一种改进的概率霍夫直线检测算法

针对概率霍夫直线检测算法检测速率不高、检测精度易受其他特征和连续间断线干扰的缺点,提出了一种改进的概率霍夫直线检测算法。改进后的算法将注意力集中在直线可能存在的若干个区间,提升了检测速率与精度,在直线检测全过程监控并剔除连续间断线,提升了算法的抗干扰能力。经过100组铝锭边缘线检测的实验验证,改进后算法相较原算法平均检测速率提升至1.77倍,查准率提升至1.45倍,且改进后算法在其他图片上的检测速率和检测效果相较原算法也有明显提升。

基于深度学习的无锚框目标检测算法综述

近年来,基于深度学习的无锚框目标检测算法备受关注。为了深入理解无锚框检测算法,对比分析了基于深度学习的无锚框检测算法的原理机制、网络结构、核心特性以及优缺点,归纳总结了无锚框检测算法的核心技术,并在同一数据集上通过性能实验研究上述算法的性能,总结提出基于深度学习的目标检测算法未来的研究方向。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

面向高密度柔性集成电路封装基板的精密视觉检测算法

高密度柔性集成电路(IC)封装基板是电子组件的核心载体,其制造过程中的刻蚀、显影等工艺需要严格的品质控制.本文开发了一种融合金相显微镜与工业相机的成像视觉检测系统,用于柔性IC封装基板的图像采集与品质控制.针对显微成像视野小、易离焦等问题,提出了一种基于中值的三元模式局部纹理快速自动对焦算法.此外,针对高倍镜下柔性IC封装氧化缺陷分布不均匀问题,引入微分几何工具,利用曲率等几何特征提出了一种基于动态曲线演化的高精度表面氧化分布特征检测模型.通过定性与定量的实验研究,验证了两种算法在快速性和高精度方面的优越性能.

基于SNPP/VIIRS卫星数据的海温锋检测算法研究

本文采用SNPP/VIIRS(Suomi national polar-orbiting partnership/Visible infrared imaging radiometer suite)卫星海表温度数据对锋面检测算法进行对比分析,包括Sobel算法、Canny算法、引力模型法、直方图分析法和熵算法。通过分析上述算法中间结果、单日海温锋检测结果以及月度锋面概率分布的差别与特征,再结合各算法特点发现,在锋面识别中由于各算法的底层逻辑不同,造成了对海温锋定义难以统一的问题,因此各算法检测出的海温锋各有特点,适合不同的研究和应用需求,实际应用时要根据研究需要和实际情况选择合适的算法。各算法的特点为:Canny算法、引力模型法、Sobel算法、熵算法对强锋面的检测能力依次递减,对弱锋面的检测能力依次递增,抗噪性递减,直方图分析法检测出的锋面表现出较强的连续性,锋面光滑、清晰且连贯,抗噪性较好;各算法适用场合为:以梯度计算为基础的Sobel算法或者其他梯度类算法适用于精确计算温度变化程度的应用场景,Canny算法适用于强锋面的研究,引力模型法适用于应用噪声较大的数据检测锋面或者强锋面的检测,熵算法适用于弱锋面的检测,直方图分析法比较适合分析连续的长锋面。

基于对比学习的急性早幼粒细胞白血病智能检测算法模型在全血细胞分析中的建立与验证

目的利用学习统计软件建立基于对比大模型的急性早幼粒细胞白血病(M3)智能检测算法模型(简称M3模型),并验证其有效性。方法通过实验室信息系统(LIS)和医院信息系统(HIS)检索并统计北京协和医院8256例行全血细胞分析的门诊及住院患者数据,建立M3筛查模型。采用2023年7—10月本院行全血细胞分析的门诊及住院患者数据对M3模型进行验证。结果M3模型对全血细胞分析中M3的筛查具有一定应用价值,在筛查中性粒细胞毒性变化方面有一定作用,成功筛出2例中性粒细胞蓝绿色包涵体。结论M3模型对M3诊断的特异性有待提高。后续研究将增加M3阳性病例以优化模型,在保证高敏感性的同时提高特异性,为全血细胞分析智能审核提供帮助。

BEV特征下激光雷达和单目相机融合的目标检测算法研究

为提高自动驾驶汽车对周围目标物的检测精度,提出了一种激光雷达和单目图像数据在鸟瞰图特征上融合的目标物检测算法(monocular-bird’s eye view fusion,Mono-BEVFusion)。为构建相机BEV特征,搭建了简单高效的深度预测网络预测相机特征的深度,基于显式监督的方法用深度真值对其进行监督。构建激光雷达BEV特征时,将激光点云体素化为柱状网格转化到BEV特征下,设计BEV特征融合网络将激光点云BEV特征和相机BEV特征融合,将融合特征输入到目标检测框架得到目标物(汽车、行人和骑行人)检测结果。利用KITTI数据集和实车路采数据对Mono-BEVFusion融合算法进行评估,实验结果表明该算法相较于现有融合算法综合平均精度提升了2.90个百分点,其中汽车类和行人类单项检测精度分别提升3.38个百分点和4.13个百分点。Mono-BEVFusion融合算法对遮挡目标或者距离较远的目标有较稳定的检测效果,能够有效避免单传感器的漏检现象,具有较好的实际应用价值。

