关键词： 汽油机   颗粒物   分形维数   灰度直方图   图像处理  

摘要： 使用透射电子显微镜(简称透镜)对道路试验得到的颗粒物样品进行拍摄获得排放颗粒物图像。发现缸内直喷汽油机在高海拔地区正常运行得到的排放颗粒物与在低海拔地区正常运行得到的颗粒物微观形貌特征大致相同。颗粒物大多数由基本碳粒子堆积而成,其中少数颗粒物夹杂着微量硫、氮等元素。颗粒物具有一些典型的微观形状,如云状颗粒物、海拔等高线颗粒物以及枝状颗粒物等。设计了分形维数、灰度值、灰度直方图3类处理排放颗粒物图像方法,并运用了Matlab和Python语言编程实现了对颗粒物图像的处理。处理得到分形维数在1.81~1.88之间,与低海拔试验得到的分形维数(1.58~1.80)相差较大;灰度值在93~196之间,其中5 nm图像灰度值范围在93~124之间、50 nm图像灰度值范围在100~146之间、100 nm图像灰度值范围在99~161之间、200 nm图像灰度值范围在136~158之间以及500 nm图像灰度值范围在180~196之间。经过对比分析发现,50 nm图像的灰度直方图出现的灰度值频率呈正态分布,其余倍数的图像灰度值频率分布混乱。

关键词： 无人驾驶   目标检测   知识图谱   多传感器融合   深度学习  

摘要： 随无人驾驶汽车智能等级不断提升,对目标检测精度的要求不断提高,有必要系统全面地梳理无人驾驶车辆目标检测领域的研究现状和前沿方向.本文利用知识图谱可视化软件Citespace在CNKI数据库中以“目标检测”&“车辆”为篇名进行文献检索分析,发现无人驾驶车辆目标检测研究热点主要聚焦于:基于人工智能辅助的智能车辆技术,基于深度学习算法的多元数据特征融合技术,基于点云数据目标检测图像深度补全技术,及基于深度学习算法的小目标检测技术.在分析研究热点的基础上通过“突现词”发现提升深度学习算法在复杂环境下低分辨率目标的适应性,及基于深度学习的自动驾驶技术数据轻量化、运算快速化和目标检索准确化是当前研究前沿问题.

关键词： 视频SAR   运动目标检测   深度学习   YOLOv5   阴影检测  

摘要： 视频合成孔径雷达图像中动目标阴影可反映其真实位置,针对目前利用深度学习检测阴影的方法来检测动目标存在检测概率低和虚警等问题,提出一种改进的YOLOv5模型。该算法以YOLOv5框架为基础,一方面添加小目标检测层、引入兼顾通道和空间的三维注意力机制,并调整损失函数计算方法为最小点距交并比方法,来提升网络对动目标阴影的感知能力;另一方面增加道路提取作为判定条件,来降低道路外侧静止物体阴影对检测动目标阴影的干扰。经实验验证,该算法与YOLOv5相比在平均精度上提高7.12%,满足动目标检测需求。

关键词： 机器视觉   二维码检测   图像处理   实验样机  

摘要： 设计了一套基于机器视觉的二维码检测教学实验系统。依次对该系统的总体方案、图像采集系统、运动控制系统、图像处理方法和人机交互界面进行了具体设计,进而制作了实验样机,并针对某包装印刷企业实际需求进行了二维码的检测实验。实验结果表明,所设计的系统最高二维码检测速度为7个/s,对错印、漏印和重码等缺陷问题的误检率≤0.05%,能够满足设计要求。该系统已应用于自动化专业的实践教学中,弥补了当前能够模拟真实工业场景的实践教学设备的不足。实践表明,所设计的系统可有效帮助学生提高机器视觉相关课程学习的系统性和连贯性,助力创新型自动化工程科技人才的培养。

关键词： 目标检测   模型压缩   特征融合   卷积神经网络  

摘要： 针对现有目标检测算法存在的问题,提出了一种基于融合差分卷积的目标实时检测定位方法。首先构建融合差分卷积的主干网络以增强特征提取能力;然后设计共享权重的特征融合模块和检测头以提高检测速度和精度;最后制定多阶段训练策略进一步提升精度。在受电弓检测数据集中的实验结果表明,在CPU硬件资源下,所提方法检测帧率可达149 frame/s,整体平均精度均值(mAP)可达81.20%,比FemtoDet算法分别提高了57 frame/s和6百分点。所提方法满足高速铁路现场中对触发定位任务的实时性和准确性的技术需求。

