期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到9篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于遮挡感知的安全帽细粒度穿戴检测算法
1
作者 杨学周 张军 +4 位作者 陈习文 金淼 刘莉 余锋 姜明华 《现代电子技术》 北大核心 2025年第18期177-186,共10页
为了应对电力作业场景的多样性和复杂性,从而解决安全帽监管难题,提出一种基于遮挡感知的安全帽细粒度检测算法(EHD-Net)。首先,针对遮挡情况下多尺度特征提取能力不足的问题,提出一种基于遮挡感知的大型可分离核卷积模块(EDKA),解决了... 为了应对电力作业场景的多样性和复杂性,从而解决安全帽监管难题,提出一种基于遮挡感知的安全帽细粒度检测算法(EHD-Net)。首先,针对遮挡情况下多尺度特征提取能力不足的问题,提出一种基于遮挡感知的大型可分离核卷积模块(EDKA),解决了安全帽因遮挡导致的检测不准确问题;其次,针对模型特征提取和融合能力不足的问题,提出一种分离与增强注意力模块(DAAM),并构建新的特征放大检测头(FA-Head),解决了因模型感受野不足导致的小目标检测性能较差问题。针对模型收敛能力不足的问题,提出一种基于距离和尺度因子的损失函数(DLS-IoU),解决了在训练过程中收敛速度慢的问题。针对模型泛化能力不足的问题,提出一种对数据集进行细粒度划分的方案,根据安全帽佩戴的规范性和安全帽下颌带的状态将其划分为五种不同类别,提升了模型的实际应用能力。实验结果表明,相较于基准模型(YOLOv8n),所提检测算法的平均准确度达到了94.5%,提升了6.3%。 展开更多
关键词 细粒度 遮挡感知 安全帽佩戴检测 目标遮挡检测 小目标检测 卷积神经网络
在线阅读 下载PDF
融合改进YOLO和语义分割的遮挡目标抓取方法
2
作者 林哲 潘慧琳 陈丹 《电子测量与仪器学报》 CSCD 北大核心 2024年第12期190-201,共12页
针对遮挡目标的机器人抓取存在的遮挡干扰问题,提出了改进的YOLO-CA-SD和语义分割的遮挡目标检测模型及抓取方法,完成多目标及非目标物互相遮挡干扰情况下的抓取。首先,该模型在YOLOv5l中添加坐标注意力,在损失函数基础上考虑检测框匹... 针对遮挡目标的机器人抓取存在的遮挡干扰问题,提出了改进的YOLO-CA-SD和语义分割的遮挡目标检测模型及抓取方法,完成多目标及非目标物互相遮挡干扰情况下的抓取。首先,该模型在YOLOv5l中添加坐标注意力,在损失函数基础上考虑检测框匹配方向的问题,增加框之间的角度信息,并对原模型检测部分进行解耦,减少耦合造成的信息丢失。其次,提出了改进的DeeplabV3+目标分割模型,用MobileNetV2替换DeeplabV3+原主干网络,减小模型复杂度,在空洞空间金字塔池化结构中添加CA模块融合像素坐标信息提高分割精度,解决了遮挡干扰问题。最后,利用点云配准得到目标姿态相对于模板姿态的末端旋转角及最优抓取点。在2750张自主构建的常用工具遮挡数据集上进行性能测试,结果表明:改进后的模型在m AP@0.5,m AP@0.5:0.95、60%目标物体遮挡率数据集及60%非目标物体遮挡率数据集上的检测精度分别提高了0.052%、0.968%、6.000%、7.400%。此基础上改进的语义分割模型分割速度和MIOU分别提升了33.45%和0.625%,并且通过ABB IRB1200机械臂实现遮挡目标的抓取实验,验证了该方法的可行性与实用性。 展开更多
关键词 遮挡目标检测 目标抓取 YOLO DeeplabV3+模型 点云配准
在线阅读 下载PDF
基于多因素贝叶斯的遮挡目标检测
3
作者 牛玉婷 张丽华 +2 位作者 吴克伟 谢昭 杨兴明 《计算机应用与软件》 2017年第4期188-192,共5页
