关键词： 全空域   航天测控   目标跟踪   校相  

摘要： 随着我国航天测控(Tracking Telemetry and Command, TT&C)领域的不断发展,面向全空域相控阵TT&C的工程应用越来越多,传统TT&C系统中的校相及跟踪方法无法适应新的工程应用。针对目前全空域相控阵TT&C系统中校相及目标跟踪方法与传统TT&C系统不通用的问题,结合工程实践应用,介绍了全空域相控阵TT&C系统中的校相及目标跟踪方法。实践表明,所提方法具有良好的目标跟踪能力,可满足工程需要。

关键词： 无人机   电力巡检   目标检测   YOLOv4  

摘要： 无人机在电力巡检中得到广泛应用。有效的障碍物目标检测算法能够实时识别并避开这些障碍物,防止无人机坠落或损坏设备,从而确保巡检任务的顺利进行。本文基于YOLOv4算法进行改进,算法的平均准确率为89.56,内存占比为23.69,FPS达到每秒37.63帧,各项性能指标均高于其他算法。

关键词： 图像处理   工件定位   点云处理   改进ICP   尺寸检测  

摘要： 提出了一种融合图像与点云的曲面工件涂胶质量检测方法,解决了基于图像的涂胶质量检测精度低、鲁棒性差的问题。方法包括利用圆形Mark点进行粗定位,引入法矢一致性约束的改进迭代最近点算法完成精定位,并提取图像中的胶线骨架信息转化为3D胶线轨迹点。通过等距有序采样方法获取采样点进行胶线质量参数检测。根据采样点的法向约束和胶线轨迹切向约束,获得采样点胶线截面模型,将点云映射到截面中得到胶线截面轮廓模型,进一步分析截面轮廓以计算胶线质量参数。实验证明,测量得到的胶线宽度误差小于0.35 mm,厚度误差小于0.25 mm,满足工业场景中的胶线质量评估要求。

关键词： 昆虫   伪装   目标检测   深度学习   图像分割   深层梯度网络  

摘要： 【目的】昆虫常在色彩、纹理或形态上和背景相似,具有伪装性,识别难度大。本研究旨在探索基于深度学习的伪装昆虫前背景自动分割方法。【方法】将显著目标检测算法(salient object detection algorithm)、大模型图像分割算法(large-scale model-based image segmentation algorithm)以及伪装目标检测算法(camouflaged object detection algorithm)应用于伪装昆虫数据集,该数据集包括10类昆虫共1 900张图片;并进一步针对现有伪装目标检测算法的不足,提出了一种基于DGNet(deep-gradient network)的网络模型改进方法,即ZDNet(zoom-deep gradient network)。在构建该模型时,充分运用图像特征增强、交错图像金字塔、梯度诱导和跳跃式特征融合等技术。利用伪装目标检测公开数据集COD10K与CAMO构建了包含螽斯、蜘蛛等10个目昆虫的图像数据集,结合迁移学习进行网络训练,将经过训练的模型用于分割伪装昆虫。【结果】现有的伪装目标检测模型用于伪装昆虫前背景分割时,其分割性能明显优于显著目标检测模型和大模型分割图像。同时,ZDNet在性能上也明显优于现有的伪装目标检测算法,获得的S度量值、最大F度量值、平均F度量值、最大E度量值、平均E度量值和平均绝对误差(mean absolute error,MAE)分别为0.890, 0.865, 0.824, 0.966, 0.951和0.020。【结论】研究结果证明了ZDNet网络模型能够获得很好的伪装昆虫前背景分割结果,有利于提高昆虫识别的性能,也进一步拓宽了伪装目标检测方法的应用范围。

关键词： 苹果病害   目标检测   模型轻量化   注意力机制   智慧农业  

摘要： [目的]面对大规模的苹果园种植和管理,传统的果园巡检容易出现误检、少检的现象,并且传统的苹果病害检测模型参数量庞大难以实现移动端的轻量化部署,因此,设计一个高效并且轻量的苹果病害检测模型可以实现对苹果病害的有效预防与精准管理,从而改善苹果品质与增加果园经济收入。[方法]针对以上需要,提出了一种基于YOLOv5s的改进算法。以常见的炭疽病和褐斑病为主要研究对象,采集苹果表皮病害图像构建果园苹果病害数据集,通过Labelimg工具对图像进行标注与分类;引入GhostNet轻量化模块对主干特征提取网络进行替换,使用更小的参数量来捕获更多的特征信息,达到模型轻量化的效果,便于后期移动端的部署;引入SimAM无参注意力机制加强模型对通道和空间信息的同时关注,在不添加任何参数量的基础上对重要的病害特征赋予更高的优先级,提高模型的准确性;引入SIoU边界框回归损失函数来优化预测框对于目标病害的准确定位,通过重新定义角度惩罚度量帮助预测框快速定位到准确的轴,同时借助遗传算法优化θ的取值,实现提升模型训练和推理能力的效果。[结果]改进后的模型参数量和浮点运算数(FLOPs)比原始模型减少了30.2%和33.8%,在达到轻量化的基础上,mAP@0.5达到93.7%,mAP@0.5:0.95达到63.3%,分别优于YOLOv5s原始算法1.6%和0.7%。[结论]改进后的模型在实现轻量化的同时也达到了较好的检测性能,不仅实现了苹果病害的高效识别,也为其他农作物的病害检测提供了技术支持与参考依据。

