检测区域动态调整的TLD目标跟踪算法

针对经典跟踪-学习-检测（TLD）目标跟踪算法由于检测区域过大而导致的检测时间过长及对相似目标跟踪处理效果不理想的问题,提出一种检测区域可动态自适应调整的方法——TLD-DO。该方法利用两次Kalman滤波加速度矫正预测的检测区域优化算法DKF,通过缩小TLD检测器检测范围,以达到在跟踪精度略有提升的情况下提高跟踪速度的目的;同时此方法可排除画面内相似目标的干扰,提高在含有相似目标的复杂背景下目标跟踪的准确性。实验结果表明：TLD-DO算法在处理不同视频与跟踪目标时,检测速度有1.31-3.19倍提升;对含有相似目标干扰情况下,跟踪效果明显优于原TLD算法;对目标抖动及失真情况有较高的鲁棒性。

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.

基于瞬态动力学的航空活塞发动机连杆修理检测区域划分

基于瞬态动力学基本理论,选取Lycoming航空活塞发动机的普通连杆为分析对象,在通用有限元软件中建立其三维有限元模型。考虑在发动机额定转速工况下,连杆在压缩行程末期、膨胀行程初期气缸内气体压力作用下的动力学响应。分析发现:在所有载荷步下,最大等效应力和应变均出现在杆身和小头的过渡区域,且与缸内气体峰值压力同时出现;获得的最大等效应力随时间的变化曲线,可为预估连杆疲劳寿命、提高连杆疲劳可靠性提供数值依据;结合等效应力应变云图,划分出的连杆应力集中的危险区域,为修理前检测的重点区域。

面向标准件装配质量的PI-SURF检测区域划分技术

标准件装配具有部位多、类型复杂、结构各异等特点,可基于产品特性指导机器视觉进行产品装配质量检测。该文基于部分装配产品的位置不变性(PI),提出面向标准件装配质量的PI-SURF检测区域划分技术。首先,分析产品装配中各标准件间位置关系基本稳定的特点,以平面尺寸链描述两个标准件的位置关系,提出基于PI的装配检测区域划分方法;其次,提出基于PI-SURF的标准件装配质量检测区域划分技术,通过提取基准部位的SURF区域特征与特征主方向,使得检测区域具有对产品整体平移、旋转的抗干扰能力;最后,构建标准件装配质量检测装置,以联想ThinkCentre G3机箱进行试验。结果表明:与全局检测相比,使用PI-SURF检测区域划分技术后,检测时间缩短83.4%,实现零漏检,提高装配质量检测装置结果可靠性。

视频车流量检测中的虚拟检测区域自动提取

针对传统视频车流量检测中虚拟检测区域人为设置,使得系统不能自动适应不同的车道环境,灵活性低的问题,提出了自动提取虚拟检测区域的算法。利用均值法获得粗糙背景,再通过概率Hough变换和车道线特征排除各种干扰线段,获取车道线并自动提取虚拟检测区域。实验表明,该算法准确度达到90%以上,实时性较好、鲁棒性高,对后续实时车流量检测及车速计算等具有较好的应用价值。

基于改进YOLOv5的胶囊内窥镜病灶区域检测

针对目前胶囊内窥镜病灶检测模型存在检测疾病单一且效率低等问题,提出了一种基于YOLOv5的胶囊内窥镜病灶区域检测方法。该方法在原始YOLOv5基础上进行了如下改进:首先,在主干网络Backbone部分,添加一个CBAM(convolutional block attention module)模块,增强模型对重要特征的突出能力;其次,在头部网络Head部分,添加一个检测头,增强模型对小目标的检测能力;最后,将原始YOLOv5的泛化交并比(generalized intersection over union, GIoU)损失函数替换成完整交并比(complete intersection over union, CIoU)损失函数,使模型训练时更快地收敛。本文提出的方法在长江大学第一临床医学院提供的胶囊内窥镜影像数据上进行了实验,精确率达到了93.6%,召回率达到了94.3%,mAP@0.5达到了97.2%,而且检测速度达到了每帧0.027 2 s。实验结果表明提出的方法是有效的、灵活的、鲁棒的,能够满足临床医学诊断的实际需求。

