摘要：在某些固定的工业应用场景中,对目标检测算法的漏检容忍性非常低。然而,提升召回率的同时,目标周围容易规律性地产生一些无重叠的虚景框。传统的非极大值抑制(NMS)策略主要作用是抑制同一目标的多个重复检测框,无法解决上述问题。为此设计了一种各向异性NMS方法来对目标周围不同方向采取不同的抑制策略,从而有效消除规律性的虚景框。固定的工业场景中的目标形状和规律的虚景框往往具有一定关联性。为了促进各向异性NMS在不同方向的精确执行,设计了一种比例交并比(IoU)损失函数用来引导模型拟合目标的形状。此外,针对规则目标使用了一种自动标注的数据集增广方法,在降低人工标注工作量的同时扩大了数据集规模。实验结果表明,所提方法在轧辊凹槽检测数据集上的效果显著,应用于YOLO系列算法时在不降低速度的同时提升了检测精度。目前该算法已成功应用于某冷轧厂轧辊自动抓取的生产线。

摘要：针对经典的有锚框检测算法RetinaNet、无锚框检测算法FCOS等目标检测算法中存在漏检以及重复检测的问题,提出一种自适应特征融合与cosIoU-NMS的目标检测算法.首先采用自适应特征融合模块对多尺度特征中相邻3层特征加权融合,获取丰富的上下文信息和空间信息;然后采用cosIoU计算检测框之间的余弦相似度与重叠面积,使目标定位更准确;最后使用cosIoU-NMS代替Greedy-NMS抑制置信度分数较高的冗余框,保留更准确的检测结果.以RetinaNet和FCOS为基准,在PASCAL VOC数据集上的实验结果表明,所提算法的检测精度达到81.3%和82.3%,分别提升2.8个百分点和1.2个百分点;在MSCOCO数据集上检测精度达到36.8%和38.0%,分别提升1.0个百分点和0.7个百分点;该算法能够增强特征表征能力,筛除多余的检测框,有效地提高检测性能.

摘要：结合无人机和深度学习目标检测算法自动检测道路病害具有范围广、成本效益高等优势。然而,道路病害的形状和大小变化剧烈,很难完整检测它们。此外,受限于计算资源,通用的目标检测算法只适用于小尺寸影像(512像素×512像素或640像素×640像素),很难直接应用于大尺寸的无人机影像(5 472像素×3 648像素或7 952像素×5 304像素)。使用传统方法检测大尺寸影像中的多尺度目标会出现大尺寸目标切分、小尺寸目标漏检等问题。针对上述问题,本文提出了一种结合全局-局部多尺度融合策略和YOLOv5-RDD的创新解决方案。(1)构建了YOLOv5-RDD模型,在现有YOLOv5模型的基础上,设计多尺度C3(MSC3)模块和上下文特征金字塔网络(CFPN),增强了对多尺度目标的检测能力。(2)提出了一种全局-局部多尺度融合策略,利用下采样和切分手段获取大尺寸无人机影像的全局和局部信息,然后叠加全局和局部多尺度信息以获取整个大尺寸影像的多尺度信息,并采用中心非极大值抑制算法优化检测结果。(3)为验证所提方法的有效性,创建了一个专门用于无人机道路病害检测的UAV-RDD数据集。实验结果显示,与原始的YOLOv5模型相比,新模型YOLOv5-RDD在mAP上提升了5.8%,而全局-局部多尺度融合策略相比传统方法在mAP上提升了9.73%,充分证明了本文方法的有效性和优越性。

摘要：针对无人机航拍图像目标检测中目标尺度多样、相似目标众多、目标聚集导致的目标漏检、误检问题,提出了改进YOLOv5的无人机航拍图像目标检测算法DA-YOLO。提出由特征图注意力生成器和动态权重学习模块组成的多尺度动态特征加权融合网络,特征图注意力生成器融合处理不同尺度目标更重要的特征,权重学习模块自适应地调节对不同尺度目标特征的学习,该网络可增强在目标尺度多样下的辨识度从而降低目标漏检。设计一种并行选择性注意力机制(PSAM)添加到特征提取网络中,该模块通过动态融合空间信息和通道信息,加强特征的表达获得更优质的特征图,提高网络对相似目标的区分能力以减少误检。使用Soft-NMS代替YOLOv5中采用的非极大值抑制(NMS)以改善目标聚集场景下的漏检、误检。实验结果表明,改进算法在VisDrone数据集上检测精度达到37.79%,相比于YOLOv5s算法精度提高了5.59个百分点,改进后的算法可以更好地应用于无人机航拍图像目标检测中。

