基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型

露天矿环境特殊,道路场景复杂多变,在光照不足时会导致矿区道路多目标识别不清、定位不准,进而影响检测效果,给矿区无人矿用卡车的安全行驶带来严重安全隐患。目前的道路障碍物检测模型不能有效解决矿区暗光环境对模型检测效果的影响,同时对矿区小目标障碍物的识别也有较大误差,不适用于矿区特殊环境下障碍物的检测与识别。针对上述问题,提出了一种基于双曲嵌入的露天矿区暗光环境下多目标检测模型。首先,在模型的图像预处理阶段引入卷积神经网路Retinex-Net对暗图像进行增强,提高图像清晰度;然后,针对数据集中特征过多而无重点偏好的问题,在加强特征提取部分添加全局注意力机制,聚集3个维度上更关键的特征信息;最后,在检测模型预测阶段引入双曲全连接层,以减少特征丢失,并防止过拟合现象。实验结果表明:(1)基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型不仅对露天矿区暗光环境下的大尺度目标具有较高的分类与定位精度,对矿用卡车及较远距离的小尺度目标即行人也可准确检测与定位,能够满足无人矿用卡车在矿区特殊环境下驾驶的安全需求。(2)模型的检测准确率达98.6%,检测速度为51.52帧/s,较SSD、YOLOv4、YOLOv5、YOLOx、YOLOv7分别提高20.31%,18.51%,10.53%,8.39%,13.24%,对于矿区道路上的行人、矿用卡车及挖机的检测精度达97%以上。

人机协同装配多目标检测的改进YOLOv7算法

针对人机协同装配环境复杂多变且装配零件尺度差异大、部分零件相似度高的特征,为保证人机协作装配过程中机器人准确抓取装配零件,提出了一种改进的YOLOv7模型来提高装配场景中多零件目标检测效果。首先,采用ODConv(Omni-dimensional dynamic convolution)替换YOLOv7主干网络中的卷积层,使其能够自适应调整卷积核的权值,提取不同形状、大小的装配零件的特征。其次,在YOLOv7主干网络中引入SimAM(Selective image attention mechanism)模块来减轻复杂多变的装配环境背景对零件检测准确率的影响。最后,使用Efficient-IOU替换原始的CompleteIOU来加速收敛,同时降低部分装配零件相似度高对检测准确率的影响。实验结果表明,该模型的平均准确率为93.4%,改进后的网络优于原始网络和其他目标检测算法。所提出的改进YOLOv7算法在保持高精度的同时具有较高的FPS,模型参数和计算量也相对较低,适合动态人机协同装配场景下实时目标检测要求。

同步码字优化降噪的声纳图像多目标检测方法

针对海底侧扫声纳图像分辨率低、噪声污染严重导致水下目标检测不准确的问题,提出一种结合同步码字优化降噪的水下声纳图像目标检测方法。利用同步码字优化对声纳图像中的乘性噪声进行降噪处理,从而使图像中的水下目标物获得更好的视觉与检测效果,同时对声纳图像进行相应的数据集扩充。最后利用适合本文方法的YOLO系列中的YOLOv7对降噪后声纳图像中的目标物体进行检测,并在其特征网络中加入了卷积块注意模块,从而加强对目标的特征提取。仿真结果分析得出,同步码字优化降噪与YOLOv7相结合的目标检测方法,可使目标置信度达到79%,相较于降噪前的目标检测置信度提高16%,对于目标较小的物体,能更好地改善漏检与误检情况。

面向无人驾驶场景下的道路多目标检测算法

针对无人驾驶场景下目标检测算法误检率高的问题,设计一种改进YOLOv3的多目标检测算法。该文在原始特征提取网络Darknet53中引入分组卷积核替换标准卷积核,降低了卷积操作的计算量;改进原始YOLOv3的特征融合方法,使不同尺度的特征层融合更加充分,对遮挡目标和小目标的检测效果有明显提升;构建CIoU位置损失函数,提示网络收敛效果。实验结果表明,改进的YOLOv3算法平均精确度提高了1.71%,误检率降低了12%,明显优于原始算法。