基于深度学习的蔬菜田精准除草作业区域检测方法

【目的】蔬菜生长随机,杂草种类众多。传统杂草识别算法复杂,且仅识别出杂草,未能精准确定除草作业区域。本研究以蔬菜及其伴生杂草为研究对象,拟探索一种基于深度学习的杂草识别与精准除草作业区域检测方法。【方法】通过将原图切分网格图像,利用深度学习模型识别蔬菜、杂草及土壤,将包含杂草的网格图像标记为除草作业区域。选取ShuffleNet、DenseNet和ResNet模型开展识别试验,并采用精度、召回率、F_(1)值和总体准确率、平均准确率分别对验证集和测试集进行评价分析。【结果】所选的3种网络模型均能较好地识别杂草和蔬菜,其中ShuffleNet为杂草识别最优模型,其对杂草的识别具有较为均衡的精度和召回率,分别为95.5%、97%,且其识别速度也达最优,为68.37 fps,能够应用于实时杂草识别。【结论】本研究提出的除草作业区域检测方法具有高度的可行性和极佳的识别效果,可用于蔬菜田间杂草的精准防除。

点云空间与反射强度融合的非结构化道路可行驶区域检测

可行驶区域检测旨在检测和提取智能车辆在道路上可行进的区域,目前主流的检测方法主要基于三维激光雷达的空间特征实现,难以处理路面边缘无清晰空间特征的非结构化道路.为此,本文提出了一种基于点云空间和反射强度融合的非结构化道路可行驶区域检测方法.首先,通过融合反射强度因子改进了基于空间特征的柱坐标系检测模型;然后,使用强度和降维空间检测对检测精度较低的环形检测模型进行优化,并将其与柱坐标系检测模型联合使用以提高方法检测准确率;最后,在自录实际道路数据集上进行对比实验.实验结果表明本文方法显著提高了非结构化道路可行驶区域检测的成功率与精确率,在结构化道路上也具有良好效果.

面向铁路道岔情景下的列车轨道区域检测方法

列车前方铁路轨道区域的检测是列车主动防撞技术的关键环节,现有的铁路区域分割方法多用于简单情景下的轨道检测,难以应对实际运行中的铁路道岔等复杂场景。该文提出了一种面向铁路道岔情景下的列车轨道区域检测方法,解决了现有技术在铁路道岔下难以检测列车实际运行区域的问题。首先,设计了一种基于信息融合的铁路轨道区域分割模型,针对铁路左右钢轨之间难以匹配的问题,对铁路区域和钢轨进行分割并利用其分割结果进行钢轨匹配。其次,设计了一种基于反向透视变换的铁路区域重建方法,通过保留钢轨的关键点来重建铁路区域,同时使用基于分组卷积的铁路道岔分类模型对道岔方向进行识别。实验结果表明,提出的方法在复杂环境下可达到较高的精度,像素准确率可达98.67%,平均交并比可达98.12%,具有在列车上应用的潜力。

基于改进AdvancedEAST的变电站仪表数显区域检测

为了提高数字仪表数显区域检测的实时性和鲁棒性,提出一种改进AdvancedEAST算法,以快速、准确地完成变电站数字仪表数显区域检测。首先,在AdvancedEAST模型框架下,构建一种注意力机制增强的轻量级主干网络ES-MobilenetV3,通过考虑不同层提取特征对结果的影响,引入ECA和多维注意力机制(ECA-SE)对MobileNetv3的Bneck块进行改进,在保持性能和复杂性平衡的前提下,突出关键特征。在颈部网络中引入深度可分离卷积,降低网络计算的复杂度,提高检测速度。同时,使用迁移学习策略,提高小样本下模型的泛化能力。最后,在构建的变电站数字仪表数据集上进行试验验证,结果表明,所提算法在保证检测精度的情况下,模型的参数量相比AdvancedEAST算法减少82%,检测速度提升近2倍。

电力通信网安全脆弱性区域的二维云模型检测方法

为了给电力通信网的安全管理提供有效工具,针对区域位置坐标难以定位与区域面积误差较大的问题,在二维云模型下提出一种电力通信网安全脆弱性区域检测方法。根据电力通信网络的连接方式以及工作原理,构建二维云模型,采集并处理电力通信网络数据,从网络节点、链路等方面评估电力通信网的综合安全脆弱性,通过与阈值的比对,得出脆弱性区域面积以及位置的检测结果。仿真实验结果表明,脆弱节点判断与预先设置情况基本一致,优化的设计方法检测出的脆弱性区域位置坐标与区域面积误差分别为1.6 m和1.82 m 2,均低于预设值,说明该方法具有良好的检测性能。

基于改进CTPN网络的电气铭牌文本区域检测

针对现有的文本区域检测网络对图像特征提取不充分,导致文本行间距过小或字间距过大的电气铭牌文本区域检测准确率低、误检率高,提出一种融合ResNet的改进CTPN算法用于电气铭牌文本区域检测.该模型在卷积神经网络模块中引入残差连接和并行卷积核操作,提升模型对铭牌图像提取特征的能力.在长短期记忆网络模块采用双向门控单元,降低模型训练难度.经实验验证,改进后的CTPN模型F值(F-measure)明显提升,对铭牌文本区域误检率显著降低.

