关键词： 卷积神经网络   安防监控   目标检测  

摘要： 随着安防监控需求的不断增长,基于卷积神经网络的目标检测技术在安防监控软件中得到了广泛应用。基于此,本文研究如何改进安防监控软件中的目标检测策略,通过对相关工作进行分析,提出了一系列创新的方法。实验结果表明,改进后的目标检测策略在准确率、召回率等指标上有显著提升,有效增强了安防监控软件的性能。

关键词： YOLOv8n   小目标检测   无人机视角   注意力机制   可变形卷积  

摘要： 随着低空经济的迅速发展,无人机在环境监测、农业植保、应急救援等多个领域展现出广阔的应用前景。然而,无人机航拍图像中的小目标检测问题一直是限制其广泛应用的技术瓶颈之一。针对无人机航拍图像视角广、目标小且背景复杂的特点,提出了一种改进的YOLOv8n目标检测算法,以提高无人机视角下小目标的检测精度。首先,为了更好地捕捉无人机视角下不同视距的目标的形状特征,引入了可变形卷积核。其次,增加了P2小目标检测头,并在Neck部分的C2f模块中引入了空间通道注意力机制,提升模型对不同区域目标的区分能力。最后,提出了自适应边界损失函数,使其在处理小目标时生成更优的边界框。实验结果表明,在MDMT(Multi-Drone Multi-Target)数据集上,该算法在小目标检测精度上显著优于基线模型原生YOLOv8n、YOLOv5和Faster-RCNN等模型,mAP50达到了61.0%,分别提升了13.7%、14.0%、50.8%。

关键词： 自动驾驶   目标检测   YOLOv8   多尺度特征融合   损失函数  

摘要： 道路场景中的物体检测对于智能交通系统和自动驾驶至关重要,但复杂的交通条件带来了重大挑战。针对现有检测算法存在的目标尺度的多样性、周围背景的干扰导致误检和漏检以及遮挡导致的精度下降等问题,提出了一种基于多尺度特征融合(Multi-Scale Feature Fusion,MSFF)的自动驾驶目标检测算法。在Backbone网络中构建了C2f-RepViT模块,从而生成更具表现力的特征表示;主干经过MSFF模块优化,精准捕捉图像细节与上下文信息;在Neck层中设计了特征双向扩散金字塔网络(Feature Bidirectional Diffusion Pyramid Network,FBDPN)结构,以显著提升MSFF的效果;引入PIoU(Powerful-IoU),提升了锚框的质量评估能力,加快模型的收敛速度并提高准确率。在KITTI数据集上的实验结果表明,相较于原YOLOv8算法,所提出检测算法的准确率提高了2.2%,召回率提高了1.9%,mAP@0.5提高了2.1%,mAP@0.5:0.95提高了1.6%,在自动驾驶场景中取得了更好的检测精度和效果。

关键词： 绝缘子缺陷检测   无人机航拍图像   深度学习   计算机视觉  

摘要： 依托计算机视觉和深度学习技术,从海量的无人机航拍图像中实现绝缘子缺陷检测,已经成为电力运维工作亟待解决的问题。近年来,深度学习方法在绝缘子缺陷检测任务中表现出优异的性能。该文综述了无人机航拍图像中绝缘子缺陷检测的深度学习方法研究进展。首先,简述了基于深度学习的输电线路巡检研究现状;其次,阐述了基于深度学习的绝缘子缺陷检测方法,主要从目标检测模型、轻量化网络模型、级联检测模型以及其他方法进行归纳总结,按照深度学习算法的发展历程,阐明了基于双阶段、单阶段、无锚框(Anchor-free)的目标检测算法,概述了轻量化网络、级联检测在绝缘子缺陷检测中的应用;然后,介绍了用于绝缘子缺陷检测的公开和自建数据集;最后,指出了深度学习技术在绝缘子缺陷检测应用中存在的问题,并对未来研究工作进行了展望。

关键词： 计算机视觉   面部表情识别   头部姿态识别  

摘要： 随着教育技术的不断发展,如何评估学生的课堂专注度已成为一个重要课题。基于计算机视觉技术,设计并实现了一套系统,通过识别和分析学生的面部表情及头部姿态来评估其课堂专注度。系统采用CNN模型进行表情识别,并利用OpenFace2.0工具检测头部姿态,结合两者的结果,实现对学生专注度的实时监控,并生成相关评估数据。系统采用分层设计,包括数据获取、内容识别和结果分析等模块,最终将评估结果反馈给学生和教师,以优化教学效果。实验结果表明,该系统能够准确识别表情和头部姿态,并有效评估学生的课堂表现。