复杂场景中的遮挡现象会造成目标外观信息损失,致使检测过程中容易出现目标遗漏。通过分析目标表示对特定布局的依赖性,提出一种基于多因素贝叶斯的遮挡目标检测方法。首先,使用部件模型提供目标局部区域的候选提议,然后,根据空间布局... 复杂场景中的遮挡现象会造成目标外观信息损失,致使检测过程中容易出现目标遗漏。通过分析目标表示对特定布局的依赖性,提出一种基于多因素贝叶斯的遮挡目标检测方法。首先,使用部件模型提供目标局部区域的候选提议,然后,根据空间布局关系估计部件的可见性概率,并同时考虑目标部件的外观特征和形变位置,最后,构建基于外观、形变、可见性因素的贝叶斯模型,并采用最大化曲线下方面积设计目标检测评价函数,完成多因素权重学习。实验结果证明在PASCAL数据集中的有效性,优于目标检测的现有方法。 展开更多
关键词 遮挡目标检测 可见性 多因素 贝叶斯
在线阅读 下载PDF
深度学习应用于遮挡目标检测算法综述 被引量：14
4
作者 孙方伟 李承阳 +3 位作者 谢永强 李忠博 杨才东 齐锦 《计算机科学与探索》 CSCD 北大核心 2022年第6期1243-1259,共17页
遮挡目标检测长期以来是计算机视觉中的一个难点和研究热点。目前的深度学习基于卷积神经网络,将目标检测任务作为分类任务和回归任务来处理。当目标被遮挡时,遮挡物会混淆目标之间的特征,使得深度网络不能很好地识别和推理,降低检测器... 遮挡目标检测长期以来是计算机视觉中的一个难点和研究热点。目前的深度学习基于卷积神经网络,将目标检测任务作为分类任务和回归任务来处理。当目标被遮挡时,遮挡物会混淆目标之间的特征,使得深度网络不能很好地识别和推理,降低检测器在理想场景下的性能。考虑到遮挡在现实中的普遍性,对遮挡目标的有效检测具有重要研究价值。为了进一步促进遮挡目标检测的发展,对基于深度学习的遮挡目标检测算法进行了全面总结,并对已有的遮挡检测算法进行归类、分析、比较。在对目标检测进行简单概述基础上,首先,对遮挡目标检测的相关背景、研究的难点以及遮挡数据集进行了介绍;然后,对遮挡检测优化算法主要按照目标结构、损失函数、非极大值抑制以及部分语义四方面进行归纳分析,在对各种算法之间的联系以及发展脉络进行阐述后,对各种算法性能进行了比较;最后,指出了遮挡目标检测仍面临的困难,并对遮挡目标检测未来的发展方向进行了展望。 展开更多
关键词 遮挡目标检测 深度学习 损失函数 非极大值抑制 部分语义
在线阅读 下载PDF
改进YOLOv4-tiny网络的狭小空间目标检测方法 被引量：7
5
作者 王长清 贺坤宇 蒋帅 《计算机工程与应用》 CSCD 北大核心 2022年第10期240-248,共9页
针对狭小空间中目标相互遮挡导致轻型检测网络存在大量漏检、分类错误等问题,基于YOLOv4-tiny提出一种自适应非极大抑制(adaptive non-maximum suppression,A-NMS)的多尺度检测方法。在骨干网络引入大尺度特征图优化策略和金字塔池化模... 针对狭小空间中目标相互遮挡导致轻型检测网络存在大量漏检、分类错误等问题,基于YOLOv4-tiny提出一种自适应非极大抑制(adaptive non-maximum suppression,A-NMS)的多尺度检测方法。在骨干网络引入大尺度特征图优化策略和金字塔池化模型,增强遮挡目标显著区域特征;设计内嵌空间注意力的双路金字塔特征融合网络,提升浅层细节特征与高级语义信息的融合能力;提出区域目标密度与边界框中心距离因子相关联的动态NMS阈值设定方法,并在后处理阶段代替传统IoU-NMS算法,进一步减少漏检。实验结果表明,与YOLOv4-tiny算法相比,改进算法在公开数据集PASCAL VOC07+12和自制数据集上mAP值分别提高2.84个百分点和3.06个百分点,FPS保持在87.9,对遮挡目标的检测能力显著提升,满足移动端对狭小复杂场景实时检测的需求。 展开更多
关键词 狭小空间 遮挡目标检测 YOLOv4-tiny 空间注意力 多尺度特征融合 自适应非极大抑制
