基于点云鸟瞰图的实时车辆目标检测

针对目前基于三维点云的车辆检测算法实时性差的问题,提出了一种基于点云鸟瞰图的实时车辆目标检测算法。首先,将原始车辆三维点云转换成二维点云RGB特征图;其次,基于YOLOv4-tiny网络添加车辆偏航角度预测分支,实现车辆的准确定位,并通过添加改进空间金字塔池化(SPPF)模块提升网络的目标定位能力;最后,通过在主干网络中引入双注意力机制和优化损失函数提高目标检测精度。试验结果表明:所提出算法的车辆检测平均精度达到96.92%,与YOLOv4-tiny相比提升了2.94百分点,同时在KITTI鸟瞰图验证集中等难度条件下的平均检测精度达到87.73%,且整体网络检测速度达到100帧/s,可满足实时性要求。

基于改进变分模态分解的抽油井偏磨程度诊断

目前抽油井工况分析方法与实时智能诊断技术不完善,无法及时发现、处理偏磨问题,导致抽油杆、泵等关键部件存在严重的损坏风险。为此,提出一种基于改进变分模态分解(IVMD)的抽油井偏磨程度诊断方法,其核心思想在于,扭矩和轴向力的变化会导致抽油井的偏磨程度发生改变,从而影响电参数信号的频率和幅值。首先通过改进人工鱼群算法优化变分模态分解(VMD)的分解层数与惩罚因子,然后将油井电参数信号分解成多个局部振动模态,并对生成的各局部振动模态进行特征分析,最后采用RGB图实现对抽油井偏磨程度诊断。研究结果表明,该方法可有效判断偏磨程度。

基于改进型时间分段网络的视频异常检测

视频异常检测是计算机视觉领域的一个重要研究课题,广泛应用于道路监控、异常事件监测等方面。考虑到异常行为的外观、运动特征与正常行为存在明显差异,提出一种改进型时间分段网络,利用该网络学习视频中的外观和运动信息,从而对视频异常行为进行预测。为了提取更多的视频信息,将RGB图和RGB帧差图相融合作为输入,以提取RGB图中的外观信息并通过RGB帧差图获得更有效的运动特征。将卷积注意力机制模块加入到时间分段网络模型中,从空间和通道2个不同的维度学习注意力图,利用学习到的注意力权重区分异常和正常的视频片段,同时运用焦点损失函数降低大量简单负样本在训练过程中所占的权重,使得模型更专注于难分类的样本,从而解决视频异常检测中正负样本比例不平衡的问题。实验结果表明,改进型时间分段网络在UCF-Crime和CUHK Avenue数据集上的AUC值分别达到77.6%和83.3%,检测性能优于基准方法 TSN(RGB流)以及ISTL、3D-ConvAE等方法。