基于近场扫描和相似性度量的电路板故障区域检测

故障区域检测是电路板故障诊断的重要内容之一,近年来大量研究工作致力于通过理论仿真探索电路板故障诊断方法,但仿真条件与实测环境之间的差异降低了此类方法在实际应用中的可行性。结合实测电路板数据的特点,本文提出了一种基于近场扫描和时间序列相似性度量的电路板故障区域检测方法,该方法通过近场扫描获取正常状态、故障状态下的电路板的电磁辐射数据,采用变分模态分解(VMD)方法进行原始数据降噪,此后将两种状态的数据视为两类时间序列,运用改进的时间序列相似性度量算法计算两类时间序列的距离值,根据距离值判断电路板故障区域。根据数据集实验结果,使用本文的相似性度量算法处理时间序列相对其他算法展现出更佳的度量能力,距离值的分类精度也比3种对比算法分别高出6.3%、8.4%、4.2%。同时,实测数据实验结果和理论仿真结果的一致性验证了本文方法的可行性和实用性,该方法为电路板故障诊断提供了新的实现方式。

基于推荐区域的民国纸币冠字号码检测

针对传统的文本检测和一般的目标检测算法无法精准定位民国纸币冠字号码的问题,提出了一种融合异常值检测、聚类和目标检测的序列检测算法。首先定位推荐区域,利用YOLOv4算法确定字符分割块的位置;然后处理推荐区域,将字符分割块转换为数据点,利用局部相关积分(LOCI)算法检测并剔除异常数据点,采用算法Mean Shift算法聚合分割区域,提高定位精度;最终实现民国纸币冠字号码的检测。实验表明,上述组合算法检测的平均精度均值(mAP)达到99.6%,平均检测一张图像耗时0.83s,验证了算法的高效性。具有重要实际的应用价值。

地铁站场景下的可行驶区域检测

在室内环境下的机器人视觉导航任务中,可行驶区域检测是不可或缺的一部分,这是保证自动驾驶任务实现的基础.目前较多的解决方法是对数据集中出现过的障碍物进行识别来检测可行驶区域,缺乏灵活性,因此本文提出了一种针对地铁站等室内平坦地面的可行驶区域检测方法,提高实用性.本文采用经典的MobileNetV3网络对采集到的前方图像进行分类,判断是否为地面区域.由于室内地面的地标、箭头等贴纸的影响,因此需要对非地面区域进一步判断,与常规的立体障碍物进行区分.本文利用连续帧之间的特征点匹配获得相机移动距离,并利用直线拟合计算斜率的方法达到区分立体障碍物与平面地标的目的.实验表明,本文提出的方法能较好地检测机器人前方可行驶区域,具有较高的实用价值.

基于改进3D U-net的CT肺部影像Covid-19感染区域自动检测研究

目的 研究基于改进3D U-net和计算机断层扫描(CT)的新型冠状病毒2019 (Covid-19)对肺部感染区域的自动检测算法。方法 本文Covid-19病人数据来自Covid-19 Lung CT Lesion Segementation Challenge-2020挑战赛,其中共199例Covid-19(RTPRC)检测为阳性病例,被划分为训练集(n=160)和验证集(n=39),测试集(n=50)来自公开的MosMed新冠肺炎数据集;同时选取NSCLC数据集作为肺部分割训练集(n=78),以及选取Covid-19-CT-Seg数据集作为测试集(n=20);本研究在3D U-net的基础上集成注意力机制,提出一种改进的3D U-net网络模型用于Covid-19患者的肺部感染区域的检测,并采用Dice系数、敏感性和特异性指标评估模型的检测能力。结果 所提方法在公开的MosMed新冠肺炎数据集上取得0.53的Dice系数、0.74的敏感性、0.99的特异性。结论 所提方法相比于最新算法在肺部感染区域自动检测上有更高的精度,有助于医生更好的掌握Covid-19对肺部的整体感染情况。

一种基于深度学习的SAR城市建筑区域叠掩精确检测方法

建筑物叠掩检测在城市三维合成孔径雷达(3D SAR)成像流程中是至关重要的步骤,其不仅影响成像效率,还直接影响最终成像的质量。目前,用于建筑物叠掩检测的算法往往难以提取远距离全局空间特征,也未能充分挖掘多通道SAR数据中关于叠掩的丰富特征信息,导致现有叠掩检测算法的精确度无法满足城市3D SAR成像的要求。为此,该文结合Vision Transformer (ViT)模型和卷积神经网络(CNN)的优点,提出了一种基于深度学习的SAR城市建筑区域叠掩精确检测方法。ViT模型能够通过自注意力机制有效提取全局特征和远距离特征,同时CNN有着很强的局部特征提取能力。此外,该文所提方法还基于专家知识增加了用于挖掘通道间叠掩特征和干涉相位叠掩特征的模块,提高算法的准确率与鲁棒性,同时也能够有效地减轻模型在小样本数据集上的训练压力。最后在该文构建的机载阵列SAR数据集上测试,实验结果表明,该文所提算法检测准确率达到94%以上,显著高于其他叠掩检测算法。

