基于实时目标检测网络的胎儿颜面部超声切面识别及应用

目的:探讨基于实时目标检测网络的人工智能(AI)模型在胎儿颜面部超声检查中的应用价值。方法:以妊娠20~24周正常胎儿颜面部超声标准切面(FFUSP)图像为研究对象,构建基于实时目标检测网络的FFUSP识别模型,观察其对FFUSP及其解剖结构的识别精度;通过临床验证分析其对119例胎儿超声图像中FFUSP识别效能以评价其临床应用价值。结果:AI模型对胎儿颜面部结构识别的整体查准率为97.8%、查全率为98.5%、mAP@.5为98.1%、mAP@.5:.95为61.0%。在临床验证中,AI模型对颜面部解剖结构识别的敏感度、特异度、阳性预测值、阴性预测值及准确率分别为100.0%、98.5%、87.4%、100.0%、98.7%,与胎儿超声专家分类一致性强(k=0.925,P<0.001);对3类标准切面图像的识别准确率为100%;动态视频检测平均速度为33.93帧/s。结论:基于实时目标检测网络的FFUSP识别模型性能优越,可应用于实时超声检查辅助诊断、教学及智能化质量评价。

面向复杂施工环境的实时目标检测算法

针对施工环境下普遍存在的环境杂乱、目标被遮挡、目标尺度范围大、正负样本不平衡、现有检测算法实时性不足等问题,提出一种面向复杂施工环境的实时目标检测算法YOLO-C。将提取到的低层特征与高层特征相融合,增强网络全局感知能力;设计小目标检测层,提高算法对不同尺度目标的检测精度;设计通道-空间注意力(CSA)模块,增强目标特征,抑制背景特征;在损失函数部分,采用VariFocal Loss计算分类损失,解决正负样本不平衡问题;GhostConv作为基本卷积块构建GCSP(Ghost Cross Stage Partial)结构,降低参数量和计算量;针对复杂施工环境,构建混凝土施工现场目标检测数据集,在构建的数据集上与多个算法进行对比分析实验。实验结果表明,YOLO-C算法的检测精度更高,参数量更小,更适合复杂施工环境下的目标检测任务。

基于显著图的弱监督实时目标检测

深度卷积神经网络(Deep convolutional neural network,DCNN)在目标检测任务上使用目标的全标注来训练网络参数,其检测准确率也得到了大幅度的提升.然而,获取目标的边界框(Bounding-box)标注是一项耗时且代价高的工作.此外,目标检测的实时性是制约其实用性的另一个重要问题.为了克服这两个问题,本文提出一种基于图像级标注的弱监督实时目标检测方法.该方法分为三个子模块:1)首先应用分类网络和反向传递过程生成类别显著图,该显著图提供了目标在图像中的位置信息;2)根据类别显著图生成目标的伪标注(Pseudo-bounding-box);3)最后将伪标注看作真实标注并优化实时目标检测网络的参数.不同于其他弱监督目标检测方法,本文方法无需目标候选集合获取过程,并且对于测试图像仅通过网络的前向传递过程就可以获取检测结果,因此极大地加快了检测的速率(实时性).此外,该方法简单易用;针对未知类别的目标检测,只需要训练目标类别的分类网络和检测网络.因此本框架具有较强的泛化能力,为解决弱监督实时检测问题提供了新的研究思路.在PASCAL VOC 2007数据集上的实验表明:1)本文方法在检测的准确率上取得了较好的提升;2)实现了弱监督条件下的实时检测.

