关键词： 多目标跟踪   扩展目标   算术平均融合   Log-Cholesky距离   PMBM滤波器  

摘要： 在多传感器多扩展目标跟踪过程中,邻近目标由于质心距离过近难以准确分辨,直接采用扩展目标泊松多伯努利混合滤波算法跟踪容易出现目标漏检情况。针对此问题提出了一种改进算法。在多传感器信息融合阶段,基于对数-珂拉斯奇(LC)距离提出了改进的椭圆外形度量方法,该方法不仅能够提供稳定的质心距离度量,还能够捕捉不同扩展目标外形矩阵的微小差异,实现了对不同传感器下同一扩展目标后验密度的有效关联。此外在局部传感器滤波阶段,对邻近区域内丢失目标对应的伯努利分量进行补偿,有效解决了因量测分布紧密被划分到同一子集导致的目标漏检问题。仿真结果表明,改进的算法具有良好的跟踪性能。

关键词： 硅胶   增材制造   图像处理   挤出缺陷   离线优化  

摘要： 针对硅胶挤出增材制造过程中拐角处的过填充和起始处的欠填充缺陷,文章提出一种基于视觉反馈的硅胶挤出缺陷优化方法。首先搭建硅胶挤出增材制造实验平台,利用视觉传感器监测打印过程并获取打印图像;针对实验中的打印线条图像设计相应的图像处理算法,根据该算法得到打印线条的线宽,设计正交试验研究打印线宽与工艺参数之间的影响关系,得到不同打印参数(层厚h、喷嘴移动速度v_(t)、喷嘴挤出速度v_(d))下的打印线条线宽数据,并对线宽数据采用最小二乘法拟合得到线宽数学模型;通过线宽模型分析硅胶挤出过程中喷嘴在拐角和打印起始处的挤出速度变化规律,创建喷嘴的挤出速度变化模型,并利用该模型和线宽模型优化打印模型G代码,使喷嘴的移动速度与挤出速度在拐角和打印起始处保持一定的匹配关系,改善硅胶挤出过程中的过填充和欠填充缺陷。硅胶挤出打印实验结果验证了文章优化方法的有效性。

关键词： 孪生网络   计算机视觉   目标跟踪   优化措施  

摘要： 计算机视觉目标跟踪作为视觉感知系统中的核心任务之一,面临着如何在动态、复杂环境中保持高效、稳定跟踪的挑战。随着深度学习技术的飞速发展,孪生网络在目标跟踪中的应用为解决这些问题带来了新的契机。然而,尽管孪生网络在一定程度上优化了特征提取与匹配过程,但仍然存在诸多局限性。

关键词： 纸张检测   图像处理   传感器融合   计算机系统  

摘要： 为提升纸张质量检测的自动化水平,设计并实现了一套基于图像处理与传感融合的纸张参数检测计算机系统,支持对纸张厚度、张力、湿度与白度等关键指标的实时采集、处理与分析。系统采用模块化结构,结合边缘检测算法与多传感器融合技术,在多个实际生产场景中进行了测试验证,结果表明该系统具备良好的检测精度、稳定性与可扩展性。研究成果为造纸过程质量控制提供了重要的技术支撑。

关键词： 复杂交通场景   车辆目标检测   YOLOv11n   C3k2-CTA   C2CGA  

摘要： 针对复杂交通场景中,车辆因遮挡、复杂背景干扰引发的特征表征模糊和检测精度下降问题,提出一种基于YOLOv11n改进的CCT-YOLO检测算法。基于带有通道转置注意力的频率感知级联注意力(FCA-CTA)设计C3k2-CTA模块,通过增强频域通道注意力对车辆的多尺度特征判别能力;融合分组策略与空间级联分组注意力(CGA)模块,提出部分空间级联分组模块C2CGA,在降低参数量的同时,提升遮挡目标检测性能;设计一种任务对齐动态检测头,通过共享卷积减少模型的参数量,提高网络的细节捕获能力。试验结果表明:在KITTI和BDD100K数据集上,相较于原始YOLOv11n,CCTYOLO的mAP@50分别达到89.5%和52.6%,参数量减少15.5%,提出算法具有合理性。

