关键词： Retinex   单尺度Retinex   暗光环境   图像增强   目标跟踪   轻量级网络   无人机   孪生网络  

摘要： 由于无人机经常需要在暗光环境中执行任务,而现有的跟踪器中很少对暗光环境的需求进行适配的训练,导致在暗光环境下跟踪器的成功率和准确率明显下降。文中提出一种通用的暗光图像增强方法,在拍摄的图像进入跟踪器前对其进行增强处理,使跟踪器在暗光环境中也能保持良好的跟踪性能。在Retinex理论基础上,文中设计了一种图像处理方法,采用一种轻量级图像处理网络ME-Net,该网络能够迭代地处理光照图和噪声图,提升图像质量,再通过改进SSR函数,有效减少了由增益-偏移引起的数据丢失。为验证所提暗光图像增强器的效果,文中对UAVDark 135数据集上多个流行的跟踪器进行实验。实验结果表明,改进后的暗光增强器显著提高了跟踪器在暗光条件下的成功率和精度,相较于其他常用的暗光增强器也有不同程度的提升,证明了其在暗光下的有效性。

关键词： 木材缺陷   目标检测   深度学习   YOLOv8   特征提取   多尺度融合   算法优化   智能识别  

摘要： 针对木材加工业自动化生产场景中传统缺陷检测方法适应性不足的瓶颈问题,开展基于深度学习的智能检测技术研究,构建涵盖多树种特征及典型缺陷类型的数据集。将目标检测技术用于缺陷检测,利用膨胀感知残差(dilation wise residual,DWR)模块优化C2f模块,并提出任务对齐动态检测头(task aligned dynamic detection head,TADDH)和特征聚焦扩散金字塔网络(focusing spread pyramid network,FSPN),用于改进YOLOv8算法(DFT-YOLO)。试验结果显示,经过改进的模型在精度上取得显著提升,达到了96.8%,相较于原始模型提高7.9%;在关键评价指标平均精度mAP50和mAP50-95上,改进后的模型分别达到93.8%和75.2%,分别提高了6.8%和17.5%;在提高检测精度的同时,模型的参数量减少了约1/6(16.2%)。改进的模型能够为木材缺陷的检测提供一种轻量化的检测方法。

关键词： 同步定位与建图   动态场景   目标检测   稠密建图  

摘要： 针对动态场景下同步定位与建图(SLAM)算法易丢失跟踪、定位精度低和难以生成稠密地图等问题,提出一种改进SLAM算法。在ORB-SLAM3中新增动态特征点检测线程:利用YOLOv5s提取语义信息与检测框,剔除动态区域特征点,并通过改进GMS算法提升静态特征点的匹配数量与速度。引入稠密建图线程,用静态特征点构建稠密点云地图,通过体素网格滤波和外点去除滤波减小规模,生成栅格地图。在TUM数据集实验表明,相比ORB-SLAM3,所提算法绝对轨迹误差(ATE)平均降低95.6%,相对轨迹误差(RPE)平均降低34.9%,显著提高了动态场景下的定位精度与鲁棒性,并成功实现稠密点云和栅格地图的构建。

关键词： 交通标志   目标检测   深度学习   辅助掩码   特征融合  

摘要： 为解决交通标志检测中小目标检测问题,提出基于目标检测网络YOLOX的特征循环融合目标检测模型。通过特征循环融合的方法,促进不同特征图之间位置信息及语义信息的相互补充,利用区域通道注意力机制加深模型在融合过程中对小目标的关注。利用原图像生成图像掩码,通过掩码辅助优化损失函数,从而降低模型对非交通标志的误检,并利用数据平衡的数据增强方法提高模型整体检测性能。通过在公开数据集上进行实验,验证了该模型能够有效地提高交通标志小目标检测精度。

关键词： 写字机器人   图像处理   路径生成   G代码   骨架提取  

摘要： 目前主流的写字机器人多采用基于GRBL的开源控制方案,通过发送G代码指令控制笔迹轨迹。然而,现有方案大多缺乏对文字笔画路径生成的深入研究。本文设计并实现了一种基于图像处理的文字路径生成方法,通过文字图像骨架提取与轮廓跟踪技术,将用户输入的文字自动转化为单像素路径,并最终生成对应的G代码,控制写字机器人完成书写任务。实验表明:该方法具有通用性强、路径生成效率高、实现简单等优点。

