关键词： 人员计数   计算机视觉   线性回归   动态核   特征提取  

摘要： 实现井下人数实时统计对实现井下限员生产具有重要意义。现有人员计数算法对普通环境中稀疏人群的计数效果良好,但对复杂的井下环境中密集人群的计数效果不佳。针对上述问题,提出了结合Yolov5s和线性回归的人员计数模型:Yolov5s-LR。首先,根据注意力机制动态地调整每个卷积核的权重,从而提高模型在井下昏暗密集环境中的特征提取能力;其次,使用与检测头共享骨干网络的线性回归计数头预测人数,并通过L2损失函数进行模型训练,从而实现误差较低的人员计数。实验结果表明,在自建的煤矿井下人员计数数据集上,上述模型的人员检测精度比Yolov5s高3.1%,人员计数的MAE和MSE比当前流行的人员计数模型中效果最好的DKCNN-LR模型降低了0.3和0.58。

关键词： 目标检测   YOLOv5   行人检测   可变形卷积  

摘要： 行人检测在智能交通、人流统计等场景发挥着重大作用。针对当前密集场景下遮挡行人和小尺度行人容易漏检的问题,提出一种改进YOLOv5的目标检测算法。首先,在主干网络中采用C2f模块替换原有的C3模块,该模块可在轻量化的前提下获取更加丰富的梯度流信息,提高对小目标的检测能力;其次,在主干网络中引入可变形卷积模块,该模块能够增强卷积神经网络的感受野,改善对目标形变的建模能力,提高遮挡环境下行人特征的提取能力;最后,优化边界框回归损失函数,将FocalLoss与EIOULoss融合,加速收敛,提高回归精度。实验结果表明,与现有的YOLOv5s相比,召回率提升2.9%,mAP0.5提升1.3%。

关键词： 三维建模   实例分割   模板匹配   三维姿态  

摘要： 船只在海面上航行时,由于船只自身的运动、风力和海浪对船只运动的影响,船只的姿态是实时变化的,要在飞机上实时、准确测量出船只的姿态是很困难的。针对上述问题,设计了一种融合传统的模板匹配方法和深度学习方法的姿态估计方法,深度学习方法提高了姿态估计的准确性、鲁棒性和环境适应性,结合基于轮廓特征的模板匹配方法提高了姿态估计的实时性。首先采用目标船只的三维模型,渲染出船只的多姿态图像,通过实例分割算法建立船只姿态模板库。然后采集目标船只的可见光图像,通过目标检测、实例分割算法获得船只匹配图像,将船只匹配图像与船只姿态模板库中的图像进行匹配,匹配成功的船只姿态模板图像对应的姿态即为船只的姿态。通过仿真验证,三维姿态估计精度可达到1°。

关键词： 风力机叶片   角点检测   离散小波变换  

摘要： 风机叶片细长尺寸大的结构使得接触式传感器检测系统安装困难,同时传感器也会加剧叶片运行的不平衡性,现有基于机器视觉的非接触式方法的图像采集也无法采集叶片全貌,导致对于风机叶片运行时的动态监测手段缺失。提出一种基于视频拼接、长尺寸目标的信息采集方法,通过OpenCV与Python联合开发,经先验去雾后利用Harris角点检测和SIFT将分散图像拼接成整体图像,并进行多重离散小波变换与逆变换增强图像质量。结果表明,上述方法能够有效采集并保留完整的叶片信息,尤其是完整的叶片边缘信息与叶片损伤信息,对基于机器视觉检测叶片的潜在缺陷或损伤提供有效的数据支撑,进而保证风机叶片安全稳定运行。

关键词： 目标检测   深度学习   注意力机制   深度可分离卷积  

摘要： 随着注意力机制在目标检测中的广泛应用,进一步提升特征提取能力成为研究的重点.提出了一种新的注意力机制,旨在优化特征交互过程,提升检测性能.所提机制移除了传统自注意力中的查询操作,采用深度可分离卷积高效提取局部与全局信息,并通过键和值的加权融合实现特征聚合.本文方法有效降低了计算复杂度,增强了模型对重要特征的捕捉能力.通过在5个不同类型的数据集上进行验证,实验结果表明,该注意力机制在处理小目标检测、遮挡处理以及复杂场景下的表现优异,显著提高了检测精度与效率.可视化分析进一步证实了其在特征提取中的有效性.

