关键词： 目标检测   yolov5s   反无人机   解耦合检测头  

摘要： 随着无人机市场规模的不断扩大,无人机在众多领域中得到了广泛使用,随之出现了机场、军事区域、政府部门等重要目标的无人机禁飞管制问题,为提高反无人机能力,保护重要目标空域安全,提出了一种改进的yolov5s空中无人机目标识别算法。该算法基于yolov5s目标检测模型,在此基础上引入SE注意力机制、高效解耦合检测头、WIoU_(v2)损失函数。在改进的目标检测算法数据集上进行实验,通过消融实验和损失函数对比实验,平均精确率均值mAP@0.5提高了1.3%,可以更好地用于民用无人机空中管制。

关键词： 行进间   坐标转换   误差补偿   跟踪精度分析  

摘要： 针对行进间工作时由于雷达与目标的相对运动,阵面坐标系下的点迹无法进行关联滤波的问题,本文梳理了一种在行进间工作时对点迹数据的补偿方法,根据北斗定位系统以及惯导所测得的信息对阵面坐标系下的点迹信息进行坐标转换和误差补偿,最终得到目标在CGC2000坐标系下的经纬高信息。经过仿真与实测数据分析验证了该方法的有效性,同时分析了雷达测量精度对最终定位精度的影响。

关键词： 深度学习   神经网络   目标检测   YOLO  

摘要： 对于野生动物的目标检测与识别,目前仍然存在诸多问题:如野生动物图片标签匮乏、人工采集野生动物图像工作过程单调且低效,利用深度学习方法检测识别野生动物应用较少且精度不高。文中选用YOLOv5神经网络,在图像的预处理阶段,采用归一化和灰度处理方法,增加图像细节,使模型在预测光照条件不均匀时也具有良好的效果;针对数据集尺寸变化较大的特点,采用K-means聚类分析,计算了合适的锚点值,提高了模型识别速度。结论表明,在自建数据集上,整体准确率达到了98.7%,在复杂的野外环境下,准确率达到了91.8%。

关键词： 茶叶病害检测   目标检测   通道注意力   空间注意力   特征融合  

摘要： 准确、快速检测茶叶病害对茶叶产业经济意义重大。然而,病害叶片尺度变化、相互遮挡、复杂背景等问题大大降低了检测精度。提出了一种融合通道和空间注意力的茶叶病害目标检测方法,以实现准确、高效的病害检测。首先,利用多层的自注意力机制提取茶叶病害的多尺度特征,以获取茶叶图像在不同尺度下的局部细节特征;其次,引入新的通道注意力模块以提取更丰富的通道信息,同时抑制复杂背景噪声并增强模型特征表示能力。此外,设计一种新的空间注意力模块进一步提取特征的空间关系、减少冗余信息并优化计算开销。实验结果表明,融合通道和空间注意力的茶叶病害检测方法能应对叶片的尺度变化、相互遮挡和背景复杂等挑战。

关键词： 深度学习   目标检测   遥感图像   混合注意力机制   YOLOX  

摘要： 为了更好地通过遥感图像监测地面交通流量,应对日趋复杂的路况问题,提出了一种基于YOLOX的全新的一阶段目标检测网络AE-YOLO(Attention-Enhanced YOLO)。采用混合注意力加强的SCACSP特征增强模块,很大程度上抑制了背景信息,突出了目标的显著特征,用解耦头部代替耦合头,大大提高了网络的收敛速度和性能。对损失函数进行改进,使用CIoU Loss代替原来的IoU Loss,从而解决了树木遮挡等造成的车辆漏检问题。试验结果表明,与主流的目标检测网络相比,该方法在精度上有更好的表现。

关键词： 大豆   智能考种   目标检测   实例分割  

摘要： 选育优质高产品种是提升大豆品质和产量的重要保障。传统大豆考种方法存在费时费力、数据误差大等问题,距大豆表型数据的一站式高通量获取尚有不小的差距。因此,构建大豆室内考种图像数据集,对于开展大豆植株表型信息的高通量准确获取方法研究,实现大豆的自动智能考种尤为重要。本数据集包含原始图像数据、标注文件数据、测试图像数据三部分,涵盖了典型大豆品种的离体豆荚和植株,其中离体豆荚包括无重叠离体豆荚和重叠离体豆荚,大豆植株包括单分枝型、双分枝型和复杂分枝型;标注文件数据包含了大豆植株主茎的实例分割标注、主茎节的检测框标注、在体豆荚的检测框标注、离体豆荚的实例分割和检测框标注,其中在体豆荚和离体豆荚的检测框标注采用了正框和旋转框两种标注方式,共计4.2GB。通过本数据集进行训练和验证的模型在无重叠离体豆荚、重叠豆荚以及大豆植株形态等各项指标上均表现出了良好的检测和分割效果。本数据集可为大豆植株的离体豆荚检测、在体豆荚检测与植株形态分析的目标检测和实例分割模型方法研究提供宝贵的基础图像数据资源,并且对于促进大豆关键考种信息的一站式高通量获取等智能化考种方法研究也具有重要价值。

