关键词： 遥感影像解译   目标检测   小样本学习   深度学习   元学习   迁移学习  

摘要： 深度学习目标检测模型构建通常需要大规模的训练样本集,而遥感影像目标检测中通常由于标注样本有限难以满足神经网络的训练需求。小样本学习(FSL)方法是在训练样本稀缺的条件下构建深度学习模型的一种有效方法,在自然影像小样本目标检测(FSOD)中应用较为广泛,但是针对遥感影像的小样本目标检测方法较少。针对自然影像数据集的小目标检测方法,系统总结了度量学习、元学习、迁移学习和数据增强四类FSOD方法的原理及优缺点,进而重点围绕遥感影像FSOD方法研究现状,提出遥感影像FSOD的发展方向是建立公认的评定指标、三维目标检测和多元特征融合。

关键词： 目标检测   双波段   决策级融合   卷积神经网络  

摘要： 红外目标检测在军事领域和民用领域发挥着重要的作用,得到了广泛的研究,但对于利用双波段图像对目标进行检测的研究较少。为了充分发挥双波段图像在目标检测性能上的优势,对红外双波段图像的检测结果进行深入分析,提出了一种基于多特征的红外双波段目标检测融合算法。本文提出的融合算法,利用基于深度学习的多特征融合网络对双波段图像的检测结果进行处理,充分挖掘目标的特征信息,自适应地选择单波段的检测结果作为输出,得到最终的决策级融合检测结果。实验结果表明:与使用单波段图像进行目标检测相比,本文提出的基于多特征的红外双波段融合算法,可以有效利用不同波段的信息,提高检测性能,充分发挥红外目标探测设备的优势。

关键词： 点云理解   目标跟踪   机器视觉   稀疏卷积   特征融合  

摘要： 稀疏卷积在处理激光雷达点云单目标跟踪时的潜力尚未得到充分发掘.目前,绝大多数点云跟踪算法使用基于球邻域的骨干网络,其显存计算资源占用大并且目标感知的关系建模不充分.针对此问题,本文提出一种基于稀疏卷积结构的LiDAR(Lightlaser Detection And Ranging)点云跟踪算法,并创新性地融合了空间点与体素双通道的关系建模模块,以高效适应稀疏框架下目标判别信息的嵌入.首先,本文采用3D稀疏卷积残差网络来分别提取模板和搜索区域的特征,并利用反卷积来获取逐点特征来保证跟踪任务中对空间位置特性的要求.其次,关系建模模块进一步在模板与搜索区域特征之间计算相似度语义查询表.为了捕捉到模板与搜索区域间细粒度的关联性,该模块一方面在空间点通道中利用近邻算法找出每个搜索区域点的模板近邻点,并根据语义查询表提取对应特征;另一方面,在体素通道中以每个搜索区域点为中心构建局部多尺度体素,并根据落入体素单元的模板点索引计算语义查询表中值的累计和.最后,将双通道的特征融合并送入基于鸟瞰图的候选包围盒生成模块来回归目标包围盒.为了验证所提出方法的优越性,本文在KITTI和NuScenes数据集进行了测试,对比其他使用稀疏卷积的算法,本文方法平均成功率和精确率分别提升了11.0%和12.0%.本文方法在继承了稀疏卷积高效特点的同时还实现了跟踪精度的提高.

关键词： 加工单元   遗传算法   图像处理   光学字符识别  

摘要： 针对针阀偶件插配智能化加工需求,设计并建设针阀偶件智能化插配加工单元。对加工尺寸的数据进行分析,改进针阀偶件间隙配对加工方法;构建间隙配对问题数学模型,采用改进的遗传算法对其进行求解,实现针阀偶件间隙配对的最优化,现场使用验证,配对成功率85%左右;基于迁移学习训练光学字符识别(OCR)模型,识别针阀体生产顺序号,识别准确率达95%,并将针阀偶件插配过程数据与之关联,实现数据自动记录,便于质量追溯。

关键词： 凡纳滨对虾   摄食强度量化   计算机视觉   YOLOv8  

摘要： 为实现凡纳滨对虾(Litopenaeus vannamei)摄食强度量化及分类,克服投喂主观性,优化饲料利用率。实验采用YOLOv8模型对凡纳滨对虾进行识别和检测以及YOLOv8-segment模型对凡纳滨对虾的虾头进行分割,根据饲料区域内对虾的数量和虾头的像素面积,实现对虾摄食强度的量化,并利用Convnext模型将图像中对虾的摄食强度划分为强摄食、中摄食和低摄食3个级别。实验结果显示,迭代200次后,YOLOv8模型对饲料区域内对虾目标检测的mAP50达到了99.5%,YOLOv8-segment模型对虾头分割的mAP50达到了92.1%,展现了YOLOv8模型的强大性能。经实验验证发现,在不同摄食强度下饲料区域内对虾的数量和虾头的像素面积存在明显差异。Convnext模型对凡纳滨对虾3种摄食强度的图像分类准确率为98.8%。该方法可以客观有效地将对虾摄食强度进行量化,并将对虾的摄食强度进行分类,为实现对虾的精准投喂提供了理论基础和技术支撑。

