关键词： 小目标检测   自监督学习   对比学习  

摘要： 前沿的深度学习目标检测算法对小目标的检测精度显著落后于中型和大型目标。为了解决这一问题，本文将自监督学习和小目标检测任务相结合，提出了一种基于自监督的小目标检测方法。首先通过自监督对比学习算法预训练一个分类网络，再迁移到小目标检测模型中。与传统的有监督预训练相比，自监督预训练能从海量无标签数据中提取通用的特征表示，显著降低数据标注的成本，增强模型在下游任务中的泛化能力。其次，从提升模型对小目标特征提取能力的角度出发，采用基于像素级分类的对比学习方法。相较于经典的图像级对比学习而言，像素级对比更能关注到图像中的细节信息，主干网络具有更强的特征表达能力，迁移到小目标检测任务中能够取得更优秀的性能。同时，优化和改进检测网络结构，采用基于并行式更新的批量归一化层，确保输入数据的分布不会因为参数更新而产生偏移。最后，本文还探讨了基于全微调和部分微调的模型训练方法，在冻结主干网络不同层的情况下进行实验。结果表明，本文方法在小目标检测任务上的性能超越了传统的有监督预训练和经典的自监督方法，在SODA数据集上的平均检测精度分别提升了1.3%和1.6%。

关键词： 目标检测   无人机航拍图像   YOLOv8   特征提取   动态检测头  

摘要： 针对无人机航拍图像中目标对象尺寸小、特征信息模糊,易造成漏检、误检的问题,提出一种新型改进YOLOv8的无人机航拍图像目标检测方法,记作BDI-YOLO模型。首先,引入双向特征金字塔(Bidirectional Feature Pyramid Network,BiFPN)改进颈部结构,采用双向信息传递机制和自适应特征选择机制,增强模型在航拍图像中对不同尺度特征的提取能力。其次,将检测头部替换为动态检测头(Dynamic Head,Dyhead),增强模型对远景小目标的感受野,降低漏检、误检率。最后,在原有的CIoU损失函数中引入Inner-IoU,优化为Inner-CIoU损失函数,提高模型评估预测框的质量,加强精确定位能力。在VisDrone2019数据集上的实验结果表明,与YOLOv8模型相比,BDI-YOLO模型在精度mAP@50和mAP@50:95上分别提升3.8%和2.7%,召回率提升4%,运算量降低9.4%,参数量降低28.8%,能较好的适应复杂场景下的无人机航拍图像目标检测任务。

关键词： 对抗样本   黑盒攻击   决策攻击   图像处理  

摘要： 深度神经网络（Deep Neural Networks， DNNs）很容易受到微小扰动生成的对抗样本的攻击，它对基于DNNs的应用构成极大威胁。基于决策的攻击是一类仅依赖目标模型预测硬标签的黑盒攻击。目前基于决策的攻击方法通常采用梯度估计在目标模型决策边界附近发动攻击，但需要高昂的查询代价。因此，该研究提出一种基于球几何性质的黑盒攻击方法，称为球攻击（Sphere-based Black-box Attack，SBA）。它利用球的空间几何性质寻找最优对抗样本点，避免了梯度估计，实现了高攻击成功率和低质量损失的对抗样本。首先，通过添加随机大噪声和线性查找得到初始对抗样本。接着，利用离散余弦变换将输入样本和对抗样本变换到频率空间并利用几何位置关系采样三维子空间。然后，将频率空间决策边界近似为超平面并利用球的几何性质迭代更新频率空间内更优的对抗样本，重复此步骤不断更新。最后，利用逆离散余弦变换将其变换回输入空间最终得到最佳对抗样本。在ImageNet数据集上的实验结果表明，SBA的攻击成功率取得了当前的最优效果，并且PSNR和SSIM结果表明，SBA生成的图像质量更佳。

关键词： UMT   半监督   跨域目标检测   YOLOv5   VFL   伪标签处理  

摘要： 针对雾天场景下的跨域目标检测模型存在输入图像域差异显著、检测对象模糊、目标被遮挡，以及伪标签质量不高等问题，提出了一种基于无偏均值教师（Unbiased Mean Teacher，UMT）的半监督跨域目标检测模型UMT-HPLA (UMT-Harmony Pseudo Label Assigner)，该模型由非成对图像生成器，YOLOv5检测器和伪标签处理模块组成，分别从域适应、检测性能优化以及伪标签质量提升等方面进行改进。非成对图像生成器通过对比学习生成风格一致的伪图像，有效缓解域差异问题；在YOLOv5检测器中引入变焦损失（Varifocal Loss， VFL），提升对遮挡目标的鲁棒性；伪标签处理模块包括伪标签筛选器和伪标签分配器，伪标签筛选器将定位和置信度共同作为主导因素来选择样本以提供高质量的伪标签，并通过新设计的伪标签分配方法针对不同类型伪标签采用差异化损失计算策略。在公开的数据集Cityscapes和Foggy Cityscapes的实验结果表明，相比较以YOLO为检测器的UMT方法，该模型的mAP提高了3.7%，达到了58.1%。

