废钢的回收过程中,我们经常遇到种类繁多、类别数量不平衡等问题。鉴于此,本研究基于深度学习,提出了一种废钢检测方法,包括类别平衡策略(Class Balance)和分组采样模块(Multi Group Sampling)。类别平衡策略旨在解决数据集中存在的类...废钢的回收过程中,我们经常遇到种类繁多、类别数量不平衡等问题。鉴于此,本研究基于深度学习,提出了一种废钢检测方法,包括类别平衡策略(Class Balance)和分组采样模块(Multi Group Sampling)。类别平衡策略旨在解决数据集中存在的类别分布不均衡问题,而分组采样模块通过促进形状和大小相似的不同类别废钢之间的相互学习。通过对模型结构和训练流程的优化,该方法在废钢数据集上展现了出色的性能。我们采用rtmdet、yolov5和yolov8进行了一系列对比实验,结果显示本研究提出的策略能够在不同模型上取得更优的废钢图像检测效果,mAP分别提高了3.2%、2.6%和3.1%。本研究的成果为废钢回收处理行业提供了一种新的方案,提升废钢回收的效率和质量,推动废钢回收自动化的发展。展开更多
在大多数国省道路场景下,基于计算机视觉的交调方式都面临着车型划分精细、道路交通参与者类型繁杂、噪声干扰多等,导致车型流量占比计算困难的问题。为此,本文提出了一种基于细粒度目标检测与跟踪的九型车识别框架,引入基于无锚框和密...在大多数国省道路场景下,基于计算机视觉的交调方式都面临着车型划分精细、道路交通参与者类型繁杂、噪声干扰多等,导致车型流量占比计算困难的问题。为此,本文提出了一种基于细粒度目标检测与跟踪的九型车识别框架,引入基于无锚框和密集特征采样的实时目标检测器(real-time models for object detection,RTMDet)作为检测模块来执行高效、精准的九型车检测任务;同时设计了一种具有任务针对性的感兴趣区域(region of interest,ROI)噪声抑制模块,用于过滤背景噪声和路面无效车辆。通过进一步与深度简单在线和实时跟踪(deep simple online and realtime tracking,DeepSort)框架集成,本文在检测和跟踪精度方面相较于主流方法都得到了提升,可以为二级交调任务提供精准、细粒度的道路流量信息。展开更多
文摘废钢的回收过程中,我们经常遇到种类繁多、类别数量不平衡等问题。鉴于此,本研究基于深度学习,提出了一种废钢检测方法,包括类别平衡策略(Class Balance)和分组采样模块(Multi Group Sampling)。类别平衡策略旨在解决数据集中存在的类别分布不均衡问题,而分组采样模块通过促进形状和大小相似的不同类别废钢之间的相互学习。通过对模型结构和训练流程的优化,该方法在废钢数据集上展现了出色的性能。我们采用rtmdet、yolov5和yolov8进行了一系列对比实验,结果显示本研究提出的策略能够在不同模型上取得更优的废钢图像检测效果,mAP分别提高了3.2%、2.6%和3.1%。本研究的成果为废钢回收处理行业提供了一种新的方案,提升废钢回收的效率和质量,推动废钢回收自动化的发展。
文摘在大多数国省道路场景下,基于计算机视觉的交调方式都面临着车型划分精细、道路交通参与者类型繁杂、噪声干扰多等,导致车型流量占比计算困难的问题。为此,本文提出了一种基于细粒度目标检测与跟踪的九型车识别框架,引入基于无锚框和密集特征采样的实时目标检测器(real-time models for object detection,RTMDet)作为检测模块来执行高效、精准的九型车检测任务;同时设计了一种具有任务针对性的感兴趣区域(region of interest,ROI)噪声抑制模块,用于过滤背景噪声和路面无效车辆。通过进一步与深度简单在线和实时跟踪(deep simple online and realtime tracking,DeepSort)框架集成,本文在检测和跟踪精度方面相较于主流方法都得到了提升,可以为二级交调任务提供精准、细粒度的道路流量信息。
