌入模块和点注意力增强模块组成,且这两个模块分别用于特征提取和特征匹配的过程中。通过将两个注意力机制相互嵌入构成点注意力嵌入模块,并将其和PTTR所提出的关系感知采样法融合,实现充分提取特征的目的。将提取到的特征信息输入点注意力增强模块中,通过交叉注意力机制对不同层次的特征依次匹配,达到全局特征和局部特征深度融合的目标。为了获取判别性特征融合图,利用残差网络的方式对不同层的融合结果进行连接。将特征融合图输入目标预测的模块中,实现对最终3D目标对象的精准预测。在KITTI数据集、nuScenes数据集和Waymo数据集上的实验验证了该方法的有效性。若不计小样本数据,在目标跟踪的成功值中该方法平均提高了1.4个百分点,在跟踪的精确值上也提高了1.4个百分点。

关键词： 目标检测   GSConv   跨阶段局部网络   注意力机制   SK模块  

摘要： 为了改善复杂背景情况下火焰检测算法检测效果较差、对小目标不敏感和计算量过大等缺陷,该文设计出一种轻量化的目标检测算法——GS-YOLOv5s。研究将鬼影混洗卷积瓶颈模块(GS bottleneck)应用于特征提取网络,提出跨阶段特征提取网络——GS-C2,通过对局部区域进行特征分流,使模型能够更专注地学习目标周围的局部特征,从而提高复杂背景下的目标检测精度;然后在模型的颈部网络中使用轻量化卷积GSConv,在实现模型轻量化的同时提高检测精度;最后通过融入选择性注意力LSK模块扩大感受野,更好地捕捉到全局上下文信息,提供更全面的场景理解,使网络更好地理解和响应小目标。数据集测试结果表明,与YOLOv5s基准模型相比,该算法结构整体参数量和浮点运算量分别减少了约20%和21%,同时mAP_(0.5)相较于YOLOv5s提高了4.6百分点。实验结果表明,GS-YOLOv5s既提高了检测精度,又满足了轻量化以及实时检测的需求,极大提高了火焰检测算法的实用性。

关键词： 板栗栗蓬   YOLOv3   目标检测   CBAM   焦点损失  

摘要： 板栗人工采收效率低、劳动强度大、易伤人,基于机器视觉的无人机采摘板栗栗蓬既高效又安全、为了快速识别和准确定位自然环境下板栗栗蓬目标,提出一种改进YOLOv3网络结构的YOLOvc栗蓬目标检测方法。通过在网络YOLOv3层前端添加融合通道注意力与空间注意力机制的CBAM注意力机制模块,提高深度学习网络模型对小栗蓬目标特征提取能力。在YOLOv3原有损失函数基础上添加焦点损失函数,提高对栗蓬遮挡等难分样本的检测识别能力。试验结果表明,YOLOvc算法能够有效检测板栗栗蓬,其查准率和平均精度分别达到89.35%、89.37%。消融试验对比结果显示,改进YOLOv3卷积神经网络对板栗树上栗蓬的检测识别精度比YOLOv3提高2.21%。研究结果表明,对YOLOv3添加注意力机制和焦点损失函数的深度学习算法YOLOvc可有效实现板栗树上栗蓬检测定位,为无人机采收板栗提供有效技术支持。