周视红外成像搜索系统中的实时目标检测方法

在周视红外成像的预警搜索系统中,大视场下红外图像的背景成分十分复杂;与此同时,高分辨成像使得图像数据量也急剧增加。针对周视成像系统中红外图像的特点,提出了一种基于分块图像加权熵值矩阵的快速目标提取算法:首先根据大视场下红外图像的空间分布特性,对原始图像建立子图像块矩阵;然后提出一种加权熵的特征判别函数,建立子图像块的加权熵值矩阵;最后分析了基于加权熵矩阵自适应阈值选取方法,对背景进行分类并快速提取目标兴趣区。实测数据结果表明:该算法流程是一种适合大视场条件下的有效目标检测算法,且具备良好的工程应用性。

基于改进YOLOv5s的无人机图像实时目标检测

针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点,提出了一种实时目标检测算法YOLOv5sm+。首先,分析了网络宽度和深度对无人机图像检测性能的影响,通过引入可增大感受野的残差空洞卷积模块来提高空间特征的利用率,基于YOLOv5s设计了一种改进的浅层网络YOLOv5sm,以提高无人机图像的检测精度。然后,设计了一种特征融合模块SCAM,通过局部特征自监督的方式提高细节信息利用率,通过多尺度特征有效融合提高了中大目标的分类精度。最后,设计了目标位置回归与分类解耦的检测头结构,进一步提高了分类精度。采用VisDrone无人机航拍数据集实验结果表明,提出的YOLOv5sm+模型对验证集测试时交并比为0.5时的平均精度均值(mAP50)达到了60.6%,相比于YOLOv5s模型mAP50提高了4.8%,超过YOLOv5m模型的精度,同时推理速度也有提升。通过在DIOR遥感数据集上的迁移实验也验证了改进模型的有效性。提出的改进模型具有虚警率低、重叠目标识别率高的特点,适合于无人机图像的目标检测任务。

改进实时目标检测算法的电力巡检鸟巢检测

本文提出一种基于深度学习算法的实时目标检测模型,用于电力无人机巡检中鸟巢的自动检测。通过基于距离的K-means聚类算法,对数据集的标记框重新聚类,获得了更适用于识别不同杆塔在多种所处环境下的鸟巢的锚点集合。检测结果表明,使用新集合的算法均值平均精度提高至0.896,同时召回率和平均交并比均有提高;且运用本文算法可对巡检视频进行实时化处理(单帧处理时间低于30ms),便于后续问题的实时分析及处理,满足电力巡检智能化、常态化应用需求。

基于全景视觉图像的实时目标检测方法

针对高分辨率输入下全景视觉图像目标检测速度难以达到实时的问题,提出一种以YOLOv3为基础的轻量化网络模型,该模型在牺牲部分检测精度的条件下实现了较好的检测速度提升。为解决全景图像训练数据集样本数量不足的问题,提出一种适用于全景图像的数据增强方法来扩充训练数据集。实验结果表明,利用YOLOv3验证扩充后的数据集以交并比(IoU)为0.5的条件下评估平均精度,与原始数据集相比检测精确度提高4.75%,改进的轻量化模型与YOLOv3相比,网络参数量减少65.08%,检测速度提升31.81%并达成实时检测。

基于逐波段处理的高光谱图像实时目标检测

高光谱遥感图像实时目标检测对于实际应用具有十分重要的意义。针对目标和背景光谱均已知的高光谱遥感图像实时目标检测的问题,在正交子空间投影算法的基础上,利用矩阵分析理论,推导出逐波段处理的实时正交子空间投影算法,加强了原算法的实时处理能力。通过真实图像的实验结果表明,逐波段处理算法具有在实时性基础上提前结束检测过程从而减少目标检测过程所需时间的能力,并且具有数据存储空间和算法运算时间上的优越性。

面向星上实时目标检测的神经网络压缩方法

针对深度神经网络在轨实时目标检测需求与星上有限硬件资源之间的矛盾,基于宇航级处理芯片特性,提出一种结合剪枝、渐进式混合量化的混合压缩方法。对网络卷积层进行滤波器级剪枝,大幅度降低卷积计算操作数量;提出一种渐进式混合量化方法,在网络量化过程中混合使用不同的量化位宽,有效降低目标检测网络在宇航级处理芯片中的内存大小。在RSOD遥感图像数据集上的实验结果表明,该方法在网络检测精度损失<1%的前提下,提升了网络对星上有限计算和存储资源的利用率。

