关键词： PointPillars模型   数据融合   多传感器   目标检测   YOLOv3算法  

摘要： 目标检测技术通过分析传感器采集的图像数据,检测和识别环境中的物体。然而,单一传感器采集的图像在复杂场景中图像特征无法完整表达,造成检测结果出现漏检或误检,导致检测精度下降。但是多传感器采集的图像三维特征冲突又给阈值设定带来干扰。对此,提出一种基于多传感器点云图像数据融合的目标检测算法。通过对多传感器点云数据展开融合处理,提高点云数据质量;采用改进的PointPillars模型将点云图像数据转变为二维图像,解决特征冲突问题。将其输入YOLOv3算法中,通过使用深度卷积神经网络来提取图像特征,并采用多尺度融合的方法快速输出准确的检测结果,提高了检测精度。实验结果表明:所提方法在测试过程中的J指数均保持在0.8以上,在大规模的目标检测过程中表现出较高的检测精度。

关键词： 条码定位   YOLO   目标检测   ShuffleNetV2网络  

摘要： 针对自动化生产中条码定位算法的精度低,鲁棒性差的问题,提出了一种基于轻量化YOLO网络的条码定位算法。算法首先采用ShuffleNetV2网络构建主干特征提取网络,使用分布偏移卷积(DSConv)构建网络特征金字塔(FPN),实现模型的轻量化的同时,提升了模型运行速度;然后增加SE通道注意力机制,以提升条码种类的识别能力;最后为提升收敛速度和提高回归精度,采用增强交并比(EIoU)作为边界框损失函数。消融实验、模型对比实验和可视化验证表明,算法平均检测精度为0.956,模型大小为1.39 MB。同时相较于其他算法具有更好的平台适用性,推理一张640×640分辨率图片,CPU耗时41 ms,GPU耗时仅7 ms,满足算法在不同硬件配置下的部署要求。

关键词： 目标检测   YOLOv8   多尺度特征   特征聚合   轻量化  

摘要： 针对无人机航拍场景下的目标检测模型计算复杂、检测效果不佳等问题,提出一种改进YOLOv8的轻量级无人机目标检测算法SCE-YOLO。使用STA_C2f替换骨干网络中的C2f模块,提高模型的特征提取能力;将采用渐进重参数化方法改进的AIFI模块作为空间金字塔池化层,实现高质量的尺度特征交互;提出一种多尺度特征聚合扩散网络UAV_CFDPN,根据航拍小目标的尺度特征优化网络结构,设计特征聚合模块FAM以及新的特征聚合与扩散路径,使得模型获得丰富的多尺度特征和上下文信息,提高目标检测的尺度适应性;设计一种高效共享卷积模块ES-Head,在保持定位和分类能力的同时,使得模型更加轻量高效。在VisDrone2019数据集上进行测试,实验结果表明,相较于YOLOv8s,虽然提出的SCE-YOLO算法mAP50减少0.5个百分点,但参数量和计算量仅为YOLOv8s的10.0%和48.8%,在检测精度和轻量化方面相较于其他先进算法具有明显的优势。

关键词： 雷达通信一体化   卡尔曼滤波跟踪   层次分析法   资源分配  

摘要： 研究了雷达通信一体化资源分配问题,提出了一种基于卡尔曼滤波目标跟踪算法的雷达通信一体化资源分配架构,将雷达通信系统的资源划分为目标跟踪、搜索探测和通信三部分。所提方法以应用场景对目标跟踪精度阈值作为输入,动态计算每个目标的跟踪误差,基于目标跟踪优先运用层次分析法(Analytic Hierarchy Process,AHP)计算确定目标跟踪、搜索探测和通信3项评估指标资源分配的权重;在权重计算方法的基础上构建效能评估模型,以最大化雷达通信效能为准则,选择最佳的资源分配方案。经过仿真计算分析,所提方法能够满足应用场景对目标跟踪精度需求,具有良好的合理性和可行性,适合在实际工程中应用。

