应用于嵌入式图形处理器的实时目标检测方法

提出了一种应用于嵌入式图形处理器(GPU)的实时目标检测算法。针对嵌入式平台计算单元较少、处理速度较慢的现状,提出了一种基于YOLO-V3(You Only Look Once-Version 3)架构的改进的轻量目标检测模型,对汽车目标进行了离线训练,在嵌入式平台上部署训练好的模型,实现了在线检测。实验结果表明,在嵌入式平台上,所提方法对分辨率为640 pixel×480 pixel的视频图像的检测速度大于23 frame/s。     

面向嵌入式平台的轻量级光学遥感图像舰船检测

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题,提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先,针对主干网络内存访问成本较高的问题,利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取,降低内存访问成本,提高网络并行度;其次,利用Slim-neck特征融合结构作为特征增强网络,以融合较低层级特征图中的细节信息,增强对小目标的特征响应,在多尺度信息融合区域施加坐标注意力机制,强化目标关注以提高较难样本检测以及抗背景干扰能力;最后,提出一种跨域迁移和域内迁移相结合的学习策略,减少源域与目标域的差异性,提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016,与同类型快速检测算法YOLOv5s相比,所提算法的检测精度提高了2.7个百分点,参数量减少了61.77%,在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s,能够有效实现对光学遥感图像中舰船目标的实时、准确检测。     

微小型航天密封圈表面缺陷检测

微小型航天密封圈表面缺陷面积占比小,目前的检测方法检测效率低、结果不稳定,检测速度和检测精度仍有提升空间。针对上述问题,提出两种基于深度学习的密封圈表面缺陷检测算法。在MobileNetv2的反向残差模块中加入多头注意力机制,构建出轻量级主干网络Efficient Model;使用Next Hybrid策略,融合工业级Transformer网络中的多个注意力机制模块,构建出Next Generation Vision Transformer主干网络。在上述两种主干网络中分别加入特征提取网络,设计出Efficient-FPN Model和Transformer-FPN Model检测算法。实验结果表明,Efficient-FPN Model和Transformer-FPN Model检测算法的平均准确率均高于YOLOv5s、YOLOv5x以及YOLOv5z,其中,Transformer-FPN Model模型的平均准确率最高,达到91.4%。Efficient-FPN Model的检测速度在五种模型中最快,达到110.8 frame/s,其平均准确率达到86.1%,也高于其他YOLOv5...     

面向嵌入式系统的复杂场景红外目标实时检测算法

为了解决复杂背景条件下,红外目标检测存在的准确率低、召回率低、以及网络模型在嵌入式计算平台上推理速度慢的问题,以轻量化网络YOLOv4-Tiny作为算法的基本架构,结合视觉注意力机制和空间金字塔池化思想,提出两种面向嵌入式系统的红外目标检测网络,利用迁移学习策略进行训练,在以昇腾310 AI芯片为核心的Atlas 20...     

基于双模态融合网络的目标检测算法

针对红外图像和可见光图像的融合目标检测问题,提出一种基于双模态融合网络的目标检测算法。在同时输入红外和可见光图像对后,利用设计的红外编码器提取红外图像空间特征信息;通过设计的可见光编码器将可见光图像从垂直和水平两个空间方向聚合特征,通过精确的位置信息对通道关系进行编码;最后,采用提出的门控融合网络自适应调节两路特征的权重分配,实现跨模态特征融合。在KAIST行人数据集上,与基准算法YOLOv5-n单独检测可见光图像和红外图像的结果相比,所提算法检测精度分别提升15.1%和2.8%;与基准算法YOLOv5-s相比,检测精度分别提升14.7%和3%;同时,检测速度在两个不同基准算法模型上分别达到117.6 FPS和102 FPS。在自建的GIR数据集上,所提算法的检测精度和速度也同样具有明显优势。此外,该算法还能对单独输入的可见光或红外图像进行目标检测,且检测性能与基准算法相比有明显提升。     

