摘要：基于深度学习的目标检测方法在智能车载控制器应用时很难同时满足检测精度与速度的要求。因此,提出一种多级参数融合的驾驶场景目标检测方法,实现检测速度和精度的同步提升。首先,设计出一种多级分支结构用于构建模型,同时,为提高模型的推理速度,引入一种多级参数融合的方法,即将多级结构层等效为单一的卷积-批标准化层,在保证模型泛化能力不变的条件下,大幅度减小模型的参数量。其次,为增加模型的检测精度,提出一种SSIoU(Soft scaledintersectionofunion)边界框损失计算方法以及一种联合半锚框的标签关联算法,提高模型对驾驶场景的适应能力。最后,开展基于DAIR-V2X-V数据集的试验验证,结果表明,所提出的多级参数融合模型,相比于目前先进的yolo(You only look once)算法,检测精度(Mean average precision,mAP)提高了9.89%,推理速度(Frames per second,FPS)提高了51.89%。

摘要：实时目标检测算法(如yolo)是为在资源有限的边缘设备上高效执行物体检测任务而设计的。因检测性能有限,提出一种基于多层特征对齐的知识蒸馏方法。为有效保留原始数据中的知识,引入将教师和学生模型的多个中间层知识纳入其中的蒸馏指标,根据训练过程中教师模型和学生模型中间层特征的差异,纳入了对齐加权因子。该方法能让学生模型从教师模型的中间层学到更多有用的知识。利用提炼出的知识对现有模型进行了增量训练,避免训练多个独立模型的资源开销。通过不同场景和条件下的实验比较,该方法在降低模型计算和存储成本的同时,有效提高目标识别的准确性。实验分析表明,在yolo模型基础上提出的多层特征对齐蒸馏算法经COCO2017数据集验证,将学生模型的检测精度从33.3提升到40.7,有效提高模型的检测精度。

摘要：鱼眼相机捕获的图像具有宽视场、几何失真和尺度差异大等特点,这给基于标准卷积网络的目标检测器带来了巨大的挑战。现有的目标检测算法可以在网络结构设计、特征学习等方面进一步改进以适用于鱼眼图像上的失真目标检测任务。为减轻鱼眼图像上径向畸变的影响,研究在yolov7主干引入多分支堆叠结构的多头注意力模块以捕获全局上下文信息,提高检测准确性。同时,在yolov7的Neck侧,使用简单高效的融合可变形卷积的层聚合结构以实现有效的多尺度特征融合,提高模型对失真目标的特征提取能力。提出的检测模型直接在鱼眼图像上执行,无须指定先验信息和校准。在公开的综合鱼眼图像数据集VOC_360上进行实验,结果表明,改进后的yolov7鱼眼图像目标检测器有效地提高了检测精度,mAP50、mAP50:95分别达到84.3%、70.4%,相比基准模型yolov7分别提升3.1个百分点、6.4个百分点。

摘要：为了推动城市人机融合治理智慧化发展,本文研究并设计了基于yolo算法的城市监控布点协同优化方案,从关键地点重点化、监控区域网格化、资源协同智慧化三个方面,优化传统监控布点模式和提高视频监控系统建设质量。实验结果表明,与传统监控布点模式相比,本文所设计的方案在检测识别车辆违停、垃圾乱扔等问题方面更加准确和全面,能够更加有效地加强社会治安防控体系建设。