摘要：为解决汽车底盘混流装配错装、漏装和人工检测效率低的问题,设计了基于YOLOv3-Tiny的在线检测系统。该检测系统利用4套光源-相机组合的成像系统,从多角度获取前底盘模块的全貌图像,利用基于差分统计的条纹识别算法剔除低质量图像;根据检测目标特性,简化非极大值抑制算法,优化检测过程。实验和现场运行结果表明:检测系统目标无遮挡检出率达到100%,综合识别准确率达到99.95%,平均检测时间3.5 s,较之前人工检测效率提升94.55%,检测系统具有较高的准确度和检测效率,在汽车工业中实现了柔性化和智能化的目标检测应用。

摘要：现行的集中式缺陷检测系统存在数据量大、检测实时性低等问题,亟需以边缘计算为代表的分布式检测系统。为此,基于单阶段、轻量化的检测模型YOLOv8设计多种模块算法以提升其在电力场景下的检测精度。首先改进Mosaic数据增强算法,引入冲突关系表规避了传统数据增强算法对原始图像数据信息的破坏,增强了图像数据的多样性。然后,使用Res2Net模块代替原有的Bottleneck模块,增强模型对多尺度感知能力的同时也保持了检测模型的轻量化。使用CIoU-NMS算法替代原有的NMS(非极大值抑制)算法,提升了检测模型在聚类去重阶段的召回率与精度。最后,在14个电力场景缺陷上进行实验,均获得了比原有模型更好的检测精度,同时模型在电力场景的缺陷检测速度上亦有提升。

摘要：为实现智能网球回收机器人的高精度实时网球检测,提出一种轻量级网球检测算法CAG-YOLO。提出融合坐标注意力的Ghost残差块(coordinate attention ghostbottleneck, CAG),构建轻量型骨干网络CAG-Backbone,采用加权双向特征金字塔网络加强特征融合。采用SCYLLA-IoU计算坐标回归损失,改进非极大值抑制的后处理方法解决网球重叠问题。算法在Wtennis数据集上的实验结果表明,CAG-YOLO较基线方法的精度提高8.6%且模型体积减少31.7%,检测速度为21 ms,性能优于其它算法。CAG-YOLO能够用小规模参数提升检测精度,易于移植至移动智能设备。

摘要：边缘检测是机器视觉和计算机视觉处理的基础性工具,其效率和效果直接影响了后续图像处理的质量及视觉系统的整体响应时间.用FPGA平台固化边缘检测算法可以大大提高算法的效率.Sobel算法计算简单,但其检测出来的边缘粗,同时现有FPGA平台上采用的固定域值、经验阈值的实现方案通用性较差.为此,本文采用非极大值抑制方法来改进Sobel算子,并运用一种基于梯度直方图的二阶导数最大值的阈值选取策略使算法具自适应性.在FPGA平台上,采用流水线及分布式策略设计出边缘检测算法的并行运算电路.仿真结果表明与现有FPGA平台上的Canny与Sobel算法相比,改进后的边缘检测方案在保证实时性的前提下,提高了边缘检测的质量,具备了自适应性、FPGA门资源占用少等特性.

摘要：针对图像配准中尺度不变特征变换(SIFT)算法解算速率慢的问题,提出了基于非极大值抑制的改进算法。该算法扩大了极值检测区域半径,对SIFT关键点进行筛选,实现了关键点的优化分布。还提出一种自适应确定检测区域半径的方法,来更精确地控制关键点的数目和分布。仿真试验结果表明,该算法能在一系列不同的图像变换下表现出稳定的配准结果,解算速率较标准SIFT算法提升显著。

摘要：由于精度相对较高,Anchor base算法目前已成为拥挤场景下行人检测的研究热点。但是,该算法需要手工设计锚框,限制了其通用性。同时,单一的非极大值抑制(NMS)筛选阈值作用于不同密度的人群区域会导致一定程度的漏检和误检。为此,该文提出一种Anchor free与Anchor base检测器相结合的双头检测算法。具体地,先利用Anchor free检测器对图像进行粗检测,将粗检测结果进行自动聚类生成锚框后反馈给区域建议网络(RPN)模块,以代替RPN阶段手工设计锚框的步骤。同时,通过对粗检测结果信息的统计可得到不同区域人群的密度信息。该文设计一个行人头部-全身互监督检测框架,利用头部检测结果与全身的检测结果互相监督,从而有效减少被抑制与漏检的目标实例。提出一种新的NMS算法,该方法可以自适应地为不同密度的人群区域选择合适的筛选阈值,从而最大限度地减少NMS处理引起的误检。所提出的检测器在CrowdHuman数据集和CityPersons数据集进行了实验验证,取得了与目前最先进的行人检测方法相当的性能。