基于FPGA的LFM雷达系统的多目标检测实现

通过硬件设计和信号处理算法的有效结合,利用FPGA实现频域上的脉冲压缩,根据实际需求设计雷达参数,实现对多目标的检测。与传统的电路作比较,FPGA在信号处理和复杂算法加速等方面的优势,在高速的同时也解决了灵活性不足的问题。对线性调频信号以及脉冲压缩基本原理的研究,通过使用MATLAB产生回波信号,将其传输到设计好的FPGA电路中,最后将处理后的数据传回MATLAB画出距离–速度二维图,与仿真结果进行对比。实验结果验证了FPGA实现的频域匹配滤波能够拥有较好的测距和测速能力,硬件加速在提高雷达系统性能方面有出色的性能和广泛的应用前景。

基于路侧激光雷达的多目标检测与跟踪算法

为了检测与跟踪城市交叉口复杂环境下的道路目标,提出一种基于路侧激光雷达的多目标检测与跟踪算法。首先利用背景减除法滤除背景点云,随后融合5帧点云并利用曲率体素聚类算法检测目标得到3 D包围盒信息,之后通过自适应阈值的双门控和生存周期管理策略,有效提升关联精度并减少了目标丢失和误检,最后利用交互式多模型无迹卡尔曼滤波(IMM-UKF)和联合概率数据互联(JPDA)的融合算法完成道路目标的跟踪。试验结果表明,该算法在保证检测和跟踪性能基础上满足实时性要求,具有工程实用价值。

基于视觉传达的舰船航行图像中多目标检测方法

针对海洋环境的复杂性以及舰船目标的多样性,研究基于视觉传达的舰船航行图像中多目标检测方法,及时发现潜在的安全隐患。将舰船航行图像从RGB颜色空间转换到CIE Lab模式空间,应用改进HFT(超复数傅里叶变换)模型有效提取舰船多目标显著区域。利用加权处理和Otsu算法划分多层显著区域,并基于先验信息确定舰船多目标候选区域。采用模糊C均值聚类算法对候选区域进行分割,实现舰船多目标的精准检测。实验结果表明,该方法可在云雾覆盖、海洋杂波、船舶尾迹等多种复杂环境下准确检测舰船多目标,具有较高的鲁棒性和实用性。

融合位置注意力的无人机影像多目标检测方法

无人机能够在城市规划、侦察、监视等场景下,通过目标检测技术提供准确的目标位置和类别信息,为后台处理提供详细的信息,但现有方法在无人机影像检测时存在场景泛化能力不足、小目标漏检率高等问题。鉴于此,提出一种基于回归的检测方法,在骨干网络中使用位置注意力机制为正负样本特征赋权,提高模型对正样本的学习能力;构建四个输出尺度的特征图融合金字塔,并采用改进的非极大值抑制算法精准筛选最终的输出检测框。为降低正负样本不均衡带来的影像,一方面采用交叉熵损失函数,另一方面对训练数据集进行样本增强处理。实验结果表明,所提出模型在测试数据集上的检测精度明显优于对比模型,并且在不同场景下表现出良好的泛化能力,其测试速度可达到实时检测的水平。

基于改进YOLOv5的输电线路多目标检测设计

为了全方面识别并检测输电线路部件,本文基于改进的YOLOv5算法设计了一种用于输电线路的多目标检测系统。通过优化YOLOv5算法参数量和浮点计算量,将Bottle颈部网络CSP改为轻量级跨阶段部分模块,实现了网络结构的轻量化,同时提高了检测性能。研究结果表明,改进YOLOv5的参数量能够满足输电线路部件检测的精度、轻量化与实时性要求。该系统可以实时检测输电线路部件,并提高输电线路设备的维护和管理效率。

基于YOLOv5的危险区域多目标检测应用与性能分析

为提高危险区域多目标检测的效率和准确性,以YOLOv5算法为基础,深入分析算法原理和优化策略,使用Qt研发基于单目视觉与目标检测算法YOLOv5的危险区域多目标检测系统,实现了在危险区域中多目标的高效检测。研究中通过改进模型架构和模型剪枝、量化,对算法YOLOv5进行了优化,以适应危险区域多目标检测对速度和效率的需求。优化后的算法有显著的性能提升,平均精度达到97.3%,速度提升近10%,为危险区域多目标检测应用提供了有力的技术支持。

