基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明：本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0,32]、(32,96]与(96,400]尺度下...     

基于深度学习的绝缘子故障检测仿真研究

针对无人机巡检中采集到的绝缘子图片受干扰严重、检测精度低的问题，在YOLOv5s算法的基础上进行优化，基于改进后的YOLOv5s算法进行了绝缘子故障检测的仿真研究。通过在颈部网络添加CBAM注意力模块、运用K-means聚类重新计算先验框大小、采用MetaAconC作为激活函数3种措施改进了原算法，并基于Python进行了实验结果分析。实验结果表明本方案算法平均精度均值mAP达到了96.7%，对比原YOLOv5s模型，平均精度均值m AP提升3.3%；且方案算法训练出的权重文件大小仅有15.1 M,仅比原YOLOv5s大了0.1 M，仍然保持了轻量化的特点，在智能巡检工作的部署上有良好前景。     

基于YOLOv3的变速箱油封座缺陷检测

针对小型汽车变速箱后油封座缺陷检测精度低、检测速度慢、目标不敏感等问题,提出改进YOLOv3检测算法.在YOLOv3算法基础上,将第11层浅层特征与网络深层特征融合,生成尺度为104×104的新特征图层,提取更多小缺陷目标特征;再将BN层参数合并到卷积层,共用连通数据减少占用显存等空间.结果表明:文中算法能有效识别有缺...     

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度,提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4,融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet,获得的D-PReNet可更有效提取雨纹特征;使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53,为YOLOv4的颈部路径聚合网络模块添加复合残差块,同时采用k-means++算法取代原始网络聚类算法,获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率;基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明：与当前YOLO系列主流网络相比,提出的DTOD-PReYOLOv4对原浅层ResBlock＿body1叠加残差块,可以更好地提取分辨率较小的特征;对原深层ResBlock＿body3、ResBlock＿body4和ResBlock＿body5进行裁剪,获得ResBlock＿body3×2、Re...     

基于加权密集连接卷积网络的快速交通标志检测

为提高算法对交通标志快速定位的准确性,改善现有检测算法在复杂交通环境下检测效果不佳、实时性较差的问题,提出一种基于动态加权密集连接卷积网络的交通标志快速检测算法. 选用YOLOv2 作为基础网络,通过增加动态加权密集块对各层特征图的权重进行调节,实现深层高语义信息和浅层低语义信息的融合;使用MobileNet 轻量化网络结构,通过可分离卷积操作有效降低网络的计算成本;针对池化操作中图像特征丢失严重问题引入 CBAM模块,利用通道注意力和空间注意力信息增强关键特征的表达能力. 实验结果表明,本文算法在GTSDB数据集上分别达到了96.14%的检测精度和139 frame/s 的检测速度,在保证较高检测精度的同时,能够有效提高检测效率,满足实时检测要求.     

面向高速公路的公里桩检测及误检改进

公里桩是高速公路的位置信息载体，自动检测公里桩是实现高速公路路面信息定位的前提。针对高速公路公里桩自动检测中存在的问题，通过车载道路巡检设备采集公里桩数据信息，训练公里桩检测模型。结合Hu不变矩法和公里桩独特的图像特征，提出基于二维图像的公里桩自动检测及误检改进方法，为交通标志的日常巡检作业提供新思路。以测试段高速公路为例进行研究，结果表明：YOLOv5s检测模型对公里桩的召回率达到100%,准确率为52.7%,运用Hu不变矩法对检测结果进行误检排除，召回率降低5.6%,准确率提升35.7%,检测速度和精度能够满足实际巡检需求，并可为其他目标物检测定位提供帮助。     

