关键词： 遥感图像小目标检测   多尺度特征增强   Split分流   自适应机制   细节特征交互融合  

摘要： 针对遥感图像小目标检测任务中,存在目标细节纹理信息模糊导致特征提取与融合不佳、小目标漏检等问题,提出了一种基于多尺度特征增强与交互融合的遥感小目标检测算法。首先,采用跨层多分支连接结构的多尺度特征增强(multiscale feature enhancement,MFE)模块,利用Split分流操作丰富和增强不同梯度获取的纹理特征信息,同时引入轻量级特征幻影模块Ghost进行通道线性变换,生成更多有效的特征细节信息流,以增强对图像中局部细节特征信息的关注;其次,构建特征交互融合(feature interaction fusion,FIF)模块,引入多分支串并行的卷积块与自适应机制的池化块,交互输入特征的通道语义信息和空间特征变换,捕获全局上下文信息,精确小目标的关键位置信息,加强特征信息之间的相关性,实现细粒度特征的多维度交互融合。使用公开的光学遥感数据集DIOR验证所提算法,改进后的网络模型平均精度值为87.6%,与NPMMR-Det、YOLOv7、YOLOv5等其他7种优秀算法相比均有提高,改进后的遥感图像小目标检测算法取得了更好的检测精度。

关键词： 目标检测与分类   雷达图像   YOLOv5s网络   特征融合   解耦头  

摘要： 针对车载毫米波雷达图像细节模糊、目标占比小的问题,提出了一种基于YOLOv5s改进的目标检测分类网络。首先通过帧同步与最小外接矩形方法处理原始数据集,获得由相机、激光雷达联合标定的毫米波雷达距离-方位图像与标注信息;然后将YOLOv5s网络的上采样模块改进为CARAFE,使网络充分融合不同尺度特征,并改进网络损失函数为综合交并比损失函数(CIoU Loss),使预测结果更加精确;最后,通过网络解耦头(Decoupled head)采用不同的分支并行处理检测与分类问题。实测数据实验处理结果表明,该方法较原始YOLOv5s网络的mAP@0.5与mAP@0.5∶0.95分别提升了3.3%和2.0%,尤其适用于小目标检测,并能同时满足检测和分类精度与实时性要求,适合部署至车载嵌入式系统中。

关键词： 目标检测   无锚框   特征融合   任务特征   多尺度特征   任务对齐   标签分配  

摘要： 为解决现有无锚框网络缺乏精确的特征融合引导、解耦头获取任务特征不足,以及无锚框本身存在的边界框漂移的问题,提出一种结合循环特征融合与任务解耦的无锚框检测模型。设计动态循环特征金字塔,动态对齐并融合多尺度特征,以循环机制增强特征表达;提出新的任务解耦头,设计双维任务感知器获取任务特征,采用提出的任务一致性参数和Dynamic Varifocal损失函数完成任务对齐;在标签分配过程中,结合box重组算法,重新选取高质量的正负样本。在COCO数据集上,所提模型使mAP在ResNet50主干网络相对于baseline提升3.1%,在ResNet101上达到45.2%,检测性能优于其它先进的无锚框网络模型。

关键词： 探地雷达   隧道衬砌缺陷   深度学习   目标检测   Transformer  

摘要： 隧道衬砌内部缺陷检测对于隧道的安全运行至关重要。针对传统探地雷达(ground penetrating radar,GPR)图像识别方法对技术人员要求高、复杂图像识别难度大、不能实现端到端识别等问题,提出一种基于Transformer框架的雷达图像隐藏缺陷自动检测算法,命名DETR-MCA,在原end-to-end object detection with transformers(DETR)架构上嵌入了一种新颖的高效多尺度注意力模块—multi-scale convolutional block attention module(MCA)模块,它允许模型根据任务需求和内容上下文动态地关注于最有用的特征,从而改善DETR模型的收敛速度和对小目标的检测准确率,最终利用基于全局注意力计算的编码器-解码器结构的并行计算能力,实现空腔和不密实2种病害的端到端的检测与识别。此外,为解决实测数据集稀缺的问题,构建了GPR隧道病害实测数据集,结合数据增强方法,共获得1427张空腔数据和669张不密实数据。其次,为了增强预测模型的鲁棒性,利用5333张2种隧道构件(钢筋和钢拱)的实测数据集进行迁移学习。在相同试验条件下,将该模型与Faster R-CNN、YOLOv3、YOLOv8、Mask R-CNN、RMTDet和DINO 6种深度学习网络模型进行比较,提出的模型对隧道不同隐藏缺陷平均准确率达到97.1%,性能优于其他模型。结果表明DETR-GPR模型具有较高的识别准确率与较强的鲁棒性,可为复杂隧道环境下不同缺陷的检测提供参考。