基于神经网络算法的多目标检测追踪系统设计

当今时代,科技迅速发展,多目标检测追踪系统在各行各业中发挥着越来越重要的作用,这类系统的核心是通过算法分析图像或视频数据,实现对多个目标的同时检测和跟踪。本文将从系统架构、图像预处理、特征提取以及恒模检测算法等多个方面详细阐述系统的设计和实现过程。本文详细阐述基于神经网络算法的多目标检测追踪系统的设计和实现,包括系统的整体架构、图像预处理模块的设计、特征提取的骨干网络选择与优化,通过系统测试与验证展示其有效性和高效性。

生产人员不规范操作多目标检测研究与应用

随着自动化水平的提高、运行方式的改变,越来越多的厂站采用“无人值班、少人值守”模式。在目前的运行工作中,安全监督监控系统需要运行人员持续高强度地监控各参数,同时借助专业知识对参数进行分析和判断,才能更好地执行监盘的任务,这一定程度上造成了人力和资源的浪费。通过构建智能识别安全监督管理系统,由高清摄像头进行视频图像采集,然后检测服务对视频内容的不规范操作进行多目标检测、分类,可以高效、可靠地解决因值班人员困乏、画面过多等情况,造成值班人员错过某些重要的报警信息,从而对生产或安全造成严重影响,导致生产环境发生很大的安全风险和管理风险。

基于改进YOLOv5算法的智慧城市多目标检测

多目标检测作为智慧城市建设中的核心技术,在建立城市图谱、挖掘城市运行规律、提高城市运行效率中起着不可替代的作用。文中在优良的目标检测模型YOLOv5基础上,选取城市中的典型场景,以行人和车辆为检测目标,将原有轻量化版本算法neck部分的SPP模块进行改进,在保证检测速率的同时增加检测的精度,然后将文中改进算法和YOLOv5-s算法同时部署在智慧城市边缘设备上进行对比试验。试验结果表明,文中改进算法相较于YOLOv5-s算法在速度保持基本不变的情况下检测多目标精度提高6.8%,在一定程度上解决了智慧城市边缘设备检测速率和精度不能同时达到要求的问题,为智慧城市多目标实时检测提供了理论参考与方法依据。

多粒度检测引导的无人机图像多目标检测算法研究

针对无人机图像中不均匀分布的小目标检测问题,提出了一种多粒度检测引导的无人机图像多目标检测方法。首先,通过粒度检测,初步识别和标记潜在目标的兴趣区域。其次,对兴趣区域进行超分辨率处理并利用目标检测器精确识别目标。最后,利用后处理算法整合检测结果,形成最终报告。此方法有效提高了复杂无人机航拍环境中小型目标检测的精度和稳定性,并且相较于YOLOv5模型,其在AP50:95指标上提高了3.27%。

基于机器学习的激光遥感图像多目标检测方法

目前方法检测多目标激光遥感图像时,其未处理遥感图像的辐射量失真情况,导致检测方法的平均识别率、平均精度均值低和检测效率低。提出基于机器学习的激光遥感图像多目标检测方法,该方法处理激光遥感图像辐射量失真情况,通过校正辐射和辐射匹配获取到更清晰和真实的遥感图像,结合改进的原始Mask R-CNN网络,引入分级跳连法和K均值聚类算法,解决Mask R-CNN网络不适用于激光遥感图像检测的问题,采用改进的机器学习,实现激光遥感图像多目标检测。实验结果表明,所提方法检测出激光遥感图像中的全部目标,平均识别率为95.6%,目标检测时间为0.02 s,平均精度均值达到77.5%,因此,该方法有效提高了平均识别率、平均精度均值和检测效率。

基于FBEC-YOLOv5s的采掘工作面多目标检测研究

针对采掘工作面目标尺度跨度大、多目标间相互遮挡严重及恶劣环境导致的检测精度降低等问题,提出了一种基于FBEC-YOLOv5s的采掘工作面多目标检测算法。首先,在主干网络引入FasterNet网络,以凭借其残差连接与批标准化模块,增强模型的特征提取和语义信息捕捉能力;其次,在YOLOv5s模型颈部融合BiFPN网络,以通过其双向跨尺度连接和快速归一化融合操作,实现多尺度特征的快速捕捉与融合;最后,采用ECIoU损失函数代替CIoU损失函数,以提升检测框定位精度和模型收敛速度。实验结果表明:(1)在满足煤矿井下实时检测要求的同时,FBEC-YOLOv5s模型的准确率较YOLOv5s模型的准确率提升了3.6%。(2)与YOLOv5s模型相比,FBEC-YOLOv5s模型的平均检测精度均值上升了2.8%,平均检测精度均值为92.4%,能够满足实时检测要求。(3)FBEC-YOLOv5s模型的综合检测性能好,能够在恶劣环境、多目标间相互遮挡严重及目标尺度跨度大导致检测精度降低的情况下表现出良好的实时检测能力且具有较好的鲁棒性。

