基于深度学习的驾驶员分心检测理论研究

文章提出了一种基于改进Yolov8的驾驶员分心检测方法,在Yolov8的基础上设计了一种包含小目标检测层和新型连接结构的加权双向特征金字塔网络(BiFPN)。在骨干网络中,引入了高效多尺度注意力(EMA)机制模块,以加强对关键信息的学习和提取。提出了一种新型的C2f结构,将动态卷积、注意力机制融入到C2f中。改进模型的精度提高了4.6%,同时参数量降低了27.1%,一定程度上减小了模型的规模,提高了计算效率。最后在公开数据集上进行泛化实验,各项评价指标皆优于原模型。因此,文章研究为分心驾驶行为检测领域提供了一种更高效、更精确的解决方案,为道路安全和交通监管提供有力的支持。

暗光环境下机械结构边缘检测算法的研究

针对暗光环境下机械结构边缘检测精度低、效果不理想的问题,提出了一种基于多步骤图像增强和自适应形态学操作的物体边缘检测方法。该方法利用多尺度Retinex算法增强暗光图像的亮度和对比度,结合锐化、滤波算法去噪并保留细节,同时采用自适应形态学操作剔除伪边缘和强化弱边缘。所提出的方法在暗光条件下的物体边缘检测实验中成功率达86.7%,比传统方法提高6.7%,表明其具有更好的精度与质量。