关键词： 红外无损检测   深度学习   YOLOV5   缺陷识别   盲孔检测  

摘要： 针对板材内部缺陷无损检测精度不足,检测模型计算量大问题,文章提出了一种基于红外热波和深度学习相结合的检测方法。首先将YOLOv5s模型作为基础网络结构,引入轻量化网络GhostNetv2替换原CSPDarknet主干网络,减少模型参数量和计算资源需求让网络更加轻量化。其次,引入ECA高效通道注意力机制,在保持网络轻量化的同时增强网络对孔洞缺陷区域的关注力,以便更加充分地提取孔洞缺陷特征。最后,将CIoU损失函数替换成Focal-EIoU损失函数,通过优化边界框的位置和大小,从而提高孔洞缺陷识别的鲁棒性和收敛速度。经验证,改进后的YOLOv5s模型,在红外条件下识别孔洞缺陷相比于原始模型,平均精度均值(mAP)提升2.1%,模型参数量降低28.5%,检测速度达到51.42帧/s,可以满足日常板材生产线的缺陷检测需求。

关键词： 同步定位与地图构建   目标检测   动态特征点剔除   定位精度   光流法  

摘要： 针对室内动态场景中存在的动态目标会降低同步定位与地图构建(SLAM)系统的鲁棒性和相机定位精度问题,提出了一种基于目标检测网络的动态视觉SLAM算法。选择YOLOv5系列中深度和特征图宽度最小的YOLOv5s作为目标检测网络,并将其主干网络替换为PPLCNet轻量级网络,在VOC2007+VOC2012数据集训练后,由实验结果可知,PP-LCNet-YOLOv5s模型较YOLOv5s模型网络参数量减少了41.89%,运行速度加快了39.13%。在视觉SLAM系统的跟踪线程中引入由改进的目标检测网络和稀疏光流法结合的并行线程,用于剔除动态特征点,仅利用静态特征点进行特征匹配和相机位姿估计。实验结果表明,所提算法在动态场景下的相机定位精度较ORB-SLAM3提升了92.38%。

关键词： 遥感影像   目标检测   局部无参注意力(LPFA)   最优传输距离   联合损失函数  

摘要： 目的遥感目标检测技术在遥感测绘、智慧城市、乡村振兴和国防军事等领域具有广泛应用,但遥感影像存在背景信息复杂、待检目标小且多等特点,导致目标特征随着网络加深淹没在背景信息中,不利于后续检测任务。针对此问题,基于YOLOv5s(you only look once)网络,提出一种局部无参注意力和联合损失的遥感目标检测方法。方法首先提出一种局部无参注意力机制,能够根据当前特征提高局部区域内的目标关注度,而不引入训练参数,以此构建无参注意力残差块,并将其嵌入到骨干网络的不同阶段,实现多尺度目标特征增强和背景信息抑制。在此基础上,利用最优传输距离度量边界框的相似性,构造W-CIoU(Wassertein-complete intersection of union)联合度量方法和相应损失函数,以缓解锚框与真实框差异过大导致的标签误分配问题,降低小目标漏检率。结果在RSOD(remote sensing object detection)和RSSOD(remote sensing super-resolution object detection)数据集上的实验结果表明,该方法在保证模型参数量和复杂度基本不变的前提下,其平均精度均值(mean average precision,mAP)分别达到98.2%及87.4%,相较两种主要对比方法DAB-DETR(dynamic anchor boxes for detection Transformer)和YOLOv8s,在RSOD数据集上分别提升0.8%和0.3%,在RSSOD数据集上分别提升2.9%和2.6%。结论本文方法能够抑制背景信息并增强目标特征,提高检测性能,相较对比方法能更好地满足复杂场景下小目标检测需要。

关键词： 扩展目标跟踪   随机矩阵   高斯-学生t混合分布   变分贝叶斯方法  

摘要： 针对非平稳异常噪声环境下扩展目标跟踪问题,该文提出一种基于高斯-学生t混合(GSTM)扩展目标跟踪方法。首先,将过程噪声和量测噪声建模为GSTM分布,以表征非平稳厚尾噪声,并通过引入伯努利随机变量,将目标的运动状态和量测似然函数建模为分层高斯形式。其次,在随机矩阵(RMM)滤波框架下,使用变分贝叶斯方法详细推导了非平稳厚尾噪声下的GSTM扩展目标跟踪算法。该算法通过建模高斯噪声与厚尾噪声之间的非平稳过程,精确表征噪声特性,从而在非平稳异常噪声环境下稳健捕捉扩展目标的质心位置和轮廓形态。最后,构建非平稳异常噪声环境下的扩展目标跟踪仿真实验,并通过高斯-瓦瑟斯坦距离对实验结果进行效果评估,验证了所提出算法的合理性。此外,真实场景实验结果进一步证明了该算法在实际应用中的有效性和鲁棒性。

关键词： 深度学习   目标检测   防震锤   YOLOv4   MobileNet   V2  

摘要： 针对高压线路巡检中防震锤的识别定位与丢失检测,提出一种基于改进YOLOv4的算法模型。首先根据收集而来的巡检图像做有目的地数据增强,扩大数据集。然后融入迁移学习思想,在模型训练过程中使用预权重以及进行冻结训练。最后将YOLOv4原始主干特征提取网络替换成轻量型网络MobileNet V2,将深度可分离卷积运用于网络中,大大减少参数量。对实验结果进行对比分析,改进后的算法模型综合性能表现良好,也符合巡检要求。