关键词： 电力工程量   目标检测   点云数据   识别精确度  

摘要： 针对传统电力工程量测算困难的问题,文中以深度学习为基础,研究了图像结合点云数据的目标检测算法。该算法基于端到端Frustum PointNet实现三维目标检测,基于YOLOv5获取二维检测结果,通过视锥模块将二维区域映射至三维点云,结合通道与空间注意力机制实现精准目标检测。以ModelNet40、KITTI和自制数据集为训练与验证的对象,并针对电线杆目标类别进行了深入检测对比。检测结果表明,所提算法在保持与电力工程量测算相关目标检测稳定性的同时,提高了精确度。消融实验的测试结果说明,结合视锥和注意力机制的综合算法相比原始算法的精确度提升了约2.32%,且其综合性能也有所提升。

关键词： 伪装目标检测   卷积神经网络   视觉感知   特征增强   注意力机制  

摘要： 伪装目标检测是一项新兴的视觉检测任务,旨在识别出完美隐藏在周围环境中的伪装目标,在多个领域中具有广泛应用。针对当前伪装目标检测算法无法准确、完整地识别目标结构和边界的问题,基于人类在观察伪装图像时的视觉感知过程,设计了一种生物启发式框架,并命名为定位和细化网络(PRNet)。利用Res2Net提取图像的原始特征,从多层级信息中挖掘目标的边缘线索;特别设计特征增强模块,在丰富全局上下文信息的同时能够扩大感受野;定位模块利用双注意力机制从通道和空间2个维度来定位目标的大致位置;细化模块同时关注前景和背景中的目标线索,利用多类型信息进一步细化目标的结构和边缘。在3个广泛使用的伪装目标检测基准数据集上的大量实验结果表明,所提网络的整体性能明显优于14种比较算法,在多种复杂场景中表现优异。

关键词： YOLOv5   目标检测   智慧农业   人工智能   树莓派   边缘计算  

摘要： 针对传统番茄人工栽培劳动成本高、存在个体主观差异及生产效率低等问题。本研究基于深度学习框架,设计开发了一款基于树莓派和YOLOv5的番茄植株健康检测系统。YOLOv5采用CSPDarkNet53作为其主干网络,该网络结构在保持高效的同时,提高了模型的精度和速度。首先将所提轻量化算法部署至树莓派,然后系统通过USB摄像头连接至树莓派采集番茄植株状态,采用YOLOv5阶段目标检测算法进行番茄病虫害识别、生长状态识别、周边杂草状况识别。最后将采集、分析的数据及图片通过MQTT传输至阿里云OSS。经测试,所提算法在番茄植株健康检测任务中的mAP达到了99.36%,运行速度达到了8 fps,满足自动健康检测要求,适用于传统大棚环境和现代化温室空间。

关键词： 人工智能   艺术体操   智能化教学   计算机视觉   生成式人工智能   人机协同  

摘要： 人工智能与艺术体操教学的深度融合为传统教学模式向智能化转型提供了新路径。本文聚焦徒手动作标准化、器械操作精准度两大核心教学场景,探讨了AI技术的创新应用模式。通过文献分析与案例研究,提出基于计算机视觉的徒手动作姿态解析技术和融合惯性传感与轨迹预测算法的器械训练系统,指出AI落地需突破复杂动作语义建模准确性、多模态数据融合有效性及人机协同教学机制合理性三大关键问题,并构建“技术适配性优化-教学场景化改造”的双向协同模式。

摘要： 近年来,密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像,传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。

关键词： 石油基层站队   库房安全管理   安全行为识别   YOLOv8   计算机视觉  

摘要： 本文基于YOLOv8目标检测算法,针对石油库房员工易发的15类关键不安全行为,搭建了一套智能安全行为检测模型,并采集、构建了高质量训练数据集。在此基础上对YOLOv8网络结构进行了优化改进,引入SE注意力模块增强小目标检测,采用GIoU损失加速收敛,设计了满足油库复杂环境的检测框架。应用测试结果表明,该模型可显著提升库房安全管理智能化水平,为企业安全生产提供了新思路和新方法,具有良好的推广应用前景。