改进YOLOv4的铁路沿线遥感影像地物检测方法

近年来,高分遥感影像技术的快速发展为铁路沿线地物检测提供了一种重要技术手段。基于回归的一阶段目标检测方法YOLOv4具有检测精度高、速度快等优点,但用于遥感影像检测时仍然存在部分细节特征信息丢失导致的小目标漏检,以及进行大面积地物检测时效率低的问题。为此,提出改进YOLOv4网络模型对遥感影像铁路沿线地物进行检测。首先,设计由卷积、批量归一化和Mish激活函数组成的CBM(convolution batch normalization mish)模块,并采用DCBM(double CBM)模块作为密集连接网络(DenseNet)的传输层用于YOLOv4网络特征提取以实现地物特征传递和信息重用,增强小目标地物的检测能力,降低漏检率;然后针对YOLOv4在大面积检测时效率不高和模型参数空间较大的缺陷,将压缩激励SE(squeeze excitation)通道注意机制用于骨干网中跨阶段局部单元(cross stage partial, CSP)的每个残差单元之后,减少SE注意模块的重复调用次数,使其能够在提高网络性能的同时降低模型参数量从而提高检测效率;最后,针对长条形状的铁路目标提取困难问题,在网络结果输出之前引入改进的通道空间注意力机制ICBAM(improved convolutional block attention module) 保留原始特征信息,解决铁路目标特征提取能力差的问题,提高铁路中大尺度目标的检测效率。为验证所提方法的有效性,选取2 048张分辨率为1 920×1 080的某段铁路沿线遥感影像地物样本数据,将其中的铁路、房屋、楼宇建筑、农田和水池作为检测目标进行实验,并与当前流行的目标检测方法进行对比。结果表明,改进方法不仅增强了对小目标地物的检测能力,提高了地物检测精度和速度,而且提高了大尺度目标的检测效率。与YOLOv4算法相比,mAP提高了2.11%,准确率提高了2.93%,召回率提高了3.79%,模型大小减少了8.53%。所提方法为当前应用高速铁路沿线遥感影像地物快速精准检测提供了有效方法。     

融合多异构滤波器的轻型弱小目标检测网络

针对红外图像信息维度单一且弱小目标因特征不明显而难以检测的问题,将不同结构的多滤波器融入YOLOv5n网络,根据增强弱小目标和抑制背景干扰的不同特性分别选择三个异构滤波器作用于网络的多通道输入图像,从而丰富原始图像的信息维度,有效提升后端网络对复杂背景下弱小目标的适应能力;通过添加注意力模块、采用小锚框策略、裁剪网络深层分支等改进措施,在增强YOLOv5n网络弱小目标检测能力的同时,进一步减少了计算和存储资源需求。实验结果表明,所提出的算法能够有效检测红外复杂背景中的弱小目标,同时占用存储和计算资源更少,为算法部署在资源受限的嵌入式设备上提供了基础。     

结合目标检测的多尺度相关滤波视觉跟踪算法

为满足视觉跟踪算法对跟踪精度与跟踪速度的要求,提出一种结合目标检测的多尺度相关滤波视觉跟踪算法。所提算法基于深度学习的目标检测算法找出图像中目标的位置和尺寸,利用相关滤波算法对所给出的目标特征进行视觉跟踪,并在多个尺度中搜索最优响应;当检测到相关滤波响应值异常时,停止对模型更新;当连续数帧响应值异常时,则在全图范围内搜索目标位置和尺寸。所提算法通过对跟踪状态进行评估和模型更新率自适应调整,解决了传统相关滤波类算法跟踪误差随时间积累的问题,且具有较大的跟踪速度和较高的精度。结果表明:在Matlab平台下,所提算法的平均定位精度为0.593,平均交叠率精度为0.784,帧率为65.3 frame/s。     

