关键词： 频控阵   MIMO   图信号处理   图傅里叶变换   动目标检测   三维联合估计  

摘要： 在复杂信号背景下,频控阵MIMO雷达受到杂波和噪声源的干扰,这极大地降低了其对微弱目标的检测性能。为了应对这一挑战,文中提出一种基于图信号处理的频控阵MIMO动目标检测方法。首先,利用MTI/MTD技术消除多普勒频移项的相位变化;然后构建了FDA-MIMO下的图信号模型,并利用回波信号的图傅里叶变换形式建立谱峰搜索响应函数;最终实现对动目标多普勒-距离-角度参数三维联合估计。仿真结果验证了所提方法在复杂信号环境下相较于经典MUSIC算法能够更准确地估计目标的参数信息,有效提升了微弱目标的检测性能。

关键词： 图像识别技术   计算机视觉   电力系统运维   故障诊断  

摘要： 图像识别技术在电力系统运维中有关键作用,能使电力系统运维由人工转向智能,借助计算机视觉算法和深度学习模式,实现对电力系统设备和线路的自动化检测、故障诊断与远程控制。文章介绍了图像识别技术的原理和关键技术,对实际应用场景及应用实例展开分析,旨在提升电力系统运维效率和质量,保证电力系统运行的稳定性和可靠性。

关键词： 计算机视觉   农作物病虫害   智能辨识系统   图像处理  

摘要： 本研究聚焦于基于计算机视觉的农作物病虫害智能辨识系统。首先概述了计算机视觉技术的学科综合性、技术构成及其在农作物病虫害检测中的独特优势。随后,详细探讨了该系统在图像采集与处理、图像分割与特征提取以及识别模型与算法等关键环节的应用。最后,通过系统架构、功能及实现的阐述,展示了该智能辨识系统的实际应用价值。研究结果表明,该系统在农作物病虫害检测中具有较高的识别准确率和实时性,未来有望为农业生产提供更加智能化、高效化的技术支持。

关键词： YOLOv8   深度学习   点云定位   目标检测   Kinect传感器  

摘要： 针对小目标检测任务中目标尺寸小,易受背景环境干扰,检测算法精度低等问题,本文提出了一种基于改进YOLOv8的小目标检测算法。该改进算法引入加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)并融合P2小目标检测层,修改输出检测头位置,在训练模型时融合更多有效语义信息和位置信息,提高小目标检测的准确性。在Backbone中添加CBAM(Convolutional Block Attention Module)注意力机制模块,在Neck中添加自制G_SA注意力机制模块,结合通道注意力和空间注意力提高卷积神经网络的性能。采用Azure Kinect DK传感器,通过点云数据生成小目标的三维坐标信息,实现了目标的实时精准定位。实验结果表明,相较于原始YOLOv8n模型,该改进算法模型在VisDrone 2019数据集上的精准度(Precision)、召回率(Recall)和mAP50分别提高8%、9.2%和12%,验证了该算法的有效性。定位实验表明,该系统对于距离相机2.4米以内的小目标具有较高的定位精度,误差在0.4%以内。

关键词： 草莓病害   目标检测   YOLOv7-Tiny   多元感受野   EResPANet多尺度融合网络  

摘要： 针对草莓病害图像在检测时存在背景复杂、目标小导致难以被精确检测的问题,本文提出一种基于多元感受野与EResPANet的草莓病害检测算法.首先,该算法使用多元感受野特征标定网络替换YOLOv7-Tiny的主干网络,抑制冗余信息,解决主干网络特征逐层提取时小目标病害丢失问题;最后,通过设计EResPANet网络,避免网络在深层特征提取时,目标信息被复杂背景干扰而导致无法检测的问题.实验结果表明,本文提出的方法相比YOLOv7-Tiny算法在mAP上提高了10.3%,证明本文算法可实现草莓各类病害的准确检测.