关键词： 建筑物识别   机器学习   YOLOv7   输电线路走廊   目标检测  

摘要： 输电线廊道内的灾害预警与安全评估是智能电网建设工作的重点之一,因此掌握输电线廊道区域内聚落的所在位置及其分布情况等信息对于做好山区防灾减灾工作非常重要。近年来,随着目标检测技术的不断发展,所应用到的领域也越来越广泛,而遥感目标检测作为其中的一个应用场景,因为其覆盖范围广、涵盖目标多的特点,被广泛应用于建筑物信息提取。现有的深度学习模型在建筑物识别分割上的识别精度和检测速度都存在局限。针对此类问题,本文以GF-2影像作为数据基础,首先对山区建筑物标记,建立样本数据集并按照9∶1的比例划分为训练集和验证集;然后对标准版YOLOv7网络进行改进,在颈部部分添加GAM-CBAM合成的双重注意力模块,减少建筑物的特征丢失,从而提高网络的检测能力。结果表明,改进后的YOLOv7网络对山区建筑物的分割识别平均精度达到了88.74%,在精确度和召回率上也高于其他深度学习模型。因此,该方法可以快速高效地获取山区聚落信息,并为山区防灾减灾过程中应急预案的制定提供数据支撑。

关键词： 水下目标检测   注意力机制   特征融合   轻量化  

摘要： 水下目标检测由于光的折射与环境杂质等问题,图像质量较差,而检测目标通常较小,且目标间的存在相互遮挡,如鱼、海胆等,使得特征提取困难,检测精度低。而水下终端设备的算力有限,水下作业实时性需求高,限制了深度大模型在水下环境中的应用。提出一种基于Yolov8的水下目标检测模型。为实现模型轻量化同时兼顾保留深层语义特征,首先设计残差分离(DP)模块,引入深度可分离卷积,增加跳跃连接,减少分离计算丢失的特征信息。为了关注重点的特征区域,设计多视角注意力(MA)模块,在通道域复合池化,得到通道注意力权重;在空间域,考虑水下小目标易受噪声干扰特点,使用局部像素注意力代表该区域注意力权重,最后进行特征融合以得到含纹理与背景信息的特征权重。实验证明在水下目标检测竞赛数据集URPC(Underwater Robot Professional Contest)上,改进后的模型精度较原模型提升约7.9%,模型规模减少约20%。

关键词： 目标检测   上下文表示   轻量化网络   卷积自注意力   特征融合  

摘要： 与通用目标检测相比,小目标检测由于低分辨率和抗干扰噪声能力有限而更加具有挑战性,充分利用上下文语义信息对于解决小目标检测存在的问题具有重要的意义。本文在YOLOv7模型的基础上,提出了一种基于上下文语义融合模块的轻量级网络模型算法。该模型由主干网络、多尺度特征表示网络和检测头部三部分组成。其中,模型利用部分卷积构建主干网络P-Net,在保证检测效果的同时进一步减少计算量;在传统特征金字塔网络结构中引入卷积自注意力模块,减少上下采样过程中的信息丢失;采用差异化检测头部检测不同尺寸的目标。在航空图像小目标检测(Aerial Image Tiny Object Detection,AI-TOD)数据集上的实验表明,本文提出的模型算法在AI-TOD基准上平均精度达到21.6,速率达到161 frame/s,超过了其他检测模型算法。此外,在具有较低参数量及计算量时检测效果优于其他检测模型,同时消融实验的结果表明本文提出的改进模块均具有效性。

关键词： 坩埚缺陷识别算法   机器人智能化验系统   YOLOv8   数据扩充   目标检测   加权机制   推理时间  

摘要： 基于轻量级YOLOv8的坩埚缺陷识别方法,可解决机器人智能化验系统中坩埚几何形态多样性显著、缺陷样本分布失衡导致的检测可靠性难题。首先基于DDPM的图像数据扩充增强策略,根据数据标签分布,实现坩埚图像数据的平衡扩充;随后为了更好地平衡网络模型的推理速度和检测精度,提出改进的YOLOv8坩埚缺陷识别算法,引入无参数注意力和自适应加权机制。实验结果表明,该方法的平均精度(mAP)为97.40%,单张图像的推理时间为1.20 ms。尽管推理速度比YOLOv11-n延迟0.2 ms,但当前通用目标检测方法中的轻量级方法检测精度居于最优,所提方法能有效应用于工业坩埚缺陷检测场景。

关键词： 遥感影像   地面目标检测   YOLOv4   通道注意力   密集上采样卷积  

摘要： 针对遥感影像中目标尺寸较小且特征信息少等问题,提出一种基于改进YOLOv4的遥感影像地面弱小目标检测方法。基于YOLOv4结构,在骨干网络中引入改进通道注意力机制强化对正样本学习能力,使用密集上采样卷积代替最邻插值上采样核来保留更多的样本特征,对于尺寸过大的遥感影像,采用分片-筛选组合来获取尺寸合理且特征充足的训练样本。实验结果表明,改进后模型在检测精度方面显著优于原始模型,能够在应急救援、军事侦察等多个领域内发挥应用价值。