关键词： 避雷器套管   红外图像   分割检测   计算机视觉   深度学习   注意力机制  

摘要： 针对现有避雷器套管实例分割方法精度低、容易误检的问题,提出一种基于深度学习的避雷器套管分割检测方法,通过经典神经网络模型UNet实现端到端的分割推理,同时,设计局部感知注意力模块高效聚合避雷器套管红外图像的通道信息与空间信息,避免红外背景噪声影响,实现边缘清晰的分割效果。通过定性和定量的实验比较验证模型UNet在避雷器套管红外图像分割检测的性能。结果表明,该模型对避雷器套管具有较好的检测分割效果,对后续故障检测、降低劳动力成本、保证变电站设备安全运行具有重要意义。

关键词： YOLOv8   遥感图像   小目标检测   特征融合   注意力机制  

摘要： 针对YOLOv8在遥感小目标检测中由目标尺度差异和复杂背景引起的漏检和误检问题,提出了基于跨阶段双分支特征聚合的遥感图像小目标检测方法。融合卷积算子中的全局共享权重与注意力中特定token的上下文感知权重,获得高频局部信息和低频全局信息;使用轻量级MLP捕获全局远程依赖关系,并设计并行跨阶段可学习视觉中心机制捕获输入图像的局部角区域信息;设计多维度残差注意力机制,聚合两个并行分支的输出特征,捕获像素级的成对关系以及跨通道和跨空间信息。实验结果表明:该模型在DIOR和RSOD数据集上的mAP分别达到了73.8%和98.1%,比对比方法分别提高了1.3%和2.1%。

关键词： 机器视觉   DETR算法   目标检测   轻量化   注意力机制  

摘要： 交通标志检测是智能车辆行驶过程中的关键,对于车辆分析路况有着重大的意义。针对现存交通标志检测算法参数较多、精确率不高的问题,提出一种基于改进RT-DETR(real-time detection transformer)的轻量化交通标志检测算法。首先,将模型主干网络中的ResNet网络替换为VanillaNet网络,减少网络的层数与参数量;其次,使用加权双向特征金字塔模型(bi-directional feature pyramid network,BiFPN)代替RT-DETR特征融合模块中的PAN(path aggregation network)结构,增加模型的融合能力,提取更加丰富的特征信息;最后,在特征融合模块中添加GAM(global attention mechanism)注意力机制,加强模型对全局信息的感知,提升多目标与被遮挡目标的检测性能。该算法在交通标志数据集上进行测试,结果说明改进后的RT-DETR算法的mAP(mean average precision)值达到了87.7%,相比原始算法提高了3.6%,且参数减少21%,满足智能车辆设备的部署需要,证明了改进算法的有效性。

关键词： 深度学习   复杂场景   目标检测与识别   算法优化  

摘要： 目标检测与识别是计算机视觉中的关键技术,但在实际应用中常面临光照变化、遮挡和多目标等复杂场景的挑战。对此,文章深入研究了算法优化策略,分析了复杂场景对检测与识别的影响以及传统算法的局限性。通过数据增强、特征提取优化和模型结构改进等策略,特别是利用图像变换模拟复杂场景特征的数据增强方法,显著提升了算法在复杂场景下的性能。实验结果表明,优化后的算法在多个代表性数据集上实现了更高的准确率、召回率、F1分数和平均精度,同时保持了较高的处理速度,这说明优化策略有效应对了复杂场景的挑战,显著提升了目标检测与识别算法的性能。

关键词： 目标检测   果实成熟度检测   YOLOv5s   Ghostnet   NAMAttention  

摘要： 针对智能采摘领域中樱桃成熟度检测的挑战,文章选取了YOLOv5s模型作为基础,并进行了针对性的改进和优化,旨在提升模型在樱桃成熟度检测任务中的性能和准确性。首先采用GhostNet替代主干网络,其次增加了NAMAttention模块,显著减少了模型的参数数量和计算需求,并且提升了检测准确性。实验结果显示,改进后的模型与YOLOv5s相比,每秒帧数提升了34%,参数数量减少了25%,FLOPs降低了29%,并且在mAP@0.5指标上实现了约6.2%的提升。此外,与多阶段模型相比,该模型在平均精度、效率和计算负载方面均表现优越。由此可见,改进后的模型能够更加高效、精准地进行樱桃成熟度识别。

关键词： 角膜生物力学性能   区域性   数字图像处理   粒子群优化算法  

摘要： 目的构建一种基于数字图像处理的角膜区域性生物力学性能评估方法。方法通过离体兔眼角膜膨胀实验,结合粒子图像测速(PIV)技术和粒子群优化算法,开发一种随机抽样迭代运算算法,用于求解角膜不同区域的生物力学参数。结果PIV技术与激光位移器测量结果高度一致(R2=0.966),且优化后的随机抽样迭代算法在循环后误差趋于稳定,求解精度和重复性高。最终选择对全角膜进行均质求解,并以此结果作为随机抽样迭代运算的初始值,并通过定制的程序随机生成循环顺序,每次随机抽取3个区域并确保在25次循环中,25个区域每个区域能够被优化运算3次,同时运算该3个区域的μ和α最为有效。结论该方法成功实现了角膜区域性的生物力学性能评估,可为角膜疾病的早期诊断和治疗提供新的思路和评估手段。