关键词： 异常检测   无监督学习   语义分割   计算机视觉  

摘要： 为了改善目前常见的异常检测算法受到的异常数据难以获取以及繁多的异常类别之间数据不均衡的制约,提出一种语义分割辅助的单教师-多学生无监督异常检测算法。在知识蒸馏模型中使用多个学生网络参与预测,根据多个学生网络的均值、方差等统计信息生成特征图,增强预测结果的稳定性与准确性;利用特征金字塔的思想,提取多个尺度的视觉特征以提升模型检测不同尺度异常区域的能力;利用语义分割模型良好的边界提取能力,引入语义分割网络对异常检测结果辅助修正。与现有的无监督异常检测算法相比,该方法能够更好地定位与检测工业场景下的物体表面异常。

关键词： 改进YOLOv8   小目标检测   DAE-YOLO   Deformable Attention   Inner Wise-IoU  

摘要： 随着无人机技术的快速发展,无人机在城市管理和灾害监测等领域的应用愈加广泛。无人机拍摄的航拍图像具备广泛视角和高覆盖范围的优势,但也面临小目标检测难度大、背景复杂等挑战。针对这些问题,文章提出了一种基于改进YOLOv8的目标检测算法——DAE-YOLO。该模型通过引入Deformable Attention机制,实现了动态调整注意力的关键点位置,提升了对小目标的检测能力;采用创新的Inner Wise-IoU损失函数,通过引入自适应的辅助边界框优化IoU损失计算,提高了边框回归的精度;同时设计了轻量化的Detect_Effi cient检测头,在保证检测精度的同时提升了模型效率。实验结果表明,DAE-YOLO在VisDrone2019数据集上相较于原始模型有显著性能提升:精确率提升7.2%,召回率提升6.9%,mAP50提升9.8%,mAP50-95提升10.7%。在夜间和白天的复杂场景测试中,DAE-YOLO都表现出了优异的小目标检测能力。

关键词： 小样本学习   元学习   目标检测   多尺度特征融合   注意力机制  

摘要： 针对现有小样本目标检测模型存在的尺度变化问题,支持集与查询集之间的外观变化、遮挡导致的误检与漏检问题,本文提出一种融合多尺度特征与注意力的小样本目标检测模型.首先,采用ResNet-101网络进行特征提取,同时引入ASPP(Atrous Spatial Pyramid Pooling)模块获取不同的感受野,以捕获目标细节信息的多尺度特征.其次,采用Bi-FPN网络进行多尺度特征融合,获得更具代表性的查询特征与支持特征,有效缓解尺度变化问题.然后,利用提出的注意力引导特征增强模块对查询特征与支持特征进行自身关注,使得它们具有更好的判别能力,由此促进查询特征与支持特征的融合,以更好地应对外观变化和遮挡带来的挑战,从而缓解误检、漏检问题.最后,将分类头与边界框回归头进行解耦,分别对RPN网络基于细粒度查询特征产生的候选区域进行目标分类与目标定位.在PASCAL VOC与MS COCO数据集上的实验结果表明,所提模型的检测性能优于主流的小样本目标检测模型,相较于基线模型DCNet,mAP平均分别提升了3.5%与2.1%.

关键词： 港口大型设备   神经网络   目标检测   YOLO算法   调度规划  

摘要： 为提升港口大型设备的工作效率,文中设计了一种面向港口设备的智能化云控制系统,并在该系统中嵌入了基于目标检测网络的设备识别算法和结合遗传算法的装备调度策略。采用YOLOv5作为目标检测网络原型,改进了网络算法结构,并且在网络训练过程中通过剪枝和量化压缩了网络体积。目标检测实验结果显示,相较于传统的YOLOv5,优化后算法的目标检测评价参数mAP提升了0.16,网络实现速度缩短约5.49ms。针对港口设备调度建立问题模型和目标函数,采用改进遗传算法求解最短时间、最短路径的最优解,装备调度实验结果表明,通过所提算法得到的结果更接近实际最优数据。