一种深空背景空间小目标条痕检测算法

针对深空慢速运动目标(目标在焦面的运动速度小于1 pixel/frame)提出了一种最大似然条痕检测算法,能够在较低信噪比情况下实现有效的慢速目标检测。算法将目标脉冲形状信息引入信号模型中,是最大值投影算法的改进形式。建立基于高斯噪声分布的图像信号模型,在此基础上推导了最大似然条痕检测算法模型;分析该算法的实时性及其理论探测性能;采用蒙特卡罗仿真方法比较最大似然条痕检测算法与最大值投影检测算法的检测性能。仿真结果表明,输入信噪比为3.5时,最大似然条痕检测算法的探测概率为95%,其相同探测概率条件下所需信噪比比最大值投影算法降低了2.5(即最大值投影算法要达到95%的检测概率,所需信噪比为6)。算法实时性分析表明,最大似然条痕检测算法的实时处理能力为31.25 Mb/s。     

基于自适应特征选择的多尺度相关滤波跟踪

近年来,基于相关滤波的目标跟踪算法因其具有很好的跟踪精度和明显的速度优势,引起了研究人员的极大关注。提出一种基于自适应特征选择的多尺度相关滤波跟踪算法。首先,提取三种互补特征,通过相关滤波响应图评估各特征的跟踪性能,自适应选择最优特征进行位置跟踪;其次,预设响应图阈值作为位置相关滤波模型更新的判断条件,优化模型更新方式;最后,引入尺度相关滤波跟踪器,进一步提高了算法的尺度适应性和跟踪精度。实验部分将该算法和近年来流行的相关滤波及非相关滤波类跟踪算法进行了对比,结果表明,该算法在精度上优于其他算法,同时具有53.12frame/s的实时跟踪速度。     

水热法制备Mo1-XWXS2合金材料及晶体结构的研究

提出一种基于无监督域适应的低空海面红外目标检测方法。首先利用图像翻译网络将源域图像翻译为目标域图像并共享标签。其次在YOLOv5s目标检测网络中使用梯度反转层优化网络提取特征的域间适应性。此外利用最大均值差异损失进一步缩小从网络中提取的不同红外探测器图像的特征分布。最后采用AdamW异步更新优化算法进一步提高模型在训练过程中的稳定性与检测精度。将所提方法在不同红外探测器采集的低空海面红外船只与无人机数据集中进行实验。实验结果表明,相较于传统有监督学习方法,所提方法有效降低了人工标注成本,且源域检测精度提高6.56个百分点,目标域检测精度提高2.62个百分点,有效提升目标检测模型在不同红外探测器间的泛化能力。     

基于YOLOv4-tiny的遥感图像飞机目标检测技术研究

针对传统遥感图像飞机目标检测算法在复杂背景下存在检测准确度和检测召回率较低的问题,基于深度学习中YOLOv4-tiny提出一种遥感图像飞机目标检测算法。根据YOLOv3和YOLOv4的网络结构对YOLOv4-tiny的网络结构进行改进,将原算法中的CSP特征提取网络强化,使其特征提取能力增加;使用Mish激活函数替换原激活函数Leaky ReLU,以获取更好的泛化性;添加了空间金字塔池化模块,缓解网络对目标尺度的敏感程度。实验结果表明:在常规高质量、过度曝光的停机坪、登机口干扰和雾天影响的遥感图像测试中,改进后的算法都有很优秀的检测效果,最终统计检测准确度为98.49%,较原算法提升了1.79%,召回率为97.19%,提升了23.2%,速度达到8.77ms。检测效果有显著提升,能够满足实时性要求。     

面向边缘智能光学感知的航空紧固件旋转检测

针对航空紧固件分拣过程中现有方法存在效率低、成本高、精度差等问题,提出一种面向边缘智能光学感知的旋转目标检测方法。构建一种基于强化语义和优化空间的特征融合机制,有效提升目标检测模型的性能;设计一种空洞幻影模块,减少特征融合网络的参数量,有利于模型在工业场景下的边缘部署;采用高斯类环形平滑标签方法,在模型检测层预测分支上实现旋转目标检测,显著提升模型检测性能,并更有助于工业机器人自动抓取。在权威公开旋转数据集上,检测准确率达到77.16%。最后,在嵌入式智能设备上进行边缘部署并测试,整体准确率达到99.76%,推理速度超过20 FPS (frames per second),满足工业应用的要求。     