基于改进YOLOv5s的仓储货物检测算法研究

针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。

基于YOLO目标检测算法的人群多目标识别跟踪方法

目前对人群跟踪方法主要是建立跟踪模型,实现人群群体检查和跟踪,但是无法实现人群中多行人的识别和个体跟踪,造成人群跟踪与多目标识别存在效率低下和不准确。本文提出基于YOLO目标检测算法的人群多目标识别跟踪方法,通过对人群多目标的可见特征提取人群的行人轨迹和外观特征,实现人群多目标识别的跟踪。实验结果表明,该方法提高了人群多目标的识别效率,具有一定的实用性。

一种改进Canny算子的图像边缘检测算法

在移动机器人自主作业时,环境中往往存在障碍物,路径规划避障时要进行动态目标检测.Canny边缘检测算法可以与众多动态目标检测算法相结合,提高目标检测的效果.但是传统Canny边缘检测存在着自适应性不强,边缘检测可能不连续,或者检测虚假边缘的现象.本文提出了一种优化Canny边缘检测算法,通过改进的自适应中值滤波来预处理图像,对算法效率及对噪声点的处理做出了优化,紧接着增加梯度计算方向,最后结合改进的大津阈值分割法,提出了三阈值分割法代替原始的阈值分割法使图像边缘信息更加完整准确.仿真结果表明,该算法在边缘检测准确率上对比传统Canny边缘检测,Sobel算子与较新改进算法均有20%左右的提升,该算法优化了传统算法检测的连续性和准确率.

基于YOLOv5s网络改进的钢铁表面缺陷检测算法

针对目前钢铁表面缺陷检测算法存在检测精度低、检测速度慢和模型复杂度高等问题,提出基于YOLOv5s改进的钢铁表面缺陷检测算法。将SE通道注意力模块融入骨干网络中以增大缺陷特征通道权重,降低背景干扰,提高算法对缺陷特征的提取能力;在颈部网络融入STR多头自注意力模块,提高缺陷边缘纹理等细节特征的比重;改进损失函数为SIoU,缩短预测框回归收敛过程以提高算法检测速度。实验结果表明:改进算法在NEU-DET数据集上的mAP值为80.4%,较YOLOv5s提高5.5%,每秒处理帧数为100,算法体积降低约8.3%,算法计算量降低约4.3%,对比其他的目标检测算法,改进算法在检测精度、检测速度上均明显提升,模型复杂度降低明显。改进算法可满足实时钢铁表面缺陷检测需求。

基于深度学习的目标检测算法综述

介绍了目标检测数据集的发展过程、基本评价指标的设定,并基于此综述了不同类别的目标检测算法,分别对两阶段和单阶段检测算法及相应优化算法进行解析,围绕检测速度和检测精度的迭代过程,阐述了目标检测算法的困难与挑战。最后,就算法本身的提升和算法应用需求下的优化设计提出总结和展望,指出目标检测的训练监督问题、算法对小目标的检测困难问题,同时指出实时检测任务中检测速度与检测精度的协调性问题和多模态融合应用问题,以及算法运行可解释性对算法再提升的重要意义。

基于改进YOLOv5s的CNN-Swin Transformer森林野生动物图像目标检测算法

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2~4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLOv3、YOLOXs、RetinaNet、Faster R-CNN等其他流行目标检测算法。【结论】针对陷阱相机所摄取森林野生动物图像背景与目标对比度低、遮挡重叠严重,致使检测误检率、漏检率高等问题,在检测算法中提出一系列改进措施,为我国森林野生动物的保护和数据获取提供一种新的可行性方案和思路。

基于改进Yolov8的摔倒行为检测算法

为防止发生摔倒行为后得不到及时救助而产生危害生命的风险,提出一种改进Yolov8的摔倒行为检测算法Yolov8-DCN-WIoU-C3P。通过使用可随目标形态进行自适应采样的可变卷积(Deformable Convolutional Networks,DCN),来提高C2f模块(CSP Bottleneck with 2 convolutions,C2f)对不规则摔倒目标的特征提取能力;引入针对交叉熵的单调聚焦机制的损失函数WIoU,来提高算法对低质量摔倒数据的泛化能力;采用减少冗余计算和内存访问的部分卷积Pconv,来解决像素损坏导致计算量上涨的问题,进而使算法识别摔倒行为的性能得到提升。实验结果表明:本文提出的改进算法能有效识别出摔倒行为,对比原始算法(Yolov8算法)在准确率以及平均精度上分别提高了1.6%和2.1%。

