基于关键点的复杂道路环境目标检测算法

针对复杂交通环境手工搭建神经网络人力成本高、小目标检测准确度低、使用锚框法参数多、算法实时性差等问题,提出一种基于关键点的复杂道路环境目标实时检测算法。首先,重构MBConv,改进EfficientNet主干特征提取网络,提高特征提取效率;其次,融入小尺度特征层,优化特征融合网络,提升复杂环境下小目标检测能力;最后,运用关键点预测法,完成检测目标分类及回归。在BDD100K数据集上的测试结果表明,设计算法的目标检测实时性较强,且对复杂环境中的小目标检测准确度较高。

基于改进YOLO v8-Pose的红熟期草莓识别和果柄检测

针对高架栽培模式下的大棚草莓,借鉴人体姿态检测算法,建立了改进YOLO v8-Pose模型对红熟期草莓进行识别与果柄关键点检测。通过对比YOLO v5-Pose、YOLO v7-Pose、YOLO v8-Pose模型,确定使用YOLO v8-Pose模型作为对红熟期草莓识别与关键点预测的模型。以YOLO v8-Pose为基础,对其网络结构添加Slim-neck模块与CBAM注意力机制模块,提高模型对小目标物体的特征提取能力,以适应草莓数据集的特点。改进YOLO v8-Pose能够有效检测红熟期草莓并准确标记出果柄关键点,P、R、mAP-kp分别为98.14%、94.54%、97.91%,比YOLO v8-Pose分别提高5.41、5.31、8.29个百分点。模型内存占用量为22 MB,比YOLO v8-Pose的占用量小6 MB。此外,针对果园非结构化的特征,探究了光线、遮挡与拍摄角度对模型预测的影响。对比改进前后的模型在复杂环境下对红熟期草莓的识别与果柄预测情况,改进YOLO v8-Pose在受遮挡、光线和角度影响情况下的mAPkp分别为94.52%、95.48%、94.63%,较YOLO v8-Pose分别提高8.9、10.75、5.17个百分点。改进YOLO v8-Pose可在保证网络模型精度的同时对遮挡、光线和拍摄角度等影响均具有较好的鲁棒性,能够实现对复杂环境下红熟期草莓识别与果柄关键点预测。

基于改进Mask-RCNN算法的车位检测研究

车位检测是自动泊车至关重要的环节,在复杂情况下,为同时实现自动泊车视觉系统对车位识别和车位状态分类,提出一种基于改进掩模区域卷积神经网络(Mask Region Convolutional Neural Network,Mask-RCNN)算法的C-Mask-RCNN车位检测算法。C-Mask-RCNN车位检测算法通过在Mask-RCNN算法的ResNet50特征提取网络中增加卷积块注意力模块(Convolutional Block Attention Module,CBAM),使模型更加关注车位相关的语义信息。利用C-Mask-RCNN车位检测算法中的区域卷积神经网络(Regions with Convolution Neural Network,RCNN)分支网络进行车位检测,实现Keypiont分支进行车位8个关键点的预测。实验结果表明,改进后的C-Mask-RCNN车位检测算法较Mask-RCNN算法在车位类型识别平均精确率上提升7.4%,在车位状态识别平均精确率上提升11.1%,并且车位线关键点预测的平均像素误差减少15.1 px。

基于改进CornerNet-Lite的林区行人检测算法

为做好森林管护工作,减少人力和物力的消耗,利用快速发展的行人检测算法可对林区行人进行检测和甄别,但林区行人检测与传统行人检测有很多不同,如林区行人被树木遮挡、着装与背景色调相似等特征,导致漏检现象严重。为此,针对林区行人的特点,笔者提出了一种实时检测林区行人的算法CornerNet-P,将林区行人的位置预测简化成为2个关键点的预测。以CornerNet-Lite为基础,改进算法的损失函数,预测2组热力图来检测林区行人的角点位置,预测嵌入层损失以匹配同一行人的角点,预测偏置层损失来减少尺度变化过程中的精度损失,并获得最终的边界框;然后提取COCO2014数据集中的行人数据并随机分为训练集和测试集两部分,使用训练集分别训练该算法与YOLOv4算法中的参数,使用测试集和真实的林区行人图像对算法的检测精度和检测速度进行检验。试验结果表明,CornerNet-P算法相比YOLOv4算法平均检测精度提高了1.7%,检测速度提高了5.1%,并可以较好地检测真实林区行人图像。CornerNet-P算法可以实现林区的行人检测,具有较快的检测速度和较满意的精度。