在输电线路巡检任务中,采用深度学习技术实现施工机械运动的有效跟踪对智能电网建设至关重要。针对目标间遮挡干扰以及误检漏检造成的多目标跟踪性能显著下降的问题,提出一种改进YOLOv5s与优化ByteTrack相结合的多目标跟踪算法。在目标...在输电线路巡检任务中,采用深度学习技术实现施工机械运动的有效跟踪对智能电网建设至关重要。针对目标间遮挡干扰以及误检漏检造成的多目标跟踪性能显著下降的问题,提出一种改进YOLOv5s与优化ByteTrack相结合的多目标跟踪算法。在目标检测部分:首先,采用轻量级的Ghost卷积和SimAM构建SGC3(SimAM and Ghost convolution with C3)模块,以提高特征利用率,并减少算法冗余计算;其次,在主干网络的深层,提出卷积引导的三重注意力模块R-Triplet(RFAConv with Triplet attention),从而利用多分支结构增强算法跨维度信息交互,并抑制不相关背景信息来提高目标的关联能力;最后,在特征融合部分添加多分支感受野模块(MRB),以利用空洞卷积扩大目标感受野,并增强多尺度目标全局特征信息的复用。在目标跟踪部分:在ByteTrack算法的基础上,根据施工机械的运动特点,提出一种自适应计算噪声尺度的NSA(Noise Scale Adaptively)卡尔曼滤波算法,以降低低质量检测框对滤波算法性能的影响;同时,在数据关联部分引入高斯平滑插值算法(GSI),从而进一步完善多目标跟踪的效果。实验结果表明,所提CRM-YOLOv5s算法的平均精度均值(mAP)达到了97.4%,与基线算法YOLOv5s相比提升了3.8个百分点,参数量和浮点运算量分别减少了0.28×10~6和1.8 GFLOPs,可见该算法在多种应用场景下的泛化能力更强。此外,相较于原YOLOv5s+ByteTrack跟踪算法,所提CRM-YOLOv5s算法与改进后的ByteTrack算法相结合后的多目标跟踪准确度(MOTA)提升了4.5个百分点,目标身份切换次数(IDs)减少了15,且获得了较高的推理速度,可见该算法适用于输电线路场景下施工机械的多目标跟踪任务。展开更多
文摘近年来,随着羊只养殖向大规模和精细化的方向发展,羊场对智能化管理的需求日益增加。因此,精准的个体识别和行为监测变得尤为重要,对多目标跟踪(Multiple object tracking, MOT)算法的准确性提出了更高要求。然而,现有的MOT算法在目标遮挡和动态场景下的性能仍不理想。本文提出两种跟踪线索:深度调制交并比(Depth modulated intersection over union, DIoU)和轨迹方向建模(Tracklet direction modeling, TDM),旨在补充交并比(Intersection over union, IoU)线索,提高多目标跟踪的精准度和鲁棒性。DIoU线索通过引入目标的深度信息改进了传统的IoU计算方法。TDM聚焦于目标的运动趋势,预测其未来的移动方向。本文将DIoU和TDM跟踪线索集成到BoT-SORT算法中,形成改进的多目标跟踪算法。在两个私有数据集上,改进算法相比基线方法,MOTA(Multiple object tracking accuracy)指标分别提高1.6、1.7个百分点,IDF1(Identification F1 score)指标分别提高1.9、1.0个百分点。结果显示,改进算法在复杂场景中的跟踪连续性和准确性显著提升。
文摘在输电线路巡检任务中,采用深度学习技术实现施工机械运动的有效跟踪对智能电网建设至关重要。针对目标间遮挡干扰以及误检漏检造成的多目标跟踪性能显著下降的问题,提出一种改进YOLOv5s与优化ByteTrack相结合的多目标跟踪算法。在目标检测部分:首先,采用轻量级的Ghost卷积和SimAM构建SGC3(SimAM and Ghost convolution with C3)模块,以提高特征利用率,并减少算法冗余计算;其次,在主干网络的深层,提出卷积引导的三重注意力模块R-Triplet(RFAConv with Triplet attention),从而利用多分支结构增强算法跨维度信息交互,并抑制不相关背景信息来提高目标的关联能力;最后,在特征融合部分添加多分支感受野模块(MRB),以利用空洞卷积扩大目标感受野,并增强多尺度目标全局特征信息的复用。在目标跟踪部分:在ByteTrack算法的基础上,根据施工机械的运动特点,提出一种自适应计算噪声尺度的NSA(Noise Scale Adaptively)卡尔曼滤波算法,以降低低质量检测框对滤波算法性能的影响;同时,在数据关联部分引入高斯平滑插值算法(GSI),从而进一步完善多目标跟踪的效果。实验结果表明,所提CRM-YOLOv5s算法的平均精度均值(mAP)达到了97.4%,与基线算法YOLOv5s相比提升了3.8个百分点,参数量和浮点运算量分别减少了0.28×10~6和1.8 GFLOPs,可见该算法在多种应用场景下的泛化能力更强。此外,相较于原YOLOv5s+ByteTrack跟踪算法,所提CRM-YOLOv5s算法与改进后的ByteTrack算法相结合后的多目标跟踪准确度(MOTA)提升了4.5个百分点,目标身份切换次数(IDs)减少了15,且获得了较高的推理速度,可见该算法适用于输电线路场景下施工机械的多目标跟踪任务。
