关键词： 无人机   目标检测   DS证据理论   信息融合  

摘要： 无人机因机动性高和战场适应能力强被广泛应用。然而仅依靠单类传感器的目标检测方法无法满足无人机在高速复杂运动场景下的目标检测要求。针对上述问题,提出一种融合可见光信息和红外信息的融合检测算法,主要包括基于深度学习的图像检测、数据关联和异类信息融合。整合数据关联融合算法并利用证据理论将关联结果进行决策级融合,完成候选目标识别与检测。通过公开数据集OTCBV的部分场景以及无人机航拍数据验证所提方法。实验结果表明,运用多源信息融合检测算法结合多种证据更新YOLO的检测精确率提高至0.9以上。

关键词： 识别   目标检测   计算机视觉   轻量化模型   青杏   自动化农业  

摘要： 为解决青杏识别易受田间复杂环境、设备计算资源等限制的问题,该研究提出一种MCBPnet轻量化青杏识别模型。该研究使用MobileNetV3轻量化网络结构代替YOLOv8的主干特征提取网络,降低了模型的复杂程度;在MobileNetV3网络中融入CBAM(convolutional block attention module),在颈部网络引入了BiFPN(bi-directional feature pyramid network)结构,提高模型对青杏图像的特征提取和融合的能力;检测头部分采用了PConv(partial convolution)结构,以提高模型的鲁棒性和检测精度。将MCBPnet模型应用于青杏检测试验,结果表明,MCBPnet模型的检测速度为109.890帧/s,与YOLOv8n模型相比提高了70.33%,模型运算量为6.1 G,为YOLOv8n模型的75.31%,并且精确度(precision,P)和平均精度值(mean average precision,mAP50)达到了0.988和0.994,模型具有较高的检测精度,同时实现了模型的轻量化。MCBPnet模型实现了对青杏果实的高效、精确的实时检测,为青杏的自动化识别和采摘提供了技术支持。

关键词： 农业病虫害识别   改进PP-YOLO   深度学习   计算机视觉   目标检测  

摘要： 在农业生产活动当中,病虫害对粮食的产量产生了很大的影响。在无人机中利用计算机视觉精准识别病虫害为农业生产提供了保障,但是同时也带来了目标太小、精准度不高的问题。针对此问题,通过在PP-YOLO网络的基础上引入注意力机制SENet(Squeeze-and-Excitation Networks),增强其主干网络的特征提取能力,提高小目标番茄叶斑病的识别准确率。经过试验表明,该文所提出的方法在PlantVillage中番茄叶斑病数据集上的检测性能优于PP-YOLO,平均精度达到86.44%,具有一定的应用价值。

关键词： 医疗卫生装备   生物医学工程   生物医学信号处理   生物医学成像   脑机接口   图像处理   技术研究成果   人工智能  

摘要： 为促进我国生物医学工程领域的繁荣与发展,提升卫勤保障装备研发速度和质量,我刊“论著-研究与设计”栏目特面向全国征稿。该栏目主要报道生物医学工程领域最新的理论和技术研究成果、新型医疗卫生装备的研制、医院数字化及智能化建设,选题包括但不限于:(1)基础研究类,如人工智能在医学工程领域的基础理论研究、生物医学工程关键技术研究、生物医学信号处理技术研究、生物医学成像与图像处理研究、脑机接口与神经工程研究。

关键词： 目标检测   模板匹配   交通标志   小目标识别  

摘要： 交通标志识别作为交通和路况的提示信息,是智能驾驶的重要一环。通常都是单纯采用目标检测算法进行交通标志识别,忽略了交通标志本身所具有的标准化和单一性。本文基于交通标志的标准化和个性化,提出一种更有效的交通标志识别算法。首先对自然场景下的交通标志数据集TT100K中的交通标志增加所属的大类信息,然后利用目标检测算法检测数据集中的标志所属大类,获得目标检测框,最后将标准交通标志图片作为模板,通过模板匹配方法与目标检测框区域内图像进行相似性对比,确定交通标志具体种类。实验证明,本文提出的算法与单纯使用目标检测算法相比大大提高了识别精度,为交通标志小目标识别算法的研究提供了新的思路。