在线阅读 下载PDF
面向电力系统现场作业的安全风险管控智能检测算法 被引量：23
6
作者 何敏 秦亮 +5 位作者 赵峰 余金沄 刘浩锋 王秋琳 徐兴华 刘开培 《高电压技术》 EI CAS CSCD 北大核心 2023年第6期2442-2457,共16页
针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题,提出一种基于YOLOv7-Tiny的改进算法。首先,搭建了YOLOv7-Tiny检测网络,并在该算法框架中融合通道重组的注意力机制,从而有效提升通道之间... 针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题,提出一种基于YOLOv7-Tiny的改进算法。首先,搭建了YOLOv7-Tiny检测网络,并在该算法框架中融合通道重组的注意力机制,从而有效提升通道之间的交互能力,增强复杂场景下目标区域的显著度;其次,在特征融合阶段,构建基于残差跳连的多尺度特征融合结构Res-PANet(Residual Path-Aggregation Network)来有效融合多尺度目标,提升场景中的多目标检测能力;同时,在模型的输出检测头中结合Swin-Transformer模块,提升模型的感受野,增强模型对特征图的全局感知,提高模型在部分遮挡情况下的检测能力;接着,在训练时采取改进的Mosaic数据增强方式,提升小目标的分布数量,达到丰富目标场景、提高模型泛化能力的目的;最后,以电力人员安全帽及安全服的穿戴、电力围栏以及电力警示牌为安全作业的监测对象进行改进算法的验证,同时采取基于Score-CAM的热力图分析进一步验证模型改进的有效性。实验结果表明:融合改进模型的平均检测精度达90.1%,图像检测速度为46帧/s,在嵌入式硬件Jetson NX上测试推理延时为75 ms,能有效满足电力安全现场检测精度和检测速度的要求。 展开更多
关键词 电力安全 智能监测 YOLOv7-Tiny网络 Shuffle-Attention机制 目标遮挡检测
在线阅读 下载PDF
基于改进YOLOv8模型的井下人员入侵带式输送机危险区域智能识别 被引量：1
7
作者 毛清华 苏毅楠 +3 位作者 贺高峰 翟姣 王荣泉 尚新芒 《工矿自动化》 北大核心 2025年第1期11-20,103,共11页
针对煤矿带式输送机场景存在尘雾干扰严重、背景环境复杂、人员尺度多变且易遮挡等因素导致人员入侵危险区域识别准确率不高等问题,提出一种基于改进YOLOv8模型的井下人员入侵带式输送机危险区域智能识别系统。改进YOLOv8模型通过替换... 针对煤矿带式输送机场景存在尘雾干扰严重、背景环境复杂、人员尺度多变且易遮挡等因素导致人员入侵危险区域识别准确率不高等问题,提出一种基于改进YOLOv8模型的井下人员入侵带式输送机危险区域智能识别系统。改进YOLOv8模型通过替换主干网络C2f模块为C2fER模块,加强模型的细节特征提取能力,提升模型对小目标人员的识别性能;通过在颈部网络引入特征强化加权双向特征金字塔网络(FE-BiFPN)结构,提高模型的特征融合能力,从而提升模型对多尺度人员目标的识别效果;通过引入分离增强注意力模块(SEAM)增强模型在复杂背景下对局部特征的关注度,提升模型对遮挡目标人员的识别能力;通过引入WIoU损失函数增强训练效果,提升模型识别准确率。消融实验结果表明:改进YOLOv8模型的准确率较基线模型YOLOv8s提升2.3%,mAP@0.5提升3.4%,识别速度为104帧/s。人员识别实验结果表明:与YOLOv10m,YOLOv8s-CA、YOLOv8s-SPDConv和YOLO8n模型相比,改进YOLOv8模型对小目标、多尺度目标、遮挡目标的识别效果均更佳,识别准确率为90.2%,mAP@0.5为87.2%。人员入侵危险区域实验结果表明:井下人员入侵带式输送机危险区域智能识别系统判别人员入侵危险区域的平均准确率为93.25%,满足识别需求。 展开更多
