关键词： 特征融合   Transformer   目标跟踪   特征优化   目标分类  

摘要： 近年来判别相关滤波器(DCF)在视觉跟踪领域取得了巨大的成功,然而大多数相关滤波跟踪器仅依赖主干网提取的最后一层特征,忽视了低层丰富的目标结构信息。基于此,提出了一种基于特征融合模块和Transformer结构模型预测器的目标跟踪算法。引入了一个金字塔形的特征融合模块,能有效整合低层特征和高层特征。使用采用非对称位置编码方案的Transformer结构预测目标模型权重,以释放模型的表达能力。提出了一个特征优化模块以根据模型权重优化搜索特征。与现有的方法相比,该算法实现了更优的特征表示和更准确的目标定位。在Tracking-Net、LaSOT和UAV123三个主流数据集上的实验结果表明,跟踪器获得了突出性能。

关键词： 疲劳检测   深度学习   目标检测   通道剪枝   轻量化  

摘要： 煤矿井下无轨胶轮车和露天矿山运输矿卡驾驶员的疲劳驾驶问题对安全生产构成重大威胁。基于深度学习的疲劳驾驶识别是当前研究热点,但现有的疲劳驾驶检测网络模型大多结构复杂,并且依赖高性能计算资源,难于在边缘设备部署。基于YOLOv5s模型,在保证检测准确度的前提下,使用通道修剪和迁移学习技术实现了疲劳驾驶检测模型的轻量化。实验结果证明,模型尺寸明显减小,参数量和计算量分别减少了78.7%和62%,推理时间为每帧图像6.9 ms;与6种主流的目标检测网络进行对比,进一步验证了该模型的优越性。该疲劳驾驶检测模型轻量化处理方法在保持较高检测精度的同时,大幅度提高了实时性和可部署性。

关键词： 人工智能   目标检测   道路病害   巡检系统   图像处理  

摘要： 文章简要阐述了路面病害车载巡检仪的研究背景,探讨了现有巡检和养护方式存在的问题,从硬件设计和软件设计2个方面设计了基于视频识别的路面病害车载巡检仪。该巡检仪能够有效节约成本,充分利用车辆资源,为后续的路政养护提供了新的借鉴和思路。

关键词： 智能交通   计算机视觉   事故检测   域适应双流网络  

摘要： 道路交通事故是导致财产损失、人员伤亡和交通拥堵的主要原因之一。快速准确地检测事故对于提高应急救援速度和降低人员伤亡率至关重要。近年来,基于视觉的事故检测方法成为主流,且随深度学习技术的应用取得了显著进展。然而,现有方法应用于国内监控场景时存在精度不高的问题,主要原因是用于模型训练的开源数据与国内监控事故视频数据间存在较大的域偏移。为了避免重新构建并标注一个大型国内监控事故数据集的繁琐性,提出了一种域适应双流网络,充分利用现有开源事故数据集实现面向国内监控场景的道路事故检测。具体地提出了一种“由粗到细”递进式域适应方法,指导模型以捕捉域不变事故外观特征。构建交叉注意力融合网络实现外观特征和运动特征的关联与交互,缓解因场景差异导致的特征偏差问题。实验结果表明,所提方法在国内监控场景下取得了较高的检测性能,验证了其有效性和可靠性。有望为提升人民生命安全和交通效率提供了重要的技术支持。

关键词： 点云   三维目标检测   激光雷达   多模态融合   自动驾驶  

摘要： 三维目标检测是自动驾驶中最关键的技术之一,基于激光雷达的三维目标检测通常在点云构建的场景中进行。目前的三维检测方法不能充分地利用点云的结构信息,这将导致目标物体的误检和漏检。为此,提出了基于动态加权图卷积的DEG R-CNN。首先,在RoI中对节点设置主邻点和次邻点,为目标物体构建点云的图结构,恢复物体的几何信息;然后,在图中利用Gaussian函数和一维卷积,高效地聚合点云的结构特征;最后,使用交叉注意力机制自适应地融合不同粒度的图像特征,为点云补充图像语义信息。在KITTI数据集上进行实验,验证了各个模块的有效性,三维目标检测的3D mAP达到88.80%,相比基线模型提高了1.22%。同时,对三维目标检测的结果进行了可视化,并对可视化结果进行了分析。