一种用于数据链系统中的实时目标检测模块的设计与实现

本文主要设计并实现了一种用于数据链系统中的实时目标检测模块。考虑到廉价嵌入式系统对于图像数据的存储以及计算性能受到限制,本文首先提出了一种基于OTSU算法与Niblack算法相结合的自适应图像阈值分割算法,从而对图像数据进行了必要的处理以简化不必要的图像信息。同时,本文提出了一种基于帧间差分法的实时移动物体监测算法用于对监控区域移动物体进行实时的检测,并将结果通过数据链系统进行反馈。实验结果表明该系统可以检测出监控区域5m内人员的去留情况,并通过实验数据进一步验证了本文提出算法相比于传统算法的优越性。

基于YOLOv4的车间实时目标检测

生产车间实现无人车搬运货物首要需求是实时检测目标。基于YOLOv4深度学习目标检测网络,对生产车间的托盘、货物、工人进行检测。使用可见光相机拍摄车间在每日不同时段的作业场景,对采集的图像进行标注,数据增强后训练模型,测试效果并评估性能。网络模型准确率达到96.45%,检测结果可靠,每张图像平均检测耗时0.0358s,能够满足实时。与使用Faster R-CNN准确度接近,检测速度提升12帧/秒。相比YOLOv3,检测速度和准确度都有小幅提升。

基于实时目标检测的皮带通廊人员定位监测系统设计

输送皮带通廊内人员的安全问题是各类工矿企业安全管理的重要问题。文章介绍了设计实时目标检测系统对皮带通廊内现有视频监控系统获取的视频流进行图像识别分析,对人员所处位置按照预设安全区、预警区、危险区分别进行告警、预警与停机处理,实践表明该系统能够有效地保障作业人员安全。

基于改进YOLOv8算法的实时细粒度植物病害检测

为解决现有识别方法在植物病害检测中遇到的密集分布、不规则形态、多尺度目标类别、纹理相似性等障碍,提出一种高性能的实时细粒度植物病害检测框架。首先,在YOLOv8主干网络和颈部设计两个新的残差块,增强特征提取和降低计算成本;其次,引入DenseNet层,并使用Hard-Swish函数作为主要激活函数,以提高模型的准确性;最后,设计PANet网络,用于保留细粒度的局部信息和改善特征融合。在不同的复杂环境下,对番茄植株的四种不同病害进行检测。试验结果表明,所提改进模型在检测准确性和速度上均优于现有模型的检测模型。当检测速度为71.23 FPS时,所提改进模型精确度为92.58%,召回率为97.59%,F_(1)分数为93.64%。为精准农业自动化提供有效的技术手段。

基于改进YOLOv4-Tiny的矿井电机车多目标实时检测

为解决煤矿巷道环境恶劣及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至4尺度预测,并且在网络模型的颈部引入空间金字塔池化(spatial pyramid pooling,SPP)模块,以丰富特征融合信息,增大网络模型的感受野。其次,以煤矿巷道中的行人、电机车、信号灯及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类;对比分析结果表明,K-means++算法具有更好的聚类效果。最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步展示了不同改进措施对网络模型检测性能的影响;并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明:YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均精度均值(mean average precision,mAP)为95.35%,对小目标“碎石”的平均精度(average precision,AP)为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38%和41.66%;改进后算法的平均检测速度达58.7帧/s(frames per second,FPS),模型内存仅为26.3 Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。

基于轻量化YOLOv4机场场面遥感图像目标检测方法

针对现有遥感图像目标检测方法存在深层CNN丢失局部特征信息、复杂场景检测精度低的问题,提出一种基于轻量化YOLOv4的目标检测方法。首先,采用轻量级神经网络Ghostnet替代YOLOv4中作为主干特征提取的CSPdarknet53网络;其次,为改善复杂环境检测能力,采用CycleGAN仿真夜间场景;再次,融合Transformer模块,使模型易于采集网络特征间关系和局部信息;最后,采用Adam优化器和K-means++筛选锚框的方式加速收敛速度,并以RSOD航空遥感数据集进行实例验证。实验结果表明本文算法较原YOLOv4的MAP值提高了6.65个百分点,参数量减小了84.7%,可以满足复杂场景下的机场场面航空器实时目标检测。