关键词： 目标检测   红外图像   EBM   特征增强   U-V理论  

摘要： 油品泄漏检测技术在保障油品存储与运输安全方面发挥着重要作用。油品具有易燃易爆特性,一旦在储罐、输油管道等存储或运输载体中发生泄漏,易诱发火灾、爆炸等重大安全事故。而传统红外图像目标检测算法存在易受环境温度干扰、对微小泄漏不敏感以及低分辨率图像条件下检测能力受限等问题。为攻克这一难题,提出一种基于能力-价值(Utility-Value,U-V)因果推理与能量分布模型(Energy-Based Model,EBM)的红外热成像油品泄漏检测算法,将U-V理论中因果推理及场景理解等先进理念与EBM有机结合,使算法具备对热成像数据的深度理解和分析能力,实现从感知到决策的全面升级,避免油品泄漏后处理不及时所引发的安全事故。结果表明,相比传统红外图像目标检测方法,该方法显著提升了检测的准确率和抗干扰能力,经过甘肃某油库真实场景数据验证,精确率、召回率均可达到95%以上,应用于油品存储和运输环节可为油品管道安全运行提供更可靠的保障。

关键词： 增强现实   人工智能   时敏目标   目标检测   稳态视觉诱发电位   目标识别  

摘要： 针对目标跟踪过程中目标身份(ID)跳变而影响时敏目标识别的问题,提出了一种融合增强现实技术(AR)、稳态视觉诱发电位(SSVEP)和YOLOv3的人在回路的“检测-决策”时敏目标识别方法(AR-SSVEP-YOLOv3)。利用目标感知模块获取前端场景视频,并通过AR眼镜实时呈现,YOLOv3算法完成场景视频中敏感目标检测,AR-SSVEP脑电处理模块解析受试者的脑电数据,在ID变化过程中对时敏目标进行识别。对比分析时敏目标的识别率,结果表明:AR-SSVEP-YOLOv3时敏目标识别方法相比YOLOv3算法识别率平均提升了18.8%,相比YOLOv3-Sort算法平均提升了8.0%。AR-SSVEP-YOLOv3时敏目标识别方法可以降低目标ID跳变对时敏目标识别的影响,提升人机交互能力和时敏目标识别率。

关键词： 轻量化   伪装   目标检测   边缘计算   骨干网络   特征融合  

摘要： 针对已有模型参数量较大、推理速度较慢的问题,提出一种轻量化伪装单兵目标检测算法。其骨干部分以HGNetv2为基础,采用SRepVGG模块进行多尺度特征融合,最后在耦合检测头中组合使用了部分卷积和1×1卷积。提出的深度学习网络与基准模型YOLOv8对比,在保证检测精度的同时,参数量减少了35.4%,推理速度提升了18.9%,更适合在算力资源受限的边缘计算设备上运行。

关键词： 水果品质分级   深度学习   特征提取   图像处理  

摘要： 水果品质分级是农业生产和食品加工中的关键环节,直接影响产品价值和市场竞争力。近年来,随着计算机硬件成本的下降和性能的提升,深度学习技术迅速发展,为水果品质分级提供了新的解决方案。文章首先介绍了深度学习的核心原理,对比了卷积神经网络、循环神经网络等典型算法的特点;其次,全面综述了国内外基于深度学习的水果品质分级方法研究现状;最后,针对当前水果品质分级方法存在的问题,提出了未来的研究方向和发展建议。该研究不仅可为水果品质分级技术创新提供理论借鉴,还能为农业智能化发展提供重要技术参考。

关键词： 3D目标检测   Bird’s eye view   多模态融合   深度预测  

摘要： 基于BEV(bird’s eye view)多传感器融合的自动驾驶感知算法近年来取得重大进展,持续促进自动驾驶的发展。在多传感器融合感知算法研究中,多视角图像向BEV视角的转换和多模态特征融合一直是BEV感知算法的重点和难点。笔者提出MSEPE-CRN(multi-scale feature fusion and edge and point enhancement-camera radar net),一种用于3D目标检测的相机与毫米波雷达融合感知算法,利用边缘特征和点云提高深度预测的精度,实现多视角图像向BEV特征的精确转换。同时,引入多尺度可变形大核注意力机制进行模态融合,解决因不同传感器特征差异过大导致的错位。在nuScenes开源数据集上的实验结果表明,与基准网络相比,mAP提升2.17%、NDS提升1.93%、mATE提升2.58%、mAOE提升8.08%、mAVE提升2.13%,该算法可有效提高车辆对路面上运动障碍物的感知能力,具有实用价值。