基于对抗性双通道编码器的网络入侵检测算法

针对网络流量数据不平衡引起少数类攻击检测率低的问题,提出一种基于对抗性双通道编码器的入侵检测算法。分别采用正常流量和攻击流量来训练变分自编码器模型,构建基于自编码器派生流量数据的多通道表示形式的新特征向量,驱动生成对抗网络的生成过程朝向目标类,生成的少数类图像,有效地扩充数据集;通过引入CBAM模块来改进生成器的网络结构,融合通道和空间两个方向的特征,增强模型的特征提取能力;将判别器输出调整为单目标分类并加入softmax层,输出Fake、Normal和Attack结果,避免生成器生成无法与所需类型匹配的图像而获得奖励,提高生成图片的质量。实验结果表明,该方法能够有效降低误报率以及提高未知攻击的检测精度,尤其在不平衡数据集中具有更多的优势。

多模态特征融合的行人检测算法

针对红外图像清晰度和分辨率较低,可见光图像光照不足等问题,通过融合可见光和红外光图像的特征,设计一种基于YOLOv5改进的多模态行人检测算法IMV5(improved multimodal YOLOv5)。对传统的级联融合方法进行改进,结合注意力机制,设计一种多模态特征融合模块PMWM(pedestrian modal adaptive weight fusion module),将可见光和红外光图像融合,提高特征融合后的检测效果。加入优化过的空间金字塔池化结构,在保持感受野不变的情况下提升检测效果。在特征层上进行目标检测,预测出行人的概率和位置,实现行人检测功能。实验结果表明,IMV5算法在KAIST行人检测据集上的检测效果得到了明显提升。

基于人工智能的石化机组故障诊断检测算法

石化机组故障诊断对于现代工业系统的可靠性和安全性具有重要意义。人工智能(AI)技术作为工业应用的新兴领域和故障识别的有效解决方案,日益受到学术界和工业界的关注。然而,在不同的运行条件下,人工智能方法面临着巨大的挑战。从理论背景和工业应用两方面对石化机组故障诊断中的人工智能算法进行全面阐述。介绍不同的人工智能算法,包括K近邻、朴素贝叶斯、支持向量机、人工神经网络和深度学习等方法;对AI算法在工业应用中进行了广泛的文献调研;最后,对不同AI算法的优势、局限性、实践启示进行总结,表明了技术进步、多模态数据整合、实时监测预测、算法通用性对提升石化工业效率与可靠性的关键作用,并展望了未来的研究方向与挑战。

一种基于改进YOLOv8网络模型的安全帽佩戴检测算法

为了实现对特定场所人员佩戴安全帽行为的自动检测,提出了一种基于改进YOLOv8网络模型的检测算法。采用FasterNet思想改进YOLOv8网络模型的C2f结构,减少了初始模型的参数量和运算量;在检测头位置添加EMA机制模块,提升了模型的特征检测性能;引入SAConv模块和ASFF算法改造检测头结构,对不同尺度的特征信息进行自适应融合,提升了初始模型的特征提取能力。消融实验和对比实验证明,所提出算法的检测精度更高,检测速度更快,能够满足实际生产对安全帽佩戴检测的需求。

基于DDP的激光回环检测算法

回环检测作为SLAM技术重要组成部分,能够提高轨迹估计的全局一致性。针对目前效果较好的扫描上下文算法(SC),本文提出一种基于DDP改进的回环检测算法。首先,根据点云分布对齐点云坐标系;其次,利用方位角与尺度信息构建DDP点云描述符;最后,提出高度维度描述符余弦距离与离散度描述符相关距离加权方法,计算候选帧DDP点云描述符相似度。实验结果表明,本文所提出的基于DDP改进的回环检测算法在KITTI数据集大多数序列中,精确率与召回率优于IRIS、NDD、SC和ISC算法,且能够满足激光雷达实时性要求。

基于计算机视觉的车辆目标检测算法研究

计算机视觉技术在车辆目标检测领域已有重要的应用。本文以计算机视觉技术为基础,深入研究和分析运动目标识别与追踪算法的性能。在此基础上,提出车辆目标检测算法,并通过实验验证算法的实用性和可行性。实验结果表明,车辆目标检测算法能够大幅提高检测精度,减少误报率和漏报率,同时具有良好的运行效果。这项算法具有较强的实用性和应用价值。