基于DA-SSD的有轨电车轨道小目标障碍物检测算法

城市有轨电车轨道障碍物的高精度、快速检测对保障城市有轨电车安全行驶具有重要意义。针对SSD算法检测轨道小目标障碍物精度较低的问题,提出了基于DA-SSD的城市有轨电车轨道小目标障碍物检测算法。在SSD目标检测算法的基础上,设计低层双段反卷积模块,丰富低层特征层的语义信息,增加自适应注意力机制模块,生成具有更强语义信息和精确位置信息的低层特征预测层,修正先验框生成方式,缩小各个特征层先验框的大小,增强轨道小目标障碍物检测的适应性。通过自制有轨电车轨道障碍物数据集进行训练与测试。结果表明：当R_iou=0.6时,DA-SSD算法的MAP达到78.17%,检测速度为23.4 f/s,相比SSD算法,该算法在保持高速检测的前提下,提高了有轨电车小目标障碍物的检测精度。     

基于Transformer的交通标志检测模型研究

【目的】为了解决在复杂环境下,对小目标特征困难以及对小目标检测效果不佳等问题,提出了一种基于Transformer的交通标志检测基干模型。【方法】通过充分利用卷积和Transformer的优势,构建了一种注意力融合的多尺度特征提取基干模型,能够使基干网络以全局上下文信息为支撑,有选择地增强有用信息的特征,并抑制不重要的特征。此外,为了在增强特征融合的同时防止网络退化,还加入了类池连接。最后,在TT100K数据集上进行实验。【结果】实验结果表明,以该模型为骨干的元体系结构取得了最高84%的mAP,与基线模型相比m AP最大提升约7%。【结论】模型在提高特征提取效果的同时,也为交通标志检测提供了一种新的思路。     

基于轻量化网络和注意力机制的智能车快速目标识别方法

为提高智能车在真实环境中的实时检测能力，改善复杂环境下检测效果不佳的问题，本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法。首先，为了减少网络计算参数和提升目标识别算法的推理速度，提出利用GhostNet加速YOLOv4的特征提取；其次，为了提高复杂场景下对道路目标的识别精度，在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块；最后，为了验证本文提出方法的有效性，选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比。与其他目标检测算法在精度和速度上进行比较，结果证明，本文方法在平均检测精度提升1.7%的情况下，模型参数量降低到原来的18.7%，检测速度提升了 66%，检测速度和精度均优于其他算法，可满足智能车的实时感知需求。     

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题，提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法；为提高模型对道路车辆的检测能力，采用K-means++聚类算法对目标候选框进行聚类分析，选择合适的Anchor box数量，并在网络浅层增加了特征提取层，可提取到更精细的车辆特征；为加强网络对远近不同目标的鲁棒性，在保留原YOLO v3模型输出层的同时，增加了一层输出层，将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图，并将其与浅层同尺寸特征图进行拼接，实现车辆目标的检测；为了降低目标遮挡对检测效果的影响，提高对视频上下帧之间关联信息的关注度，将改进YOLO v3模型和Deep-SORT算法相结合，以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能，与在网络浅层增加特征提取层的模型相比，平均精度提高了1.4%，与增加一层输出层的模型相比，平均精确度提高了0.8%，说明改进YOLO v3模型提取的特征表达能力更强，增强了网络对小目标的检测能力；改进YOLO v3模型在引入Deep-SORT算法后，查准率和召回率分别达到90.16%和91.34%，相比改进YOLO v3模型，查准率和召回率分别提高了1.48%和4.20%，同时保证了检测速度，对于不同大小目标的检测具有良好的鲁棒性。      

基于多入侵线的视频车速检测方法

为提高视频中车速检测的精度，提出一种基于多入侵线的视频车速检测方法。首先在视频中布设已知相对距离的多条入侵线，其次检测车辆经过每条入侵线时的帧数，最后结合帧数、 摄像机的采样时间、入侵线间的距离生成关于车速的概率密度函数模型以计算车速。通过构建仿真环境验证模型性能，仿真结果表明：减小摄像机的采样时间、增加入侵线数量、增大入侵线之间的距离可以提高模型性能，并且在不同检测条件下使用多入侵法进行车速检测的误差率都更低。采用Deepsort+YOLOv5目标跟踪算法实现视频中车速的检测，同时，在视频车速检测综合数据集BrnoCompSpeed上与主流车速检测方法进行实验对比，实验结果表明，该方法测量结果的平均误差率为1.40%，与主流视频车速检测方法相比精度更高。     