关键词： 半监督学习   目标检测   对比学习   重利用不可靠伪标签   端到端训练  

摘要： 半监督目标检测方法的关键是为无标签数据中的目标分配伪标签。为了确保伪标签的质量,半监督目标检测方法通常利用置信度阈值过滤不可靠伪标签,这会导致大量的伪标签因为置信度低而被滤除。本文提出改进后的半监督学习方法使用对比学习来重利用大量置信度低的不可靠伪标签,提升半监督目标检测方法的性能。具体来说,根据预测置信度将无标签数据的伪标签分为可靠与不可靠伪标签。除了利用可靠伪标签,还利用不可靠伪标签作为对比学习中的负样本训练模型。为了平衡类别间不可靠伪标签的数量,设计一个记忆模块用于保存训练过程中不同批次的不可靠伪标签。实验结果表明,在COCO数据集上,对训练数据进行1%、5%和10%的标注情况下,改进后的半监督学习方法的平均准确率达到13.6%、23.0%和27.5%,优于已有半监督学习方法;在COCO-additional数据集上,改进后的半监督学习方法的平均准确率达到44.7%,相较于监督学习,性能提高4.5个百分点。

关键词： 带钢表面缺陷   目标检测   轻量级网络   YOLOv4  

摘要： 针对复杂工业生产环境下,热轧带钢的表面缺陷检测准确率低,网络模型参数量过大,难以部署等问题,该文提出一种基于YOLOv4模型改进的轻量级带钢缺陷实时检测算法SDD-YOLO。所提算法在特征提取部分采用GhostNet网络,压缩模型参数量;在特征融合部分,借鉴BiFPN结构改进PAN网络,采用GSConv卷积代替标准卷积,减少模型参数量和计算量,同时嵌入注意力模块CA(Coordinate Attention),增强模型特征融合能力;在预测部分采用SIOU-loss代替CIOU-loss,提高模型收敛效率,加快收敛速度;采用k-means聚类算法重新设计先验框,提高模型精度。实验结果表明,该文提出的模型相较于YOLOv4,模型参数量减少71.6%,浮点运算量降低74.6%,模型大小减小71.6%,检测精度提高3.49%,单张图片检测速度为25.9 ms。在保证准确率和检测速度的条件下,基本可以满足工业现场对缺陷的实时检测要求。

关键词： 视觉跟踪   Transformer   时空特征   自注意力   特征编码  

摘要： 视觉目标跟踪中,由于目标移动速度不同,连续帧对时空邻域的贡献程度也不同。为学习视频帧对邻域信息的贡献,结合自注意力机制学习不同帧的权重大小,提出了一种基于时空Transformer的视觉目标跟踪方法。该算法主要通过关联多帧特征,并在时域上进行信息聚合。首先,将图像通过空间Transformer编码器(STE)对空间特征进行编码。然后,通过时空Transformer解码器(STD)模块在时间维度上聚合帧间信息,以捕获时间和空间的全局上下文信息。最后,在LaSOT、GOT—10k等主流数据集进行测评。实验结果表明:算法在精度、成功率及其他评价指标上取得了一定程度的提升。

关键词： 小目标检测   海杂波   特征时序信息   修正Burg方法   动态加权  

摘要： 特征检测作为海杂波环境下小目标检测的有效手段,受到了广泛关注与深入研究。过去对特征的研究大多关注于当前帧,近年来使用帧间时序信息融合当前帧特征的方法也被提出并在检测方面取得一定效果。但该方法不能很好地适应具有时变性的海杂波数据,且仅采用静态加权算法融合特征,对历史帧信息的利用不够充分。针对上述问题,该文提出基于模型稳定的修正Burg方法进行特征自回归(AR)建模与一步预测,使模型能够自适应调整极点分布,提高了海杂波特征预测的准确性,并基于求解多变量极值问题提出了一种动态加权算法得到了最小方差的融合特征。该文结合IPIX数据集和海军航空大学共享数据集进行实验,利用相对平均幅度(RAA)、相对多普勒峰高(RDPH)、频域峰均值比(FPAR)3特征构建凸包检测器验证了所提方法的有效性。

关键词： 机械零件   目标检测   YOLOv8s   感受野注意力   可变形卷积  

摘要： 针对非结构环境下机械零件检测任务高精度的需求,提出了一种改进YOLOv8s目标算法。通过引入可变形卷积优化骨干C2f结构(C2f_DCNV2),帮助模型快速地提取更细粒的空间特征;引入空间注意力改造空间金字塔池化层(SPPF_RFA),增加不同层级特征间的信息交融能力和识别复杂细节的能力,提升目标零件的检测精度;使用α-DIoU改进边界框回归损失函数,提高模型边界框定位的精确性和收敛速度。实验结果表明,改进YOLOv8s算法在98帧/秒(FPS)下实现了97.6%的平均精度均值(mAP),相较原算法表现出了更高的准确率和更快的推理速度。