基于优化YOLOv4算法的行驶车辆要素检测方法北大核心CSCD

随着车辆数量的急剧增加,带来了一系列管理问题,智能交通系统是一种有效的解决方式。由于传统的目标识别方式受天气、距离、角度、光照等因素的影响较大,且基于原YOLOv4算法的驾驶员面部、手部等信息检测的准确率不高,提出一种基于优化YOLOv4算法的检测定位方法。在给原YOLOv4网络增加一个更小的检测尺度的同时,使用模糊ISODATA动态聚类算法对先验框数目进行优化,并使用真实十字路口数据集进行实验。实验证明,优化后的网络在训练集中的类间平均准确率为98.56%,检测帧频为41.43帧/s,均高于原网络。     

面向嵌入式平台的轻量化神经网络手势识别方法

针对传统基于图像分割和特征提取的手势识别算法在复杂背景下识别准确率低、灵活性差的问题,基于目标检测神经网络的手势识别算法可以有效提高复杂环境下手势识别的准确性。受嵌入式处理器体积和功耗的限制,常用的目标检测神经网络在嵌入式上的识别速度较低,不能满足实时手势识别的要求。在SSD目标检测的基础上对其进行优化,使用MobileNetv3网络实现特征提取,目标检测方面则是使用SSD-lite结构,其使用深度可分离卷积替代普通卷积,实现了轻量化MobileNetv3-SSDLite手势识别算法的设计。针对手势识别的要求,制作了包含不同手势的数据集,利用它在服务器上完成了模型的训练。为了满足嵌入式的算力限制,通过模型的量化压缩将float64的网络参数量化为int8,并压缩网络结构,提高网络在嵌入式上的推理速度,实现基于嵌入式的手势识别。实验结果表明,基于嵌入式的MobileNetv3-SSDLite手势识别算法可以达到平均准确率99.61%,且识别速度达到每秒50帧以上,满足实时手势识别的要求。     

基于改进YOLOv3网络的无人车夜间环境感知

环境感知是无人车夜间行驶中的一项关键任务，提出一种改进的YOLOv3网络，以实现夜间对无人车获取的红外图像中行人、车辆的检测，将判断周边车辆的行驶方向问题转化为预测车辆位置的角度大小问题，并与深度估计信息进行融合对周边车辆行驶的距离和速度作出判断，从而实现夜间无人车对周边车辆行驶意图的感知。该网络具有端到端的优点，能实现整张图像作为网络的输入，直接在输出层回归检测目标的边界框位置、所属的类别和车辆的角度预测结果，并和深度估计信息融合得到周边车辆的距离和速度信息。实验结果表明，使用改进的YOLOv3网络对夜间无人车获取的红外图像进行目标检测的时间为0.04 s/帧，角度和速度预测效果较好，准确性和实时性达到了实际应用要求。     

基于可见光光谱和YOLOv2的生猪饮食行为识别

猪的进食、饮水行为是评价生猪健康程度最直接的依据,利用计算机视觉技术实时监控生猪的进食、饮水等状况对提高生猪养殖福利有重要的意义。提出一种基于可见光光谱和改进YOLOv2神经网络的生猪进食、饮水行为识别方法,该方法在生猪可见光图像序列上构建头颈模型,结合改进的YOLOv2神经网络实现真实养殖场景中的生猪目标检测,并利用位置信息对生猪的进食、饮水行为进行预判断,对符合判断的图像使用图像处理方法精准判断生猪进食、饮水行为。首先在生猪图像序列上构建头颈模型,利用未被遮挡的头颈作为检测目标,该模型能有效改善生猪目标检测过程的遮挡问题,且能够精准定位生猪的头部,为后续识别进食饮水行为提供辅助。然后采用国际主流神经网络YOLOv2作为目标检测的基础网络模型,改进其激活函数,实现快速精准地生猪目标检测。在使用网络训练前,对生猪数据集使用K-means算法进行聚类候选边框,其mAP值和Recall值相比于最初YOLOv2提高了3.94%和5.3%。为了增加网络对输入变化或噪声的鲁棒性,对比使用ReLU, Leaky-ReLU和ELU三个激活函数的性能,可以发现使用ELU的性能比前两者有明显提高。将改进后的网络与原YOLOv2, SSD模型以及Faster R-CNN相比,该模型的mAP值达到90.24%, Recall值达到84.56%,均优于后三者。最后利用目标检测得到的生猪头颈位置信息,对生猪的进食、饮水行为进行预判断。当图像中进食、饮水区域出现生猪时,对该图进行背景差分法、形态学运算等处理,并结合饮水区域停留时间等对生猪的进食、饮水行为进行更精准判断。实验表明:利用该方法判断生猪的进食、饮水行为,准确率分别达到94.59%和96.49%,均优于直接使用传统方法判断的结果,可应用于实际养殖过程中辅助养殖人员进行生猪管理。     

