空间约束混合高斯运动目标检测

目的 针对传统混合高斯模型前景检测运算量过大问题,提出一种基于空间约束的混合高斯前景检测算法。方法 通过快速初始化缩短模型的初始建立过程;采用双重背景模型机制,以自适应背景减法的前景检测结果作为混合高斯前景检测的空间约束条件,降低模型在背景区域的冗余运算;运用多策略自适应模型更新,提高前景检测的准确性。结果 在各种测试场景下,与传统混合高斯法、CodeBook、GMG、偏差均值混合高斯模型(MODGMM)等算法相比,该算法具有更好的准确率以及4倍以上的处理速度。结论 在固定相机场景下的运动目标检测中,算法能有效提高传统混合高斯法的准确性且具有极高的实时性。  

高清视频车辆检测及跟踪系统的设计与实现

针对目前视频车辆检测与跟踪系统存在检测精度低、跟踪稳定性差等问题,设计基于数字信号处理器(DSP)和现场可编程门阵列(FPGA)结构的高清视频车辆检测和跟踪系统。该系统采用高清摄像机为图像采集单元,利用现场可编程门阵列对采集到的IP视频图像进行实时图像解码和图像预处理,高性能DSP做为系统主控单元实现前景提取、车辆检测、识别和跟踪等功能,DSP与FPGA之间的数据交换通过两路高速串行接口连接,以满足运算处理时大批量中间数据的交互;采用基于背景图像差分检测方法进行运动目标的实时检测,通过计算目标物体的紧密度对运动目标进行分类,利用区域特征跟踪法来快速跟踪图像序列中的车辆目标。试验结果表明:与普通视频相比,高清视频条件下对视频图像进行处理,在定位及寻找物体边缘方面具有优势,提高检测精度10%以上,能够实现对运动车辆的实时、准确、快速跟踪。  

基于混合高斯背景模型的水面目标检测

通过混合高斯背景模型法对水利监控视频图像中的水面运动目标进行检测。根据河流水面的特点,采用混合高斯模型为水面背景建模,并运用在线EM算法进行背景模型的快速更新,然后用学习的高斯背景模型进行水面目标检测。该背景模型能够克服各种外部因素的影响,如光照变化、水面波浪,水面反光等,具有很强的适应能力,并能够满足实际应用中对目标检测的实时性要求。  

基于显著性目标检测的葡萄叶片病害分割

为提高葡萄叶片病害图像中病斑分割性能，提出了一种基于显著性目标检测的病斑分割方法。采用显著性目标检测网络来生成葡萄病害叶片图像的显著性图，通过多种分辨率的网格结构提取图像局部和全局信息，并将它们融合成预测特征；再对病害叶片的显著性图用自适应阈值法分割出叶片上的病害区域，并用形态学方法进行后处理。结果表明，在测试集A上，所建立的方法对病斑分割性能指标马修斯相关系数(MCC)为0.625，略低于对比算法全卷积神经网络(FCN)的0.689，但在衡量泛化性能的测试集B上，所建立方法的MCC为0.338，远高于FCN的0.072, 说明所建立方法在分割精度和泛化性方面具有较好的平衡性。  

基于卡尔曼滤波器的运动目标检测与跟踪

针对摄像机静止的情况,提出了一种可运用于实时监控中的运动目标检测与跟踪的方法．采用更新函数实现背景实时更新,通过差分算法检测运动目标．在跟踪模块中,提出建立帧间目标“关系矩阵”实现多个运动目标匹配,并采用卡尔曼滤波器预测目标参数,在运动目标相互遮挡的情况下,根据预测参数跟踪目标,获得目标轨迹．通过多个图像序列测试,算法具有良好的实时性和适应环境变化的能力．  

温室甜瓜自动采摘系统目标检测模型及空间定位研究

【目的】提高温室甜瓜采摘机器人在复杂光线变化和枝叶遮挡情况下的检测精度，实现检测目 标的空间坐标定位。【方法】基于 YOLOv3，研究优化不同主干网络，头部、颈部网络结构及边界框损失函 数组合对模型检测性能的影响，建立甜瓜严重遮挡下的目标检测网络模型 YOLOResNet70，然后将模型与 Intel RealSense D435i 传感器融合进行目标空间定位。【结果】模型 YOLOResNet70 采用 ResNet70 为主干网络，结合 SPP (Spatial pyramid pooling)、CIoU (Complete intersection over union)、FPN (Feature pyramid network) 以及 NMS (Greedy non-maximum suppression) 时性能最佳，模型平均精度 (AP) 达到 89.4%，优于 Y OLOv3 的 83.3% 和 YOLOv5 的 82%，其检测速度（61.8 帧 /s）比 YOLOv4（54.1 帧 /s）快 14%。【结论】通过对不同光照条件下的遮挡甜瓜图 像进行检测测试，表明 YOLOResNet70 模型鲁棒性良好，并且与 Intel RealSense D435i 深度传感器融合实现了甜 瓜的空间定位坐标，与手工测量结果吻合，为甜瓜采摘机器人目标检测和空间定位提供了理论和模型支持。  

