关键词： 主成分分析   张量   图像去噪   图像处理   机器学习   计算机应用   信号处理   奇异值分解  

摘要： 为了解决张量鲁棒主成分分析(tensor robust principal component analysis,TRPCA)还原低秩结构时同等收缩奇异值造成的信息提取偏差问题,本文考虑区别对待奇异值,使用非凸加权张量Schatten-p范数(0

关键词： 电缆通道   计算机视觉   三维测量  

摘要： 文章提出了一种基于计算机视觉的电缆通道三维测量与建模方法,研制了相应的装置。该装置集成高清摄像头和激光雷达,通过多传感器数据融合,结合图像处理和立体视觉算法,实现了通道内部数据的实时采集与处理。采用履带式底盘,具备远程遥控功能,能在狭窄的电缆通道内灵活移动,获取全面的图像和尺寸信息。系统集成边缘计算节点,利用并行处理和优化的数据传输,实现视频数据的实时分析,快速生成高精度的三维模型和测量报告。实验结果表明,该装置在测量精度、数据融合方面优于传统方法,提升了电缆通道的测量效率和数据准确性,为空间受限、人员难以进入的电缆通道的查看、测量和验收提供了创新且高效的技术方案。

关键词： 碍航流态   目标检测   YOLOv5s   CA   BiFPN  

摘要： 针对石牌弯道航段表面碍航流态在线监测难题,进行图像目标检测应用研究。现有目标检测算法在流态识别领域应用较少,因此在目标航段采集流态特征数据,并自制表面碍航流态数据集SOFSD。为保障检测速度与精度,基于YOLOv5s框架,结合CA(坐标注意力机制)和BiFPN(双向特征金字塔网络)构建YOLOv5s-CA-BiFPN模型,并基于该模型提出一种新型航道表面碍航流态智能识别方法。试验结果表明:相较于YOLOv5s, YOLOv5s-CA-BiFPN模型在精准率和召回率上分别提升2.3%和0.8%,mAP@0.5提升1.3%和mAP@0.5:0.95降低2.2%,在检测效果和泛化性能上均优于YOLOv5s,有效减少漏检与误检,提升小目标检测能力。基于该方法构建航道表面碍航流态智能识别系统,可为智慧航道建设提供参考。

关键词： 暗弱空间目标   目标检测   自适应阈值   双向时空差分   星等相似性约束  

摘要： 复杂星空背景下的暗弱空间目标检测是空间态势感知的核心挑战。受背景噪声干扰、目标遮挡及帧间配准误差影响,现有方法存在漏检率高、定位偏移显著等问题。文章提出融合检测框架HASD-StarNet。首先,动态调整局部对比度阈值,抑制背景噪声;其次,通过扩展观测时间窗与融合目标时空特征,维持目标运动连续性,解决遮挡问题。最后,在几何匹配算法中引入恒星星等特征,提升配准精度。在仿真与真实星图数据集上的实验表明:经过HASD-StarNet处理后的初始星图信噪比提高93.37%、不同信噪比下的目标检测率为95.58%、97.59%、100.00%,帧间配准精度达到0.52像素,处理速度较传统方法提升6~60倍。该方法可以检测复杂星空背景下的暗弱空间目标,为航天器安全运行提供保障。

关键词： 目标检测   深度学习   可变卷积   自动驾驶  

摘要： 车辆行驶中的道路目标检测算法存在模型复杂度较高、检测效果差、泛化能力弱等问题,通过对道路目标检测算法现状的分析,提出了一种基于改进YOLOv8s的道路目标检测算法。分析了YOLOv8s的网络结构,优化空间深度卷积改进CNN,提高模型对低分辨率图像和小型物体的检测性能,在主干网络采用DCNv3可变卷积改进C2f增强特征提取能力;在颈部网络结合RFA注意力机制提高网络性能;采用基于最小点距离的边界框相似性比较度量的MPDIOU算子作为损失函数,提高收敛速度和回归精度。在Udacity数据集上实验结果显示改进算法较原YOLOv8计算量减少18.29%,平均准确率精度提高至97.9%。实验结果表明,上述算法实现了模型复杂度和检测精度的平衡。

关键词： 时空图卷积   人体姿态估计   跌倒检测   计算机视觉  

摘要： 针对ST-GCN算法在动作识别中需要预先定义人体骨架拓扑图及准确率有待提高等问题,提出了基于OpenPose与改进ST-GCN结合的跌倒检测算法.利用OpenPose算法提取人体骨骼关键点数据,将骨骼关键点数据输入改进的ST-GCN算法中进行动作识别.对ST-GCN算法进行改进,引入自适应图卷积模块,通过动态调整图结构,增强模型对不同动作类型特征提取的灵活性;引入注意力机制模块,进一步提升模型的识别性能.在公开数据集上验证的结果显示,NTU-RGB+D 60数据集上,X-Sub和X-View的top-1准确率与改进前相比分别提高2.2%和2.5%;Kinetics-Skeleton数据集上,top-1和top-5准确率分别提高3.1%和4%.自建数据集上的准确率与改进前相比提高4.7%.实验结果表明,所提出的算法满足实际应用需求.