关键词： 多目标跟踪   目标检测   YOLOv8   ByteTrack  

摘要： 针对复杂街景中行人及车辆频繁遮挡导致目标跟踪难的问题,文章提出一种融合YOLOv8检测与ByteTrack跟踪的多目标跟踪算法。首先,该算法利用YOLOv8目标检测网络作为检测器,借助卷积神经网络架构、特征提取技术、多尺度检测和有效的损失函数,实现了快速而准确的目标检测;然后,通过引入ByteTrack算法关联每个检测框实现跟踪,有效利用被遮挡物体的碎片信息,解决低置信度的检测框漏检问题。实验结果表明,在公共数据集MOT16、MOT20中,所提算法能够实现98.0%的检测准确率、94.0%的平均精度均值(Mean Average Precision,mAP)以及同等的召回率,相较于以往YOLOv7、YOLOv7-ConvNeXt BLOCK等方法,其检测效率得到了显著提升。

关键词： 深度学习   物理攻击   目标检测  

摘要： 深度神经网络强大的特征学习能力为计算机视觉任务提供了强有力的支撑,但已被证明容易受到对抗性样本的干扰从而输出错误的结果。现有的对抗攻击可分为数字攻击和物理攻击,与在数字像素中产生扰动的数字攻击相比,物理对抗性样本在现实世界中产生的误导作用更具有威胁性。目标检测任务作为计算机视觉领域中应用最广泛的任务之一,在自动驾驶、智能监控以及医学图像分析等领域发挥重要作用。针对目标检测任务的物理攻击,阐述了攻击的基本流程。根据不同电磁波波段将目标检测任务分为可见光目标检测和红外目标检测,并详细讨论了这两类任务中不同的物理攻击方法。探讨了当前物理对抗性攻击面临的问题以及未来可能值得研究的方向。

关键词： 风电叶片   缺陷检测   Cascade R-CNN   目标检测   深度学习  

摘要： 风电叶片作为风力发电机组的关键部件,其表面缺陷的检测对于确保风电机组的稳定运行和延长使用寿命至关重要。传统的人工检测方法效率低、易受人为因素影响,提出了一种基于Cascade R-CNN的风电叶片表面缺陷检测方法。通过高分辨率无人机拍摄风电叶片表面图像,获取高质量的检测数据。采用Cascade R-CNN模型,该模型通过级联结构逐步提升检测精度,能够有效识别不同尺度的缺陷,如裂纹、划痕和腐蚀等常见损伤。为了提高模型的鲁棒性和泛化能力,采用了特征增强技术和多尺度特征融合方法,增强了模型对不同尺度和复杂特征的敏感度。通过数据扩充技术(如旋转、平移和缩放等变换)增加了训练样本的多样性,从而进一步提升了模型对不同光照、背景以及缺陷类型的适应能力。实验结果表明,该方法在平均精度(AP)上达到88.2%,在平均召回率(AR)上达到75.9%,显著优于传统检测方法,展示了更高的检测精度和效率。该方法不仅提升了风电叶片缺陷检测的精度和效率,也为风电叶片的智能化监控提供了有力的技术支持。

关键词： 卷积神经网络(CNN)   图像处理   图像分类   知识蒸馏  

摘要： 卷积神经网络(convolutional neural networks,CNN)作为一种高效的深度学习模型,在图像分类领域具有广泛的应用,然而,其计算复杂度和参数规模限制了在资源受限环境中的部署效率。针对这一问题,本研究重点探索通过知识蒸馏技术优化CNN的图像分类算法。通过分析该模型的数学原理,阐述其特征提取与分类能力,并结合知识蒸馏的基本原理对算法进行优化。实验以加拿大高级研究所(Canadian institute for Advanced Research 10,CIFAR-10)数据集为基础,测试优化后的学生模型与教师模型及未优化模型的性能差异。结果表明:优化后的学生模型在准确率、精确率和召回率等指标上均有显著提升,验证了该方法的有效性和实用性。

关键词： 机器人   无人机   目标检测   YOLO   通道注意力   Wise-IOU  

摘要： 采摘机器人或无人机等智能农业装备在进行视觉检测作业时往往背景环境复杂、画面中同时存在大量样本,而且现有目标检测方法对低质量样本考虑不充分,致使传统目标检测模型检测不准。该文提出一种基于YOLOv11-MW的轻量化农作物实时检测模型,在骨干网络的跨阶段部分连接与空间注意力结构(Cross Stage Partial with Spatial Attention,C2PSA)中提出一种基于混合局部通道注意力(Mixed Local Channel Attention,MLCA)机制模块,增强模型对大量样本的特征提取能力,可以克服复杂背景干扰并提升检测精度;将损失函数替换为Wise-IOU提出一种新的检测头WIOUv3-Detect(WDetect),降低因几何因素对低质量样本的过度惩罚,减少误识别、漏识别。实验结果表明,文中算法在满足边缘算力需求且提升计算速度的前提下,小麦样本检测精度mAP提升1.2%,葡萄样本提升1.9%,更均衡、更准确地进行农作物检测。