基于机器视觉的岩块自动化识别检测方法

在隧道施工过程中,岩体参数的获取是实现隧道掘进机参数调整和智能决策的前提,因此,要对掘进过程中获得的岩块进行采样和检测,而岩块识别和检测目前主要由人工完成。本文针对岩块的自动化识别和检测问题,提出了一种基于机器视觉的岩块自动化识别检测方法,通过融合岩块区域检测和语义分割算法能够快速准确获取岩块的形心坐标和过形心最小直径。首先,使用YOLOv3网络对岩块进行识别,实现岩块的区域检测。其次,针对每个区域的岩块采用FCN-DenseNet网络进行语义分割和图像处理,并对全卷积神经网络进行改进,减少了语义分割模型的参数量,提高了语义分割效率,提升了岩块轮廓获取的精度和速度。最后,根据获得的岩块轮廓点,计算其形心坐标及过形心的最小直径,为机械臂抓取和岩块点荷载强度的计算提供支持。搭建实验平台,完成机械臂手眼标定和深度相机坐标下岩块图像与岩块点云对齐,获取岩块形心坐标在机械臂坐标下的位置。实验结果表明,本文所提算法能够快速准确地获取岩块的形位参数,对10次实验中的102块岩块识别检测成功率为91.18%,在所有完成识别检测岩块中的吸取成功率为92.47%,可以应用于岩体的自动化检测,提高岩体检测的效率和智能化水平。

基于YOLOP-L的多特征融合道路全景驾驶检测

目前,驾驶员视角下的交通图像检测技术成为交通领域的重要研究方向,同时提取车辆、道路、交通标志等多种特征已经成为驾驶员理解道路信息多样性的亟需任务。以往研究已在单类目标检测的特征提取方面取得了长足进步,然而,这些研究不能很好地联合应用于其他区别较大的特征检测任务中,且融合训练过程中会损失个别特征检测的精度。针对驾驶员视野范围内道路信息多样且复杂的特点,本文提出了一种基于多特征融合训练的检测模型YOLOP-L,它能够同时对多种不同特征交通目标进行融合训练,同时保证单项检测任务的精度。首先,为了解决特征融合中语义信息表达不完整的问题,设计的SP-LNet模块通过FPN与双向特征网络结合实现网络更深层次的融合,使得提取的信息更完整,从而提升道路小目标的检测性能;其次,设计新的分割头深度可分离卷积,将语义信息与局部特征融合促使多特征融合的训练准确度与速度得到进一步提升;再次,体系中设计的GDL-Focal多类混合损失函数更专注于困难样本,可用于解决样本特征不平衡的问题。最后,对比实验表明:YOLOP-L相比原YOLOP网络运行的速度更快;在车辆目标检测任务下召回率提升了2.2%;在车道线检测任务下准确率提升2.8%,车道线IoU的值较HybridNets网络下降2.45%,但较YOLOP-L网络提升1.95%;在可行驶区域分割任务下其整体检测性能提升1.1%。结果表明,在具有挑战性的BDD100K数据集上,YOLOP-L可以在复杂场景下有效解决检测精度不足和分割缺失的问题,提高了车辆识别、车道线检测以及道路行驶区域联合训练的准确性和鲁棒性。

基于改进YOLOv7模型的血细胞检测算法研究

在医学上,血细胞计数检测是衡量人体健康与否的重要诊断方法,但是血细胞图像中存在小目标和重叠目标的检测难点。针对上述问题,提出一种改进的YOLOv7目标检测算法。通过对原始的YOLOv7网络增加全局注意力机制(GAM),提升网络的感受野,提高对小目标的检测精度;提出融合了加权双向特征金字塔网络(BiFPN)和递归门控卷积HorNet的特征金字塔HorNet-BiFPN结构,利用其高阶空间交互作用增强网络的特征融合能力,实现对红细胞重叠区域的建模,解决对重叠红细胞的检测问题。实验结果表明,改进的YOLOv7模型的检测精确率达到了96.3%,对单张图片的检测时间达到了74 ms,对图像中的3类细胞均实现了较强的检测效果,达到了医学辅助诊断的合理性。