关键词： 目标跟踪   红外与可见光融合   注意力机制   特征融合  

摘要： 目标跟踪通常在面对亮度变化、背景混杂和快速移动等复杂场景时难以取得良好的跟踪性能,为此提出了一种结合自适应特征融合和注意力机制的红外与可见光融合的目标跟踪算法。利用红外光与可见光的互补性优势,增强传统目标跟踪算法在复杂场景下的跟踪性能。首先在前3层卷积层中结合注意力机制对红外光与可见光模态特征进行特征筛选,同时针对不同通道特征进行动态权重分配实现自适应特征融合,然后将不同通道特征进行融合,并经过实例分类模块实现对目标的跟踪。在GTOT数据集和RGBT234数据集上的实验结果表明,该算法的精度和成功率分别到达了90.4%和73.2%、79.6%和56.1%,优于目前主流算法。

关键词： 学生行为识别   YOLOv8   目标检测   动态通道注意力卷积   多尺度上下文融合  

摘要： 针对智慧教室中存在前后排学生图像尺寸差异较大、后排小目标检测困难的问题,提出了一种改进YOLOv8的学生课堂行为识别方法:DMS-YOLOv8。结合CA注意力机制与深度卷积,提出了动态通道注意力卷积(DCAConv),能够动态调整通道权重,更灵敏地捕获关键特征;引入多尺度卷积注意力(MSCA),通过元素乘法最大化挖掘多尺度卷积特征,增强对空间细节的关注;同时,构建了多尺度上下文融合(LCD)模块,通过卷积和自注意力机制,增强多尺度特征融合。增加小目标检测层,通过较大尺寸特征图的局部特征提取,显著提高模型对后排学生行为的识别能力。与基线模型YOLOv8n相比,该方法在自制学生行为数据集上的mAP50值提高了4.6个百分点,在VOC数据集上提高了18.7个百分点。该方法在学生课堂行为识别方面表现突出,可显著提高智慧教室学生课堂行为识别的准确率。

关键词： 车辆检测   YOLOv5s   车辆检测算法  

摘要： 为解决车辆密集、遮挡严重导致的目标检测算法误检、漏检等问题,提出一种基于改进YLOv5s的车辆检测算法。首先,基于C2f特征提取模块结构中卷积共享和多层次特征融合的思想,对原YOLOv5s中的特征提取模块进行改进,提高网络针对多尺度特征的提取能力;其次,引入一种考虑位置信息的轻量型特征选择模块,并设计4种不同引入方式的对比试验,探究该模块在面向车辆检测任务时对模型性能的影响;最后,利用OTA动态标签分配策略对原YOLOv5s的损失函数进行优化,提高正负样本分配的精准度。在经过筛选的UA-DETRAC车辆数据集上进行试验分析,结果表明,改进后的算法能够满足实时交通检测需求,以期为相关研究提供借鉴。

关键词： 指针式压力表   YOLOv5   数字图像处理   读数识别  

摘要： 针对指针式压力表自动检测读数时,受复杂背景环境等因素影响造成仪表图像检测难、读数困难和误差大等问题,提出基于YOLOv5和数字图像处理技术相混合的指针式压力表读数识别方法,通过YOLOv5网络实现复杂背景环境下表盘的检测与提取,再通过数字图像处理技术实现表盘圆心和指针直线的高精度定位,最后通过CRNN网络确定仪表量程。实验结果表明,该方法可以在复杂的环境中较为高效准确地读取指针式压力表的示数,读数的平均基本误差为0.32%,较现有方法显著提高,证明了该方法具有较好的实际应用价值。

关键词： 桥梁工程   改进YOLO v8s算法   深度学习   裂缝检测   目标检测  

摘要： 针对混凝土桥梁裂缝因背景复杂、细小模糊导致检测精度较差的问题,提出了一种基于改进YOLO v8s的混凝土桥梁裂缝检测算法,精确定位了裂缝位置信息,并测量了裂缝长、宽等关键参数;以YOLO v8s模型为基础,引入全维度动态卷积(ODConv)获取特征图中更丰富的上下文信息,以增强目标特征提取能力,提高对细小模糊裂缝的检测能力;采用改进通道注意力模块构建了级联双层特征改进注意力(C2f-MA)融合模块,以挖掘特征图中更多的纹理信息,进一步使网络更加关注裂缝特征,从而抑制无关背景信息的干扰,提高复杂背景下的裂缝检测效果;使用焦距交并比(WIoU)损失函数来解决低质量样本的识别问题,进一步优化了模型的收敛速度和检测准确率;在桥梁检测报告中筛选出存在裂缝细小模糊、阴影、人工画线、杂草等具有复杂背景的裂缝图像,通过人工标注的方式建立了复杂背景条件下桥梁裂缝图像数据集;以召回率、平均精度和模型存储容量作为量化评价指标,并依次通过对比试验及消融试验来对模型进行综合评估。研究结果表明:改进YOLO v8s算法的召回率、平均精度和模型存储容量分别为0.829、0.893和11.14 MB,其综合评价指标优于基准方法YOLO v8s和其他目标检测模型,证明了提出的算法在复杂背景下具有良好的鲁棒性。