基于多级学习的长尾分布下交通多目标检测

现有检测算法在复杂交通环境下受到长尾分布的影响,存在各类别性能难以平衡而导致精度下降的问题。因此,论文提出基于类别均衡的多级学习算法。首先在分类器上进行改进,采用多级分组分类的方式,实现较为平衡的类别学习过程。然后,引入基于多头注意力机制的特征分组方式,完成不同粒度语义信息的融合和特征提取。最后,为缓解组间的样本不平衡,构造了Logit联合调整方式,对两级类别输出进行调整。实验证明,论文提出的算法能有效缓解交通场景下的类别不平衡,提高了目标检测的准确性和鲁棒性。

基于激光雷达的三维多目标检测与跟踪

在自动驾驶应用中,为提高基于激光雷达的三维(3D)多目标跟踪精确度,降低计算时间成本与系统复杂性,提出了一种快速准确的实时3D多目标跟踪技术-PV3DMOT。该方法先结合体素和点云进行全面特征学习,以实现快速准确的3D目标检测,然后用3D卡尔曼滤波器进行目标状态预测与更新,并利用马氏距离与贪心算法完成数据关联,最终实现高效的3D多目标实时跟踪。经自动驾驶KITTI数据集实验测试,该方法的检测结果在中等与困难类别中的准确率相比Voxel R-CNN算法提升了0.2%,跟踪结果相比AB3DMOT算法,其关联准确率提升了1.16%,联合召回率提升了3.44%,能有效提高智能驾驶中3D多目标检测跟踪的精确度。

复杂交通环境下多层交叉融合多目标检测

针对目前复杂交通环境下还存在多目标检测精度和速度不高等问题,以特征金字塔网络(Feature Pyramid Network,FPN)为基础,提出了一种多层融合多目标检测与识别算法,以提高目标检测精度和网络泛化能力。首先,采用ResNet101的五层架构将空间分辨率上采样2倍构建自上而下的特征图,按照元素相加的方式将上采样图和自下而上的特征图合并,并构建一个融合高层语义信息与低层几何信息的特征层;然后,根据BBox回归存在训练样本不平衡问题,选择Efficient IOU Loss损失函数并结合Focal Loss提出一种改进Focal EIOU Loss;最后,充分考虑复杂交通环境下的实际情况,进行人工标注混合数据集进行训练。该模型在KITTI测试集上的平均检测精度和速度比FPN分别提升了2.4%和5 frame/s,在Cityscale测试集上平均检测精度和速度比FPN提升了1.9%和4 frame/s。

基于SD-YOLOv5s-4L的煤矿井下无人驾驶电机车多目标检测

为解决煤矿井下无人驾驶电机车由于光照不均、高噪声等复杂环境因素导致的多目标检测精度低及小目标识别困难问题,提出一种基于SD-YOLOv5s-4L的煤矿井下无人驾驶电机车多目标检测模型。在YOLOv5s基础上进行以下改进,构建SD-YOLOv5s-4L网络模型:引入SIoU损失函数来解决真实框与预测框方向不匹配的问题,使得模型可以更好地学习目标的位置信息;在YOLOv5s头部引入解耦头,增强网络模型的特征融合与定位准确性,使得模型可以快速捕捉目标的多尺度特征;引入小目标检测层,将原三尺度检测层增至4层,以增强模型对小目标的特征提取能力和检测精度。在矿井电机车多目标检测数据集上进行实验,结果表明:SD-YOLOv5s-4L网络模型对各类目标的平均精度均值(m AP)为97.9%,对小目标的平均检测精度(AP)为98.9%,较YOLOv5s网络模型分别提升了5.2%与9.8%;与YOLOv7,YOLOv8等其他网络模型相比,SD-YOLOv5s-4L网络模型综合检测性能最佳,可为实现矿井电机车无人驾驶提供技术支撑。