关键词： Mura缺陷   液晶屏   目标检测   深度学习   微弱特征  

摘要： 针对液晶屏Mura缺陷检测中因对比度低和尺度差异多样而导致的检测精度不足的问题,从提升模型对小尺度缺陷和微弱缺陷检测性能的角度,提出了一种基于改进YOLOv8n的液晶屏Mura缺陷检测模型YOLO-D3MNet。首先,通过引入ConvNeXtv2模块重构模型的主干网络和颈部网络,提高模型在复杂纹理背景下的微弱特征提取能力;其次,针对检测头模块特征信息跨通道交流不足的问题,提出了一种结合通道混洗策略和深度可分离卷积的高效解耦头,促进不同特征通道之间的信息流动,降低模型的算力需求;最后,针对基于预测框和真值框的交并比度量对小尺度缺陷的位置偏差敏感的问题,引入归一化高斯Wasserstein距离损失函数,提供更多的正样本候选框,从而提高模型对Mura缺陷的检测性能。改进后的YOLO-D3MNet模型的准确率、召回率和mAP_(50)分别为92.9%、88.8%和94.8%。相较于基础模型YOLOv8n,YOLO-D3MNet模型的准确率、召回率和mAP_(50)分别提高了3.4%、2.7%和3.6%,同时模型的GFLOPs降低了24.7%。与YOLOv5n等主流目标检测模型相比,本文提出的YOLO-D3MNet模型在液晶屏Mura缺陷检测方面具有更好的性能。

关键词： PCIe总线   矿井图像   图像处理   实时监测  

摘要： 提出了一种基于PCIe总线的矿井图像测试系统。该系统利用高速PCIe接口,实现了对矿井环境中图像数据的快速采集和传输。设计采用先进的图像处理算法,实现对矿井场景的实时分析和监测。此外,系统通过优化的硬件架构和并行计算,提高了测试系统的性能和稳定性。实验结果表明,该系统能够高效地获取并处理矿井图像数据,为矿业安全监测提供了可靠的技术支持。

关键词： 棉田昆虫   CottonInsect数据集   图像分类   目标检测  

摘要： 棉花是新疆重要经济作物,由于种植结构调整、农药不合理使用与气候变化等原因,棉花易受多种虫害侵袭,影响其产量与品质。因此,构建复杂场景下棉田昆虫图像数据集对棉田害虫综合治理具有基础性意义。本文构建了复杂场景下新疆棉田主要昆虫图像数据集,用于真实环境下棉田昆虫的识别与检测。本数据集包含13种(类)常见的棉田昆虫,共3225张图像,原始图像共24 GB,均通过严格筛选,确保图像质量。对每张图像的棉田昆虫进行人工标注,构建图像分类数据集和目标检测数据集,数据集大小共29.7 GB。使用常见的深度学习模型对数据集进行评估,确保数据集的可用性和可靠性。本数据为棉田昆虫图像分类、目标检测等提供基础数据,对促进农业领域的发展、棉花虫害防治研究及提高棉花产量具有重要的实际应用价值。

关键词： 深度学习   对抗样本   YOLOv8   目标检测   对抗补丁  

摘要： 目前,基于人工智能目标检测技术的摄像头得到了广泛的应用.而在现实世界中,基于人工智能的目标检测模型容易受到对抗样本攻击.现有的对抗样本攻击方案都是针对早版本的目标检测模型而设计的,利用这些方案去攻击最新的YOLOv8目标检测器并不能取得很好的攻击效果.为解决这一问题,针对YOLOv8目标检测器设计了一个全新的对抗补丁攻击方案.该方案在最小化置信度输出的基础上,引入了EMA注意力机制强化补丁生成时的特征提取,进而增强了攻击效果.实验证明该方案具有较优异的攻击效果和迁移性,将该方案形成的对抗补丁打印在衣服上进行验证测试,同样获得较优异的攻击效果,表明该方案具有较强的实用性.

关键词： 自然环境   葡萄   多模态   语义分割   目标检测  

摘要： 葡萄果实的采摘点定位准确率依赖于目标检测和语义分割网络的性能。然而,在实际应用场景中,基于可见光图像的葡萄果实目标识别准确率和分割精度易受光照变化、复杂环境影响,往往表现不佳,且葡萄果实成串生长,现有苹果、梨子等多模态数据集难以满足串形葡萄果实的识别需求。构建基于可见光、深度、近红外的葡萄多模态目标检测和语义分割数据集,对于探索更高识别率和更强泛化能力的葡萄果实目标检测和语义分割模型至关重要。本数据集约39.08 GB,共收集了在不同光照和遮挡条件下青色、紫色两类6个品种的葡萄高质量多模态视频流数据,并从中提取3954张图像样本进行语义分割和目标检测标注。在使用旋转、缩放、错切、平移,以及高斯模糊等图像增强手段下,可满足主流深度学习模型训练需要。本数据集可为多模态视觉数据融合、葡萄果实语义分割和目标检测等领域提供宝贵的基础数据资源,对促进农机装备智能化领域研究具有重要的实际应用价值。