基于轻量化YOLOv4的生猪目标检测算法

针对目前生猪目标检测算法模型较大，实时性差导致其难以在移动终端中应用等问题，将一种改进的轻量化YOLOv4算法用于生猪目标检测。在群养猪环境下以不同视角和不同遮挡程度拍摄生猪图像，建立生猪目标检测数据集。基于轻量化思想，在YOLOv4基础上缩减模型大小。结果表明，本研究算法的准确率和召回率分别为96.85%和91.75%，检测速度为62帧/s，相比于原模型，本研究算法在不损失精度的情况下，将模型大小压缩了80%，检测速度提高了11帧/s。本研究算法具有轻量化，稳健性强，实时性好的优点，能够更好地实现实际猪舍环境下生猪目标的检测，并有利于嵌入移动端设备中。  

基于深度学习的半监督图像标注系统设计与实现

针对深度学习研究中标注训练样本费时费力的问题,以食用菌为研究对象,设计一种基于深度学习的半监督图像标注方法。该方法将深度学习目标检测模型与迭代图像标注工作有效结合,采用“检测模型训练—目标自动检测—人工标注修正—检测模型更新”的迭代操作,实现半监督方式的图像标注。基于所设计的方法构建了半监督图像标注系统,在试验中对系统进行性能评测和分析。结果表明:迭代更新后的检测模型在测试集上的检测准确率为98.1%,召回率为88.5%,平均准确率为88.3%;利用所构建的半监督图像标注系统可以实现15s/幅的标注速度,单幅图像的标注耗时仅为纯手工标注耗时的2.5%,图像标注时间代价大幅降低。研究结果为深度学习研究中的训练样本标注提供了高效的标注方法和工具,有助于提高图像标注效率,减少人力成本投入。  

基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

目的 玉米穗丝是玉米的授粉器官，生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝，提出一种基于多特征融合SSD (MF-SSD)卷积神经网络的玉米穗丝检测模型。方法 基于特征图对玉米穗丝进行检测，在VGG16-SSD的基础上，用MobileNet替换特征提取器，加入多层特征融合结构，得到MF-SSD网络模型；通过网络优化调整，试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构，优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集，应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验，并对比分析Loss的下降过程。结果 通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力，提升识别速度。与VGG16-SSD相比，MF-SSD在交并比指标方面的平均精度提高7.2%，对玉米穗丝小目标检测的平均召回率提高19.6%，检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下，MF-SSD-cut-3模型在满足检测效果的前提下，以较小的空间代价获得了相对较短的运行时间；在不考虑空间和时间因素的情况下，MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性；Focal loss有效解决了SSD算法中正负样本数量不平衡问题，使网络模型的训练更容易收敛。结论 MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要，可以用于玉米生长状态的自动监控和产量的精准预测。  

基于改进 YOLOX 模型的柑橘木虱检测方法

【目的】黄龙病被称为柑橘的“癌症”，是一种毁灭性病害，而木虱是黄龙病传播的主要媒介， 对木虱的监测和精准消杀是防控黄龙病及抑制其传播的一种有效途径。【方法】传统方式消灭木虱主要是靠人 工喷洒药物，人力成本高但防控效果并不理想。采用基于改进 YOLOX 的木虱边缘检测方法，在主干网络加入卷 积注意力模块 CBAM（Convolutional block attention module），在通道和空间两个维度对重要特征进行进一步提取； 将目标损失中的交叉熵损失改为使用 Focal Loss，进一步降低漏检率。【结果】本研究设计的算法契合木虱检测 平台，木虱数据集拍摄于广东省湛江市廉江红橙园，深度适应农业农村实际发展需要，基于 YOLOX 模型对骨干 网络和损失函数做出改进实现了更加优秀的柑橘木虱检测方法，在柑橘木虱数据集上获得 85.66% 的 AP 值，比 原始模型提升 2.70 个百分点，检测精度比 YOLOv3、YOLOv4-Tiny、YOLOv5-s 模型分别高 8.61、4.23、3.62 个 百分点，识别准确率大幅提升。【结论】改进的 YOLOX 模型可以更好地识别柑橘木虱，准确率得到提升，为后 续实时检测平台打下了基础。