摘要：目的为医生介入手术训练时提供更加直观的位置参考信息,设计了一种快速检测导丝位置的方法。方法以yolo算法为基本框架,将视频帧中的导丝头端建模为单一检测目标,通过优化网格划分尺度来实现准确的导丝实时检测。本研究基于体外介入模拟操作平台共采集50个视频序列,从40个视频中随机收集8000张独立帧作为训练样本,基于10个完整视频序列收集的1960张独立帧进行算法测试,以预测框与真实框交并比为检测精度评价指标,并进一步分析非yolo和yolo方法在4个不同主动脉解剖区域的检测鲁棒性。结果在12×20网格尺度和交并比大于0.5为预测准确的条件下,yolo算法的导丝检测的准确率达到了0.9954,检测帧率为333 fps。由于血管遮挡的干扰,非yolo和yolo方法在腹主动脉区域检测精度有所下降,但基于yolo的检测方法能够有效降低血管遮挡的影响。结论基于yolo算法能够实现更加精准的导丝检测,且在不同主动脉区域均表现出具有良好的鲁棒性,能够为医生介入手术训练过程提供实时有效的视觉辅助。

摘要：针对现有道路抛洒物检测算法识别准确率低、识别种类有限、实时检测效率低的问题,探索了将深度学习目标检测和传统图像处理相结合的抛洒物检测算法。提出在yolov5s目标检测算法基础上,对模型结构进行修改以满足实时性需求。具体地,使用卷积优化yolo中的降采样模块,采用Ghost网络替代原始的特征提取网络以减少计算量,根据抛洒物检测对象的特点设计符合数据集的锚框以提高目标识别准确度。使用优化后的yolo检测道路场景中车辆、行人作为交通参与者得到检测框,在检测框周围设定感兴趣区域,并在感兴趣区域内用背景差分算法实现前景目标识别。计算前景目标与yolo检测结果的交并比,排除交通参与者目标后实现道路抛洒物的识别。针对交通参与者检测的实验结果表明,改进后的yolo检测算法在整体识别精度没有损失的情况下单帧检测速度为20.67 ms,比原始yolo检测算法速度提升16.42%。真实道路抛洒物实验结果表明,在没有抛洒物训练数据情况下,传统混合高斯模型算法平均精度值为0.51,采用融合改进yolo和背景差分的抛洒物检测算法平均精度值为0.78,算法检测精度提高52.9%。改进后算法可适用于没有抛洒物数据或正样本数据稀少的情况。该算法在嵌入式设备Jetson Xavier NX上单帧检测速度达到24.4 ms,可实现抛洒物的实时检测。

摘要：针对传统目标识别方法需要人工设计特征工程,费时费力,泛化性能差的缺点,以yolo算法和tiny-yolo模型为基础,在tiny-yolo的基础上增加了3×3卷积层和NIN(Network in Net Work)卷积层,设计了一个包含15个卷积层的神经网络模型m-yolo。在voc2007和voc2012数据集上的实验结果表明,m-yolo模型提高了识别的准确性和定位的精确性,并且保证了在识别速度上与tiny-yolo基本保持一致,平均识别时间仅上升了0. 6 ms。

摘要：文章通过OpenMV和K210摄像头采集图像,并采用神经网络实现算法处理,实现了基于神经网络算法的无接触测温计身份识别系统设计。该系统选用GY-906模块进行温度检测,利用激光探头显示测温位置,并通过滑动滤波与快速排序的方法优化测温的返回值。经测试,在1~4cm及更远距离内,同标准温度误差为0.1℃,说明该系统可对已知、未知两类身份信息进行人脸识别、机器自学习等操作,实现了无接触测温及身份识别功能。

摘要：随着智慧校园建设工作的推进,如何合理地利用信息技术来提高课堂教学质量成为教育工作者们重点关注的问题.文章设计一种基于yolo算法的学生课堂关注度分析系统,能够有效地检测图像及视频中学生的课堂行为,通过数据分析得出学生的课堂关注度,并以网页形式多维度展示.

摘要：设计了一种基于yolo算法实现嵌入式系统控制交通信号灯及路灯的新型装置。该设备使用摄像头捕获视频,通过OpenCV对视频进行预处理,yoloV3算法作为识别算法和定位算法检测并判定图像中车辆的相对位置及数量,利用STM32单片机改变左转和直行的通行时间,从而实现智能控制。经实验仿真验证,该设备可提高当前道路的通行能力,缓解交通压力。