改进的SSD算法及其对遥感影像小目标检测性能的分析

针对以Faster R-CNN为代表的基于候选框方式的遥感影像目标检测方法检测速度慢,而现有SSD算法在小目标检测中性能低的问题,提出一种改进的SSD算法,综合利用现有基于候选框方式和一体化检测方式的优势,提升检测性能。该算法利用密集连接网络替换原有的VGGNet作为骨干网络,并且在密集连接模块之间构建特征金字塔,代替原有多尺度特征图。为验证所提算法的精度及性能,设计样本数据在线采集系统,并采集飞机及运动场目标样本集作为实验样本,通过对改进SSD算法的训练,验证了其网络结构的稳定性,在无迁移学习支持下依然能够达到良好效果,且训练过程不易发散。通过对比以101层的残差网络(ResNet101)作为基础网络的Faster R-CNN算法和R-FCN算法可知,改进SSD算法较Faster R-CNN算法和R-FCN算法的MAP在测试集上分别提升了9.13%和8.48%,小目标检测的MAP分别提升了14.46%和13.92%,检测单张影像耗时71.8 ms,较Faster R-CNN和R-FCN算法分别减少45.7 ms和7.5 ms。     

基于改进型高斯混合模型的嵌入式实时运动检测系统

针对在嵌入式CPU上难以做到复杂背景下运动目标的实时检测,提出了一种基于改进型高斯混合模型的实时运动检测方案,采用改进型高斯混合模型,对高斯混合模型进行简化和结构调整,同时进行了C语言层面和CPU层级的优化,使其更合适于嵌入式平台,并详细分析了DM6446平台的软硬件设计,介绍了该算法在DM6446平台上的实现过程。实验结果表明：该系统能够有效克服外界环境变化带来的干扰,能够实时检测,可以实现多目标跟踪。     

融合结构重参数化变换的气体泄漏红外检测

针对常规工业气体泄漏检测装置需泄漏扩散到一定范围并与传感器接触时才能响应的不足,提出一种融合结构重参数化变换的红外非接触式检测网络模型GRNet。GRNet模型采用Mosaic-Gamma变换的预处理方法增加泄漏样本数量并提高图像对比度以增强模型的鲁棒性;通过K-means聚类分析出适用于气体泄漏红外检测的候选框以预置模型参数;优化定位损失函数以提高模型对泄漏区域的定位准确性;采用改进后的轻量化网络RepVGG模块重构特征提取网络增强模型的特征提取能力,以实现轻量化并提高检测精度。实验结果表明,GRNet模型对氨气泄漏的平均检测精度达到94.90%,单张图像平均检测时间达到3.40 ms。采用伪色彩映射实现泄漏浓度的视觉感知效果,采用PyQt5将GRNet模型进行封装实现气体泄漏红外检测系统界面的可视化并在Jetson Nano B01嵌入式实验平台部署该模型,验证了实际工程应用的可行性和有效性,为开发气体泄漏非接触探测装置以保障涉气企业的安全生产和稳定运行提供一种有效的检测算法。