关键词： 飞行器   多视图几何   计算机视觉   飞行走廊   正交投影   冲突检测  

摘要： 飞行器的航路冲突检测是避免因航路冲突导致飞行器碰撞的有效手段和关键能力。将三维碰撞检测用于飞行冲突判断，提出一种基于多视图几何的飞行器飞行走廊冲突检测方法。通过广播自动相关监视系统（Automatic Dependent Surveillance-Broadcast， ADS-B）获取航路信息、设计构建飞行器飞行走廊模型；，基于可能发生冲突区域的局部态势三视图中图形几何关系进行飞行冲突检测。仿真验证结果表明：新方法可以直观、准确地判断飞行器飞行走廊冲突情况，相较于传统的网格化离散采样法在解算冲突情况下效率提升66.35%，在解算不冲突情况下效率提升98.17%，整体效率提升84.38%。

关键词： 喷药机   多喷头   翻转   折叠   图像处理   Simulink仿真   喷药性能  

摘要： 农药喷洒是植保的重要环节,但传统喷药机存在喷药效率低、喷洒精度低、对农作物破坏性大、危害喷药人员身体健康等问题。为此,设计了一款多喷头拉杆翻转折叠式喷药机,其具备图像处理、全方位喷药、自动化喷药3大核心技术,克服了传统喷药技术的不足,且在喷药精度等方面优势明显。阐述了该多喷头拉杆翻转折叠式喷药机的基本结构和工作原理,并对其关键结构包括移动装置、储药装置、旋转驱动装置、喷药装置、电路与控制装置进行了结构分析与设计。利用Simulink可视化仿真工具进行了路面不平度分析、振动分析和强度校核,各项指标均符合要求。最后,为测试自动喷药机的运行情况和实际作业性能,对样机进行了喷药性能试验。通过测定喷药机的飘移潜在值,得出喷药机的喷药性能较为稳定,从而验证了该喷药装置的可行性。

关键词： 机械臂   深度学习   YOLOv5算法   目标检测  

摘要： 为了解决工业生产和自动实践教学中常见的物料分类准确率低和抓取不准的问题，基于深度学习算法设计了一套桌面级物料分类和分拣实验平台。该实验平台通过YOLOv5目标检测算法对4种不同目标进行分类，由两个配备机械夹爪的4自由度机械臂协同实现上料和分拣。实验所需的数据集来源于自建数据集，并通过数据增强算法实现样本扩充以提升模型的泛化能力和鲁棒性。实验以STM32单片机为控制核心，采用视觉处理模块对物料进行分类和定位，通过串口将分类结果和位置信息传入单片机，同时单片机通过逆运动学计算得到控制参数，从而控制机械臂完成上料和分拣任务。实验结果表明，基于YOLOv5的物料分类平均精度达到了87.2%，机械臂能够依据分类信息精准实现物料分拣，该实验平台在工业生产和自动化实践教学中具有一定的推广意义和应用价值。

关键词： 光学器件   光斑检测   图像处理   运动定位机构  

摘要： 为了降低人工作业强度、提高波分复用器件检测速度和检测质量，设计了基于机器视觉的波分复用器件光斑自动检测装置。采用四轴运动平台结合硅胶真空吸嘴实现波分复用器件自动抓取和姿态调整；利用电荷耦合器件相机采集波分复用器件图像，通过灰度化、边缘检测获取器件的轮廓和偏转角度；采用互补金属氧化物半导体相机获取波分复用器件的出射光斑，利用霍夫圆检测确定多路光斑的圆心坐标和数量，通过最小二乘法将多路光斑圆心坐标拟合成直线，并根据直线斜率评价光器件的质量。结果表明，光斑自动检测装置可在37 s内完成光器件质量检测，是人工检测速度的3倍，准确率高于97%。该研究可为高速高精度波分复用器件光斑自动化检测装置的研制提供参考。

关键词： 计算机视觉   目标检测   DETR算法   视觉Transformer   图像分割  

摘要： 目标检测领域中，卷积神经网络（CNN）长期占据主导地位，并以其准确性和可扩展性在学术界得到广泛认可。目标检测领域先后涌现出多个代表性模型，如R-CNN系列（包括FastRCNN、FasterRCNN等）和YOLO系列。随着Transformer在自然语言处理领域的成功，研究者开始探索将其用于计算机视觉，由此产生了如ViT和Swin-ViT等视觉骨干网络。2020年，Facebook团队为减少目标检测任务中的先验知识和后处理，推出了基于Transformer的DETR，一种端到端目标检测算法。尽管DETR在目标检测领域展现出潜力，但也存在诸如收敛速度慢、准确性较差、目标查询的物理意义不明确等缺点。这促使诸多研究人员对该算法开展了进一步的研究和改进。本文旨在分析整理总结针对DETR的改进探索，并分析他们的优势与不足，同时对利用DETR开展的前沿研究和细分应用领域进行概括，最后给出DETR在计算机视觉领域的未来展望。

关键词： 10 kV电缆   施工缺陷   缺陷识别   特征提取   Canny算子   图像处理  

摘要： 10 kV电缆中间接头施工缺陷易导致绝缘故障，为了快速准确的检测识别电缆中间接头施工缺陷，提出一种Canny算子和图像处理结合的边缘检测方法。Canny算子和图像处理结合的算法能最优定位边缘、不误检，得到准确的中间接头边缘信息。实验结果表明，Canny边缘算法能检测出缺陷图像中较为完整的污渍和划痕，对于主绝缘切割不齐、半导电剥离不齐和毛刺缺陷能准确的检测，缺陷算法准确率均达到90%以上。Canny边缘检测算法提高了缺陷检测的智能化程度，能有效管控施工质量。