顾及小目标特征的视频人流量智能统计方法

人流量统计对智能安防等领域具有重要研究价值. 针对视频监控系统中人流量统计准确率较低的问题,提出一种顾及小目标特征的视频人流量智能统计方法,重点研究用于小目标检测的Faster R-CNN （Faster region-convolutional neural network）改进算法、运动目标关联匹配以及双向人流量智能统计等关键技术,根据人头目标的小尺度特点对Faster R-CNN网络结构进行适应性改进,利用图像浅层特征提高网络对于小目标的特征提取能力,通过基于轨迹预测的跟踪算法实现运动目标的实时追踪,同时设计双向人流量智能统计算法,以实现人流量高准确率统计;为证明方法的有效性,在密集程度不同的场景中进行了测试. 测试结果表明:改进的目标检测算法相较于原始算法,在Brainwash测试集和Pets2009基准数据集上的平均准确率分别提高了7.31%、10.71%,视频人流量智能统计方法在多种场景下的综合评价指标F值均能达到90.00%以上,相较于SSD-Sort算法和Yolov3-DeepSort算法,其F值提高了1.14% ~ 3.04%.      

基于图像序列区域混沌特征的海面舰船目标检测算法

为了检测复杂海面背景中的舰船目标,提出了一种基于图像序列区域混沌特征的目标检测新算法,算法利用小数据量法计算图像序列区域的最大Lyapunov指数,分析运动目标存在时背景信号混沌特征的变化,并利用混沌特征的变化差别检测淹没在混沌背景信号中的目标信号,最后对100帧图像进行了目标检测.计算结果表明:新算法检测率为100%,虚警率为5%,检测结果优于利用统计分析方法的结果.     

基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征, 检测率较低与鲁棒性差的问题, 提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法; 根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进, 基于ImageNet数据集和微调技术获得分类训练网络模型, 对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数, 最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法; 为验证检测方法的有效性和完备性, 采用不同车流密度进行了车辆多目标检测试验, 并与经典YOLO-voc、YOLO9000模型进行了对比; 采用改进YOLO-vocRV网络模型, 选取20 000次迭代, 分析了多目标检测结果。试验结果表明: 在阻塞流样本条件下, YOLO9000网络模型检测率为93.71%, YOLO-voc网络模型检测率为94.48%, 改进YOLO-vocRV网络模型检测率达到了96.95%, 因此, 改进网络模型YOLOvocRV检测率较高; YOLO-vocRV模型精确度和召回率均聚集在0.95, 因此, 在获得较好精确度的条件下损失的召回率明显较小, 达到了很好的折中; 采用混合样本训练后, 基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%, 同步流状态下可达97.62%, 阻塞流状态下可达到97.14%, 具有较小的误检率和良好的鲁棒性。      

基于异构图学习的交通场景运动目标感知

为了提高无人车在交通场景中的运行效率和运输安全,研究了基于异构图学习的交通场景运动目标感知;考虑实际交通场景中运动目标之间的复杂交互关系对目标运动的影响,基于异构图学习提出了交通场景中多目标检测-跟踪-预测一体化感知框架;结合YOLOv5和DeepSORT检测并跟踪运动目标,获得目标的运动轨迹;使用长短期记忆(LSTM)网络从目标历史轨迹中学习目标的运动信息,使用异构图学习目标间的交互信息,以提高运动目标轨迹预测准确度;使用LSTM网络对目标运动信息与交互信息解码得到目标未来轨迹;为了验证方法的有效性,在公共交通数据集Argoverse、Apollo和NuScenes上进行了评估。分析结果表明：结合YOLOv5和DeepSORT可实现对运动目标的检测跟踪,对交通场景中的运动目标实现了75.4%的正确检测率和61.4%的连续跟踪率;异构图能够有效捕捉运动目标之间复杂的交互关系,并且捕捉的交互关系能够提高轨迹预测精度,加入异构图捕捉交互关系后,运动目标的平均位移预测误差降低了63.0%。可见,考虑交通场景中运动目标之间的交互关系是有效的,引入异构图学习运动目标之间的交互关系可以感知运动目标...     