关键词： 大规模多输入多输出雷达   扩展目标检测   目标物体反射系数   目标波束   能量检测器  

摘要： 大规模多输入多输出(multiple-input multiple-output,MIMO)雷达系统的大量天线为其在检测和估计任务上带来了性能增益。本文考虑一个大规模天线MIMO雷达系统中的扩展目标检测问题。假设存在一个包含大量散射体的扩展目标,本文建立了针对扩展目标的大规模MIMO雷达接收信号模型。分析了目标物体反射系数的空间相关性,目标物体反射系数相关的任意两个天线被视为落入同一个目标波束中,反之则视为落入不同的目标波束中。将落入同一个目标波束的天线视为一个天线组。执行检测时,每个天线组先对接收信号执行匹配滤波,并将匹配滤波的结果分别通过白化滤波器和归一化滤波器。基于上述两个滤波器的输出,分别对组内所有天线的能量求和,并求解散度,进而构建能量检测器。虽然散度分布的闭式解难以求得,本文证明了当天线数目足够大时,可利用大规模天线带来的统计效应推导出该散度的分布。在此基础上,进一步推导了大规模MIMO雷达扩展目标检测概率的闭式表达式。此外,证明了上述能量检测器能够达到奈曼-皮尔逊准则下的最优检测性能。通过仿真,验证了理论结果的正确性,进一步分析了不同系统参数对大规模MIMO雷达系统检测性能的影响。

关键词： 小目标检测   自适应切片辅助推理   不确定目标定位   非极大值抑制  

摘要： 针对无人机航拍图像中目标尺度不一、密度不一、细节不清,尤其小目标众多所导致的漏检和误检问题,提出一种基于自适应切片辅助推理的目标检测新方法。该方法首先将航拍图像输入目标检测网络进行初次推理,设计一种窗口得分机制来根据初次推理结果定位输入图像中的不确定目标,并自动选择有效的图像区域进行切片以适应不同尺度和密度的目标。接着将切片图像送入目标检测网络进行二次推理。最后对两次推理结果执行改进的非极大值抑制处理得到最终检测结果。在典型的VisDrone2019和AI-TOD数据集上的实验结果表明,本文方法提升了包括YOLOv7-tiny、YOLOv8n、YOLOv8s及YOLOv9-C在内的典型轻量级目标检测模型的mAP指标,有效提高了航拍图像目标检测性能。

关键词： 计算机视觉   数字电影色彩风格   可视化系统   循环生成对抗网络  

摘要： 为了满足用户对应用界面多样化色彩风格的需求,以数字电影色彩风格为例,设计了一种基于计算机视觉的数字电影色彩风格可视化系统。首先对系统整体框架进行设计,然后搭建基于循环生成对抗网络的界面色彩风格迁移模型作为系统核心,最后分别对核心模型和数字电影色彩风格可视化系统进行实验测试。实验结果表明:设计的基于循环生成对抗网络的界面色彩风格迁移模型SSIM值保持在0.9以上,PSNR值保持在19以上,代表该模型生成的目标界面和迁移体界面相似度高,图像失真程度小,生成的目标界面清晰度高,综合性能良好,具有可行性和有效性,可以满足数字电影色彩风格可视化系统使目标界面清晰、准确地转换为数字电影色彩风格,实现用户根据自己的喜好将移动应用界面转化为数字电影色彩风格的需求。

关键词： 机器视觉   人工神经网络   导盲手杖   图像处理   OpenMV  

摘要： 视障人群的出行及日常活动普遍依赖导盲犬、导盲手杖或他人帮扶等方式,但随着经济发展,城市规划变得越来越密集,城市布局和道路规划的复杂度也逐渐增加,上述方法已经不能够保障视障人士的出行及日常生活安全,因此加强对视障群体的关注力度、提高其生活质量是我们亟待解决的问题。本设计着眼于机器视觉对彩色信息和深度图像的去噪、滤波、目标标定等处理,加以机器学习训练,实现图像的色彩识别、常见障碍物识别及距离测量功能,将分析结果转换为音频信号并通过语音输出给用户,给予一定行进建议,致力于为视障人士提供避障服务,降低在行走过程中因无法提前预测的障碍物对出行造成的负面影响。

关键词： 目标检测   PYNQ   YOLOv5n   轻量化   边缘端设备  

摘要： 针对边缘端设备在资源受限条件下部署深度学习目标检测算法的需求,文章提出了一种基于PYNQ(python productivity for zynq)框架的轻量化实时目标检测技术,开展YOLOv5n目标检测算法研究及适应FPGA部署的模型优化,完成PYNQ环境下的软硬件协同设计,并在ZCU104开发板上完成了系统验证。结果表明,所提技术能够实现轻量化深度学习目标检测算法的快速部署与验证,具有良好的检测精度与实时性,能效比达到10.5帧/(s·W),在低成本实时目标检测领域具有较高的应用价值。