关键词： 显著性目标检测   特征细粒度   多尺度特征   跨模态融合  

摘要： RGB-Depth(RGB-D)显著性目标检测是一项有意义且具有挑战性的任务,受到学术界的高度关注。然而,现有方法难以妥善处理骨干网络所提取的特征信息以及如何有效融合跨模态特征,不能有效应对背景信息混乱,深度图质量低和目标轮廓复杂的情况。为解决这些挑战,提出了一种基于特征细粒度增强和跨模态融合的RGBD显著性目标检测模型。首先,采用经过ImageNet数据集预训练的Res2Net50网络为特征提取器,分别对RGB图像和深度图进行特征提取,并通过设计的特征细粒度增强模块增强提取到的多尺度特征,该模块可以自然嵌入到不同级别的编码器中,提升不同层次特征的细粒度表达。接着,通过跨模态双注意力特征融合模块学习两种模态之间的互补信息,利用通道和空间双注意力机制自适应地整合跨模态信息,以获得丰富的显著特征信息,更精准地定位显著物的位置。然后,在解码器部分设计了一个多尺度特征聚合模块,将学习到的多尺度特定模态特征用来增强共享特征,以实现显著特征图的精确生成。通过在5个公开基准数据集上与10种主流方法相比较,所提模型在多个指标上均有较明显的提升,有效提升了检测性能,证明了所提模型的有效性。

关键词： 松科球果   目标检测   目标定位   YOLOv5s算法   双目深度相机  

摘要： 传统松科球果采摘面临效率低、风险高和成本不可控等挑战,针对自动化松科球果采摘对果实的实时识别与定位问题,提出改进的YOLOv5s-7.0(You Only Look Once)目标检测模型,基于此模型,构建基于双目深度相机的松科球果检测与定位网络。为提高目标检测精度及效率,对YOLOv5s模型进行改进,将部分卷积PConv嵌入到模型的颈部网络neck多分枝堆叠结构中,面对松科球果的复杂场景增强对稀疏特征的处理能力,提升鲁棒性,减轻特征信息的冗余。在骨干网络backbone的深层及backbone与neck的连接处嵌入简单注意力机制SimAM,在不引入过多参数的基础上优化模型复杂背景下特征提取能力和信息传递的有效性。为满足高效率检测定位,基于双目深度相机测距原理和改进的YOLOv5s模型搭建目标检测及实时定位代码,通过深度匹配,构建松科球果检测与定位系统。根据构建的大兴安岭樟子松球果与小兴安岭红松球果数据集,改进后YOLOv5s模型目标检测精确率达96.8%,召回率和平均精度分别达94%、96.3%,松科球果检测与定位系统在x轴、y轴、z轴的平均绝对误差分别为0.644、0.620、0.740 cm,顺、侧、逆光照下定位试验成功率93.3%,暗光下定位成功率83.3%,视场角等其他性能符合松科球果采摘需求。研究提出的松科球果检测与定位系统为机械化采摘的实时目标检测与定位问题提供可靠的解决方案。

关键词： 目标检测   车辆检测   YOLOv7   EfficientViT   Shape-IoU  

摘要： 为了提高道路交通监控中车辆识别准确率和速度不高的问题,提出了一种基于YOLOv7-coupling的车辆检测算法.在网络模型方面,将EfficientViT与YOLOv7结合,引入多尺度线性注意模块,用于高效的高分辨率密集预测.在保持良好硬件性能的同时,实现了全局接受域和多尺度学习.同时引入Shape-IoU损失函数,该方法通过关注边界框自身的形状和尺寸来计算损失,从而使边界框回归更准确.结果表明,改进后的YOLOv7-Coupling在UA-DETRAC车辆检测数据集上平均检测精度为98.2%,比原YOLOv7模型提升了1.1个百分点,模型参数量缩减了33.21%,浮点计算量降低了61.3%.

关键词： 目标检测   计算机控制   大米加工机械   ShuffleNetv2网络   外观品质检测  

摘要： 为提高大米加工的外观品质,设计了一种基于目标检测和计算机控制的大米加工机械。首先根据大米加工品质需求,对大米加工机械整体方案进行设计;然后从硬件控制和品质识别两方面进行实现,并重点采用ShuffleNetv2网络对机械加工后的大米外观品质进行检测。为了提高外观品质检测的质量,通过改进ShuffleNetv2网络结构和损失函数,引入注意力机制赋予提取特征不同权重;最后,对上述目标检测网络和加工机械进行验证。结果表明,改进ShuffleNetv2网络对大米外观品质检测的平均准确率为93.25%,平均检测时间为25.67 s;通过大米加工机械,可实现大米品质的准确检测。由此得出,该研究构建的大米加工机械可行,具有一定的工程应用价值。