关键词 煤矿带式输送机 人员入侵危险区域 YOLOv8模型 遮挡目标检测 小目标检测 多尺度融合 C2fER模块 特征强化加权双向特征金字塔网络结构
在线阅读 下载PDF
低光环境下无人矿卡遮挡目标检测网络
8
作者 徐飞翔 张瑞 +3 位作者 程德强 钱建生 寇旗旗 周晨 《煤炭学报》 2025年第10期4691-4706,共16页
无人矿卡常需在低光环境下进行自主作业,而准确可靠的目标检测性能是保证其安全作业的前提。然而,露天矿区环境极为复杂,常出现目标被大面积遮挡,且无人矿卡与其他待检目标,如工作人员等存在多尺度特征互扰,这给低光环境下无人矿卡的遮... 无人矿卡常需在低光环境下进行自主作业,而准确可靠的目标检测性能是保证其安全作业的前提。然而,露天矿区环境极为复杂,常出现目标被大面积遮挡,且无人矿卡与其他待检目标,如工作人员等存在多尺度特征互扰,这给低光环境下无人矿卡的遮挡目标检测带来了极大挑战。为此,提出了一种低光环境下无人矿卡遮挡目标检测网络LECODNet。首先,该网络设计了一个多感受野边缘感知模块,提取出富含局部细节信息与全局语义位置信息的边缘特征,强化目标边界信息;其次,构建了一个边缘引导特征增强模块,将提取的边缘特征作为结构先验,引导模型更聚焦目标区域;然后,在此基础上嵌入了通道感知映射注意力机制,增强了目标特征的表达能力;最后,在网络颈部部分设计了一个双向空间感知C2f,从水平方向与垂直方向同时捕捉目标空间上下文信息,增加模型对目标空间结构位置信息的感知能力。大量的试验结果表明,在自制低光环境下无人矿卡遮挡目标检测数据集LAOMD上,LECODNet的检测精度mAP@0.5与mAP@0.5∶0.95达到了83.5%与71.2%。相较于基线模型YOLOv8,分别提高了3.3%与2.3%;相较于目前主流的低光照遮挡目标检测模型FeatEnhancer,其mAP@0.5与mAP@0.5∶0.95分别提高了1.9%与1.5%。试验结果表明,所提方法可以有效增加目标区域的感知与特征表达,同时增强对空间结构关系的建模能力,有效提高低光遮挡环境下无人矿卡的目标检测性能。 展开更多
关键词 无人矿卡 遮挡目标检测 低光图像 多感受野边缘感知 边缘引导特征增强
在线阅读 下载PDF
应对遮挡问题对DeepSORT进行轨迹拟合优化
9
作者 李伟 颜旒 《现代电子技术》 2023年第10期173-180,共8页
检测跟踪范式是多目标跟踪的主要研究方向,也是自动驾驶汽车的主要应用框架。完善的检测跟踪范式可以在提高多目标跟踪精度的同时有效降低跟踪框的失真率。然而在现有的先进方法中,这种范式通常会遇到多目标重叠后的ID交换问题,严重影... 检测跟踪范式是多目标跟踪的主要研究方向,也是自动驾驶汽车的主要应用框架。完善的检测跟踪范式可以在提高多目标跟踪精度的同时有效降低跟踪框的失真率。然而在现有的先进方法中,这种范式通常会遇到多目标重叠后的ID交换问题,严重影响跟踪精度和轨迹判断。为解决该问题,文中基于经典的DeepSORT算法提出改进方案。首先,在卡尔曼滤波器中添加跟踪框进行置信度的预测和更新,并按降序对更新后的置信度进行排列,在后续匹配中优先匹配预测置信度更高的跟踪目标;然后,比较预测置信度和检测置信度之间的差异,识别出置信度突变的目标,以进行跟踪轨迹的优化和剪枝;最后,使用余弦相似度和交并比(IoU)识别重叠目标,并对重叠目标中置信度最高的目标消失后的轨迹进行多项式轨迹拟合,以纠正错误的ID,完成精确匹配。实证分析结果表明,相比于目前多种先进算法,所提方法的ID交换次数为172,优于其他算法,验证了该算法的可行性和正确性。 展开更多
关键词 遮挡目标检测 多目标重叠 DeepSORT算法 轨迹拟合算法 卡尔曼滤波 置信度 算法对比
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部