关键词： 旋转目标检测   结构重参数化   YOLOv8   任务动态对齐  

摘要： 针对遥感目标图像检测中存在的小目标检测困难、尺度变化大、方向任意以及在小型设备中检测精度不足等问题,提出了一种基于改进YOLOv8的轻量型遥感图像旋转目标检测算法LR-YOLO(Lightweight Rotating-YOLO)。首先,利用结构重参数技术并加入EMA注意力机制设计特征提取模块C2f-RA,增强网络的特征提取和特征表达能力,有效过滤复杂背景噪声的干扰。其次,在网络架构中采用ADown下采样,在减少特征图的尺寸的过程中防止上下文信息丢失过多。最后,针对检测头分类和定位两个分支缺乏交互,导致预测不一致的问题,提出任务动态对齐检测头ETDA-Head,促进分类和定位任务间的协同作用,以提高网络模型的精度。实验结果表明,改进后的算法在DIOR-R数据集和HRSC2016数据集上mAP@0.5上较基准模型分别提升1.4%和1.6%,参数量减少56.25%,相较于代表性的RoI Transformer算法检测精度提高了16.9%。这表明LR-YOLO算法有效地提升了检测精度,并显著降低模型的复杂度,验证了其有效性。

关键词： bridge precast components   section geometry parameters   size identification   computer vision   deep learning  

摘要： To overcome the limitations of low efficiency and reliance on manual processes in the measurement of geometric parameters for bridge prefabricated components,a method based on deep learning and computer vision is developed to identify the geometric *** study utilizes a common precast element for highway bridges as the research ***,edge feature points of the bridge component section are extracted from images of the precast component cross-sections by combining the Canny operator with mathematical ***,a deep learning model is developed to identify the geometric parameters of the precast components using the extracted edge coordinates from the images as input and the predefined control parameters of the bridge section as output.A dataset is generated by varying the control parameters and noise levels for model ***,field measurements are conducted to validate the accuracy of the developed *** results indicate that the developed method effectively identifies the geometric parameters of bridge precast components,with an error rate maintained within 5%.

关键词： 林草火灾   火灾测距   双目视觉   目标检测   立体匹配  

摘要： 林草火灾已成为严重的公共安全问题,经常导致重大人员伤亡和财产损失。本文提出了一种目标检测与立体匹配相结合的火灾目标测距方法,实现对火灾目标的识别和定位。采用3层SGBM算法与YOLOv5目标检测相结合,进行WLS滤波;通过改进3层SGBM算法,对目标深度信息进行不同尺度的优化,提高了大尺度深度图像的准确性和稳定性,提出了一种基于正三角形的火灾目标检测框中心点距离计算方法,剔除无效点,提高测距精度。试验结果表明,测试距离中检测目标占比在4%以内时,改进的SGBM算法能够达到较高的精度,相对定位误差在2%以内。本文方法具有较高的精度和可靠性,可以应用于林草火灾监测预警和灭火救援等领域。

关键词： 无人水产养殖   YOLOv8   目标检测   河蟹计数   DeepSORT  

摘要： 为实现淡水池塘中无人水产养殖船的精准投饵,提出了YOLO-Crab+改进的DeepSORT的河蟹计数方法。首先,针对水下河蟹图像模糊、对比度低等问题,提出了一种基于CLAHE预处理下的YOLOv8的河蟹检测模型YOLO-Crab。YOLO-Crab在主干中增加坐标注意力机制,提高检测精度,同时,通过SimSPPF池化和GSConv+Slim Neck设计减轻模型量级。改进的DeepSORT算法用DIOU匹配替代IOU匹配来解决水草遮挡导致的河蟹ID跳变问题。实验表明,YOLO-Crab模型检测精度和F1分别达到了97.3%和94%,计数方法平均精度为81%。同时,将模型移植到Jeston AGX Orin上,检测精度达到95%,检测速度为60fps,提升了50%,计数精度为78%,能够为无人水产养殖船精准投饵提供可靠依据。

关键词： 输变电设备   目标检测   YOLOv8   注意力机制   SIoU   Grad-CAM  

摘要： 在变电站的实际工作环境当中,输变电设备的红外图像会由于不同的拍摄场景和光照强度等问题影响最终的数据质量,对红外图像中输变电设备的定位及识别造成很大的影响。为了解决这个问题,提出一种基于CA-YOLOv8的目标检测算法,它通过在YOLOv8的网络结构中添加经过改进的CA模块以提高骨干网路的特征提取能力;同时,模型采用SIoU作为回归损失,既解决CIoU的梯度消失问题,又减小自由度的总数,提高模型的收敛速度。在实测数据集上采用Grad-CAM++对模型进行视觉可解释性展示和实验验证,本文算法比目前主流的YOLO系列算法具有更高的准确率,并通过损失训练过程和实际预测结果验证了本文算法能够快速准确地实现输变电设备的识别和定位。