基于全卷积网络的多车辆实时跟踪模型

针对道路多车辆在跟踪过程中由于遮挡或漏检所造成的轨迹ID变换问题,给出一种改进的全卷积网络(fully convolutional network,FCN)和交并比重叠度(intersection-over-union,IoU)数据关联相结合的算法。基于标准卷积和空洞卷积搭建了新的FCN,并进行多尺度目标的定位来增强目标的特征,减少下采样过程的特征丢失;通过在IoU数据关联算法中加入预备跟踪器集合,处理车辆行驶过程中出现的轨迹ID变换问题。实验结果表明,所给出的实时多车辆跟踪算法在UA-DETRAC数据集上具有良好的性能,可以有效降低轨迹ID变换的次数,提高跟踪精度,在实际场景应用中,达到了良好的跟踪效果。

一种金属类酒瓶盖瑕疵质检算法

针对酒瓶盖瑕疵会影响产品质量的问题,提出了一种酒瓶盖瑕疵YOLOv3-MRHA检测算法,基于YOLOv3算法,对其主干网络和特征提取层进行改进。为减少主干网络特征丢失现象,提出了多级特征融合(multilevel feature fusion,MFF)模块;为提高检测的准确率,增加了尺度为104×104的特征层,并构造了一种增强特征信息的残差特征增强(residual feature enhancement,RFE)模块;为提高深层特征层的检测能力,引入了空洞卷积,使浅层信息向下融合,在特征提取层使用通道注意力机制。结果表明,所提YOLOv3-MRHA算法的检测精度比YOLOv3算法提高近6%,可有效地提高瑕疵检测的准确率,满足工业质检的要求。