基于实时帧间处理算法的爆点目标检测

探讨了在野外实时图像监测中,如何能够准确地检测出突然出现在地平线附近的爆点目标这一问题.提出了一种基于帧间实时差分处理的新的系统图像处理算法.该算法采用帧间差分,对多项图像处理操作进行算法整合,在两帧图像采集期间完成处理任务.此外,算法中为排除野外环境的干扰,提出了依据时空相关性检测的帧间多级差分方法.该方法的特点是能够排除空旷无人地区各种自然因素的干扰,且处理速度快.实验表明了该方法的实时性和有效性.

基于改进YOLOv3的机场盲区遥感图像目标检测方法

针对机场存在的雷达监视盲区问题,提出一种改进YOLOv3目标检测算法。首先,基于原YOLOv3主干特征提取网络加入SPP池化模块,以深度可分离卷积替代普通卷积。然后,针对小尺度目标数据集,增加第4层金字塔加强特征提取网络,在kmeans++聚类算法的基础上提出一种线性放缩进行锚框筛选。最后,在RSOD-Dataset数据集上MAP为88.82%,FPS为37.57。仿真结果表明该方法可以满足机场实时目标检测任务的需求。

面向安防场景的行人目标检测技术研究

安防场景的行人目标检测不仅需要识别并标定行人位置,还需要对人脸进行检测与提取,支持人脸比对等下游任务。当前目标检测算法在实际应用中存在运行速度慢、边界框标定不准确、小目标检测效果不佳等问题,文中提出一种基于SSD检测器的安防场景下的行人目标检测算法。针对检测器因为分类与定位子任务强耦合造成边界框标定不准确的问题,采用一种解耦的“检测头”保证检测器定位精度,并通过在不同分支上引入特征增强模块提取适应不同子任务的特征;采用一种任务耦合的损失函数来提升训练效果;针对运行速度慢,采用轻量化网络作为主干网络,结合TensorRT量化模型提升算法在嵌入式平台上的运行速度。通过在NVIDIA TX2嵌入式深度学习平台进行实验,单帧图像检测时间为23.8 ms,平均帧率约为42 f/s,算法具备优秀的实时性与准确性。

基于FPGA的运动目标实时检测系统设计

目标识别是智能安防监控视频处理系统中重要内容,为了满足安防系统小型化实时性等应用需求,设计了一种基于FPGA平台的运动目标识别系统;该系统采用CMOS摄像头作为视频采集器,SDRAM作为视频流缓存及存储介质,利用FPGA可并行处理特点,采用流水线技术进行分模块化设计,对视频流进行灰度化和帧差法算法处理,并将结果传输至显示器终端,从而实现图像采集和目标识别实时跟踪和显示;测试结果表明,该系统在一定测距范围内可有效稳定地跟踪运动目标物体,可实时显示、小型化且功耗低,可进一步应用于安防领域中。

基于改进的背景差分的运动目标实时检测算法

针对传统混合高斯建模算法计算量过大与目标轮廓清晰度小的问题,提出了一种新的运动目标实时检测算法。该算法引入三帧差分的方法,提高了检测目标轮廓的清晰度;通过HSI混合高斯建模前进行分块处理有效减小了计算量,因此算法的实时性有了明显的改善;并利用逻辑运算融合三帧差分与HSI混合高斯模型进行高效的背景提取;最后运用数学形态学方法进一步优化检测结果。实验结果表明,相比混合高斯模型经典算法,该算法能更快速、更准确地检测出智能监控视频序列中的运动目标,并且目标轮廓清晰度也有明显的改善。