YOLOv4-tiny网络夜间行人检测算法研究

无人驾驶系统中行人检测对于交通安全起着至关重要的作用,由于夜间红绿蓝三原色(red,green,blue,RGB)图像色彩信息少、对比度差异大,对行人检测带来挑战性,为提高夜间场景下无人驾驶行人检测的准确性,提出了SCP-YOLOv4-tiny夜间行人检测算法。引入注意力机制,增强网络对夜间行人特征提取能力;添加空间金字塔池化模块,以丰富深度特征信息;采用SiLU激活函数替换YOLOv4-tiny算法原有激活函数,提高算法检测精度。在NightOwls与BDD100K公开数据集上对改进的算法进行训练与测试,结果表明,改进后的算法平均准确率达到了94.11%,较改进之前提高了16.84%,F F1-score值达到了0.92。使用无人驾驶实验平台采集夜间道路行人图像,并在车载硬件平台Jetson AGX Xavier使用SCP-YOLOv4-tiny算法对采集数据进行检测,验证了算法改进的有效性,能够满足无人驾驶系统应用需求。

基于MobileViT-PC-ASPP和迁移学习的果树害虫识别方法

为提高果树害虫识别效果,及时做好防治措施,本研究以6种对果树危害程度较大的害虫为研究对象,针对自然环境下果树害虫识别背景复杂、害虫目标小检测难度大、与不同类别间特征相似度高等问题,提出一种改进的轻量化MobileViT-PC-ASPP识别模型。该模型用PConv(Partial convolution)模块代替原模型MobileViT模块中部分标准卷积模块,其次修改MobileViT模块的特征融合策略,将输入特征、局部表达特征、全局表达特征进行拼接融合;删除网络第10层MV2模块和第11层MobileViT模块,使用改进空洞空间池化金字塔(Atrous spatial pyramid pooling,ASPP)模块进行代替,形成多尺度融合特征;此外,模型用SiLU激活函数代替ReLU6激活函数进行计算,最后基于ImageNet数据集进行迁移学习。实验结果表明,6类果树害虫图像识别准确率达93.77%,参数量为8.40×10~5,与改进前相比,识别准确率提高7.5个百分点,参数量降低33.86%;与常用害虫CNN识别模型AlexNet、ResNet50、MobileNetV2、ShuffleNetV2相比识别准确率分别提高8.25、4.78、7.27、7.41个百分点,参数量分别减少6.03×10~7、2.48×10~7、2.66×10~6、5.30×10~5;与Transformer识别模型ViT、Swin Transfomer相比识别准确率分别提高19.03、9.8个百分点,参数量分别减少8.56×10~7、2.75×10~7。本研究适合部署在移动终端等有限资源环境,并且有助于实现对复杂背景下小目标果树害虫进行识别检测。

基于UNet++技术的油田管线泄漏监测

针对石油泄漏初期目标较小、石油颜色特征在昏暗场景下不容易区分、残留的泄漏痕迹难以完全清除等易造成误检漏检问题,提出一种基于UNet++技术的油田管线泄漏监测网络。该方法采用Kind++图像增强,增加图像照度;引入SiLU激活函数,缓解梯度消失,保留更多特征信息,加快网络收敛速度;引入EMA注意力机制聚合多尺度空间结构信息,增强特征融合质量。实验结果表明,该方法准确率为95.5%,精确率为95.5%,召回率为95.2%,平均交并比为91.3%,可以准确分割出昏暗环境、遮挡环境、小目标的石油泄漏区域,能实现油田管线泄漏监测工作。