基于改进的YOLOv3接触网鸟巢检测与识别

接触网上鸟巢对铁路安全稳定运行存在严重威胁.为检测和识别接触网上鸟巢以解决鸟巢对铁路运行造成的不良影响,提出一种改进的YOLOv3算法.首先对接触网鸟巢图像进行前期预处理,去噪等操作能够加强对鸟巢本质特征的提取,数据增强一定程度上避免神经网络的过拟合现象产生.然后在网络结构中加入空间金字塔池化模块,对特征图进行不同尺度...     

基于Dense_YOLO的室内目标异常检测

针对室内场所,运用目标检测等算法实现对监控视频的实时异常检测.为提高检测效果,对YOLO v2模型进行了三个方面的改进:利用稠密网络中特征融合方式改进网络结构;使用K-means++对目标框进行聚类改进网络参数;利用迁移学习的方式对网络进行训练;改进最终得到Dense_YOLO目标检测模型.实验结果表明Dense_YOLO正确率达到了93.66%,相比YOLO v2提高了7.06%.针对人、宠物、贵重物品这几种常见的监控目标,利用Dense_YOLO对目标状态进行异常检测,并分别在一般场景、光照强、光照弱、目标被遮挡、目标较小等不利条件下进行测试,区域入侵检测、物品移动/移出检测两种特定目标异常检测功能分别到达92.73%、90.07%的平均正确率.     

基于改进Faster R-CNN的高铁扣件检测算法

针对高铁无砟轨道中扣件发生松动，导致高铁扣件发生偏移或丢失的问题，提出一种基于改进Faster R-CNN的高铁扣件检测算法。在特征提取网络中引入可变形卷积，构建可变形残差卷积块，使特征提取过程更加集中于扣件区域，实现扣件状态的精确提取；并采用Alpha-IoU作为目标回归损失函数提高高铁扣件的回归精度。实验结果表明，该算法提高了高铁扣件的检测精度，相比于其他算法，能更准确地进行扣件定位和状态检测。     

基于机器视觉的公路交通标志自动化巡检系统

针对既有交通标志巡检的调查手段和分析方法存在的成本高、效率低、精度低的弊端,提出了一种基于机器视觉的公路交通标志自动化巡检系统,实现对公路交通标志的移动式实时检测与分析。首先利用YOLO （You Only Look Once） 算法,将机器视觉技术运用到交通标志的检测中,加快了检测速度。然后给出了交通标志自动化巡检系统的系统构架、系统结构与功能及数据管理方案。最后利用该系统进行实测。实测结果显示,该自动化巡检系统能够准确地检测交通标志、道路标线及路面坑塘,具有较高的测试精度及较好的测试效果。     

道路场景中交通标志的检测方法

为在车辆视觉导航中能快速识别道路场景中的交通标志,通过提取标志的特征颜色与识别标志的特征形状来实现交通标志的检测。将道路场景RGB空间图像转换为HSI空间,利用色调与饱和度融合的办法来提取道路场景中标志的特征颜色区域,二值化后排除噪声并通过投影法得到正确的标志区域,实现交通标志的定位。以红色禁令圆形交通标志为例,提出一种改进的Hough变换方法来识别标志域内的几何特征——圆形标记。通过对不同条件下20幅含禁令标志的道路场景图像的检测试验,发现本方法对交通标志颜色提取定位与几何特征图形识别的正确率都达到100%,且平均检测时间为245ms。分析结果表明:该方法能够快速、准确地确定标志区域,同时对禁令标志几何图形识别具有较强的实时性和鲁棒性。