关键词： 多媒体智能   三维图像处理   图像采集   图像预处理  

摘要： 提出了一种基于多媒体智能三维图像处理系统的设计与实现方法。该系统结合图像采集、预处理、智能分析和应用展示等关键技术,实现对三维图像数据的高效处理和应用。实验结果表明,该系统具有良好的性能和稳定性,为三维图像处理领域的进一步研究和应用提供了有效的技术支持。

关键词： 煤矸检测   目标识别   Eswish激活函数   注意力机制   BiFPN结构  

摘要： 煤与矸石具有目标密集、特征差异小等特征,基于图像处理的识别方法普遍存在检测速度慢、精度低等问题。为了进一步提高煤矸检测的速度和精度,提出一种GE-YOLOv5s煤矸检测模型。首先在YOLOv5s的基础上引入Ghost Conv代替卷积操作,并设计新模块GhostCSP,在提升模型检测速度的同时实现网络的轻量化;其次在预测层中加入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升模型的表现力;然后在Neck部分采用双向特征金字塔网络(BiFPN)结构,利用BiFPN融合3个不同维度的特征,通过加权特征融合机制提高模型计算效率,进一步提升煤矸检测速度;最后设计一种新型激活函数Eswish替代SiLU激活函数,提高参数利用率的同时加快模型收敛速度并提升鲁棒性。实验数据表明:相较于YOLOv5s模型减少了34.1%的参数量和38.6%的浮点运算量,并且在mAP 0.5:0.95指标上提升了1.9%。对比实验显示,相较于YOLOv3、SSD、FasterR-CNN和YOLOv5-scSE的mAP 0.5:0.95指标分别提高了16.6%、4.8%、13.6%和3.8%。将GE-YOLOv5s模型应用于煤矸石目标检测过程中,具有更优的识别性能、鲁棒性、网络泛化能力,可有效避免漏检、误检和重叠现象。

关键词： 新工科   产业   图像处理与机器视觉   前沿知识  

摘要： 图像处理与机器视觉课程属于新兴课程,其教学内容和模式不成熟。同时为了课程符合新工科和地方型高校建设的要求,对该课程的教学内容和方式进行改革。通过有机融入课程思政,基于区域特色的产业进行知识点的筛选,以及基于产业、前沿知识进行教学方法的改进,使得学生综合能力得到更好的培养。由成效分析可知,学生对本课程的教学内容和方法满意度较高,且学生的综合能力得到了更好的提升。为新工科背景下地方型高校新兴课程的教学模式建设提供了一定的参考价值。

关键词： 人物交互检测   Transformer   深度学习   目标检测  

摘要： 人物交互(HOI)检测旨在定位图像中的人和物体,并对它们之间的交互进行分类。实用的HOI检测系统执行以人为中心的场景理解,因此对许多应用具有巨大的潜在影响,如监视事件检测和机器人模仿学习。随着最近Transformer网络在目标检测方面的成功,基于Transformer的HOI检测方法已被积极开发,引领了近期HOI关系检测研究的进步。基于Transformer的HOI检测方法利用Transformer的自注意力机制来提取上下文语义信息和嵌入来表示HOI实例,成为HOI检测任务的新趋势。本文综述了现有方法的最新研究进展,并将其分为四类:早期端到端模型、利用DETR变体和改进骨干网络的模型、语言–图像预训练的模型以及基于DETR的两阶段模型。系统地阐述目前基于Transformer的HOI检测方法的发展现状,分析各种流派的优缺点,梳理该领域方法的发展脉络,最后对未来的研究方向进行展望。Human-Object Interaction (HOI) detection aims to localize humans and objects in an image and classify their interactions. Practical HOI detection systems enable human-centric scene understanding, thus holding significant potential impact on various applications such as surveillance event detection and robot imitation learning. With the recent success of Transformer networks in object detection, Transformer-based HOI detection methods have been actively developed, leading to advancements in recent research on HOI relation detection. Transformer-based HOI detection methods leverage the self-attention mechanism of Transformers to extract contextual semantic information and embeddings to represent HOI instances, becoming a new trend in HOI detection tasks. This paper reviews the latest research progress of existing methods, categorizing them into four types: early end-to-end models, models using variants of DETR and improved backbone networks, language-image pre-trained models, and two-stage models based on DETR. It systematically elaborates on the current development status of Transformer-based HOI detection methods, analyzes the advantages and disadvantages of various approaches, outlines the development trajectory of methods in this field, and finally provides prospects for future research directions.

关键词： 隧道表观病害检测   隧道衬砌无损检测系统   YOLOV5   目标检测  

摘要： 随着投入运营的铁路里程不断增加,我国已经成为世界隧道工程规模最大、发展速度最快、运营里程最长的国家。运营期隧道逐渐出现衬砌裂缝、掉块和渗水等病害,定期检查和健康评估是确保隧道等地下基础设施安全建设和运行的必要条件。传统的人工巡检劳动强度大,耗时长,难以满足及时检测的要求。本项目利用自研隧道衬砌无损检测系统实现隧道衬砌表观图像的快速采集,通过深度学习中常用的目标检测算法YOLO V5加以人工复核的方式实现了对隧道衬砌表观病害的快速检测。检测后共发现病害679处,其中衬砌掉块病害216处;渗水病害28处;裂缝病害435处。综合考虑衬砌表观病害的分布规律,衬砌掉块和渗水病害,在K60+500~K61+800区段内呈现数量和程度上的增加,推断在该区段内隧道衬砌结构状态的出现明显变化。