关键词： 视频显著目标检测   时空特征   深度学习  

摘要： 视频显著目标检测作为计算机视觉领域广泛关注的研究方向之一,其旨在定位和分割出视频中最显著的目标或区域。现有视频显著目标检测方法主要通过构建深度神经网络来从动态视频序列中提取时空特征进行显著性预测。对基于深度学习的视频显著目标检测方法进行全面梳理,阐述了视频显著目标检测的基本概念及应用场景;对基于深度学习的视频显著目标检测方法进行了分类,并按类别进行深入的分析和讨论;对视频显著目标检测领域的权威基准测试数据集及评价指标进行介绍,并在这些基准数据集上对最先进的模型进行了定量和定性实验对比分析和讨论;总结了视频显著目标检测面临的挑战,对其未来发展方向进行了展望。

关键词： 鱼类异常行为检测   计算机视觉   无监督学习   U-Net   时空变换器  

摘要： 由于人工提取抽象特征方法捕获视频异常存在特征学习不足、特征选择困难和泛化性差的问题,笔者将计算机视觉技术引入鱼群异常运动行为检测研究中,采用无监督的学习方式,提出一种结合多层记忆增强和残差时空变换器的鱼类异常运动行为检测方法。该方法以U-Net网络为基础,利用其编码器和解码器对视频帧编码和解码,并根据预测帧和真实帧之间的差异实现异常行为检测。为了加强连续视频帧之间的时空信息特征联系,提出残差时间变换器模块和残差空间变换器模块以提升网络对时间信息和空间信息的建模能力。由于卷积神经网络具有一定的泛化能力,使用记忆增强模块代替U-Net网络中的跳跃连接,降低编码器对异常帧的表示能力。此外,采用生成对抗网络(GAN)技术生成更加真实的预测帧,从而提升网络的检测精度。结果表明:该方法能有效提取鱼群的运动特性和外观特性,在自制的两类鱼群数据集上的AUC(曲线下面积)分别达0.916和0.921,实现了鱼群异常运动行为检测。

关键词： 目标检测   红外弱小目标   YOLOv5s   TCC模块   Ghost模块  

摘要： 针对复杂背景下红外场景对比度低、特征不足、细节不清而导致的目标检测效率低的问题,在YOLOv5s模型基础上通过创建TCC(two-way convolution and Concat)模块并引入华为Ghost模块,提出了一种基于改进YOLOv5s模型的红外弱小目标检测方法。首先,结合红外图像的低级语义特征,采取二路卷积和多尺度思想创建了TCC模块,提升了特征提取的全面性;接着,为进一步简化网络结构、减少网络参数量,引入轻量化Ghost模块改进了SPP池化层和CSP2卷积网络;最后,以无人机为实验对象,构建了白天和夜间不同背景条件下的红外弱小目标数据集,实验验证了本文改进算法的有效性。结果表明:改进后的YOLOv5s模型在较少损失帧频的情况下,检测精度提升了1.34%,平均精度均值(mean average precision, mAP)提升了2.26%,优于YOLOv4-tiny和YOLOv7-tiny两种轻量化模型,并与YOLOv8s模型精度相当,但模型参数量仅为YOLOv8s模型的53%,完全可以满足嵌入式设备部署的需求。

关键词： 智能修草机   机器人技术   计算机视觉   机器学习   自主导航   精确修剪  

摘要： 草坪修剪是一项重要的园艺工作,传统的草坪修剪方式需要人工推动或背负修剪工具,当修剪大面积的草坪时非常耗费人力,因此基于机器人操作系统(ROS)设计了一款智能修草机。研究了智能修草机的设计原理、技术实现、性能评估及其在草坪维护领域的潜在应用。智能修草机集成了现代机器人技术,详细阐述了其在草坪识别、路径规划、自主导航、精确修剪等关键功能上的技术实现和创新点。这些功能的实现主要依赖于先进的机器人控制算法和机器学习模型,前者可用于识别草坪边界和障碍物,后者可用于优化修剪策略和路径规划。随后,通过一系列实验验证了基于ROS智能修草机的性能表现。其不仅能够提高草坪维护的效率,而且能够降低对环境的污染,具有一定的实用价值。

关键词： 计算机视觉   图像分割   轻量级骨干网络   多层级特征融合   多尺度特征融合  

摘要： 针对自动驾驶视觉图像输入,提出了基于多层级多尺度特征融合的轻量级语义分割算法。算法采用编码器解码器架构,首先研究了低下采样率的编码器骨干网络。网络基于轻量级卷积模块,并采用不同深度的卷积层输出相同分辨率特征图,从而生成多层级的语义特征;其次研究了基于多特征融合的语义分割解码器,解码器设计包含多尺度特征融合模块和多层级特征融合模块两部分,结合多尺度特征和通道注意力机制,提取并融合编码器输出特征,最终生成分割结果。