关键词： 通道先验卷积注意力   可变卷积   目标检测  

摘要： 针对道路周围拍摄图像中,远端目标比较小、检测难的问题,以YOLOv8为基础,提出了一种改进的小目标检测算法。首先,在特征提取网络中加入了通道先验卷积注意力模型,提高小目标特征提取能力;其次,在Neck层使用可变卷积代替卷积模块,提高目标识别能力。结果表明:在自建数据集上,该算法与原始YOLOv8算法相比,均值平均精度mAP@0.5提高了1.3%,mAP@0.5:0.95提高了0.9%。

关键词： 目标检测   YOLOX   唐卡   壁画   通道注意力  

摘要： 热贡唐卡壁画作为人类及国家级非物质文化遗产是藏族文化中独具特色的艺术形式,其画面不仅表现出了佛教本生故事,更体现了藏地的历史、地理、文化、科技等内容。然而,不具备热贡艺术专业知识的人们很难对其进行了解。因此提出了一种唐卡壁画元素的自动检测算法,用于推动唐卡壁画的传播。通过对YOLOX算法进行改进,提出了ECAMH-YOLOX模型对唐卡壁画图像进行检测。ECAMH-YOLOX模型是在YOLOX的基础上增加了高效通道注意力模块,在保持轻量化的同时获得更好的图像全局信息;同时为了更好地检测不同尺度的目标,在检测头模块增加了一个新的检测头,通过四个检测头对图像进行检测,以此来提高不同尺寸目标的检测结果;并使用SIoU损失函数计算回归损失以此来加快模型的收敛速度,提高模型效果。实验结果证明,ECAMH-YOLOX模型在所构建的唐卡壁画数据集上均不存在漏检错检的情况,而YOLOX算法存在对小目标的漏检现象,并且ECAMHYOLOX模型的mAP0.5:0.95达到了55.9%,比YOLOX算法提升了0.049。该模型在保持轻量化的同时,进一步提高了检测效果。也增加了人们了解热贡艺术的途径。

关键词： 探地雷达   土壤分层   正演模拟   图像处理  

摘要： 快速、准确地获取土壤分层信息是土体构型调查的重要内容。土壤分层状况在一定程度上决定了区域内的土地生产能力,是土壤质量评价的重要依据。相比于传统的土壤剖面调查方式,探地雷达(Ground Penetrating Radar,GPR)以其无损、连续、尺度大等优点在土壤分层研究中展现出巨大的应用潜力。但受限于自然土壤的不均匀性与数据处理技术的复杂性,国内外基于探地雷达的土壤分层识别研究尚处于初级阶段,对于大尺度田块的探测仍有很大的局限性。本文介绍了探地雷达各种探测方法的优势与不足,评述了构建数字与物理模型在土壤层次探测中的应用,以及探测过程中影响探测精度的主要因素,如季节变化、土壤压实、水盐含量、土壤质地等,并提出了存在的问题和研究展望:在实地探测中,应与传统探测方式及其他技术相结合,加强探地雷达获取土壤分层信息适宜性条件研究,简化探地雷达数据分析方法。

关键词： RGB-IR融合目标检测   小目标检测   YOLOv5   模型轻量化   注意力机制  

摘要： 针对RGB-IR图像中的目标检测问题,文章提出一种基于YOLOv5的轻量化RGB-IR融合小目标检测算法。该算法首先使用单应性变换对齐RGB与IR图像,并拼接为四通道张量输入检测网络,以实现联合特征提取。其次,使用SE注意力机制分配特征通道权重,以实现特征级融合,减少特征矛盾并提高检测的鲁棒性,并进一步改进网络连接,使用浅层特征以增强小目标检测准确性。最后,使用Ghost卷积替代传统卷积,以降低计算量与参数量。实验结果表明,该融合检测算法在小目标数据集上验证改进结果明显,并实现嵌入式部署验证,在2TOPS算力NPU上实现30fps帧率的实时检测。

关键词： YOLOv8   水下目标检测   大可分离核注意力机制   轻量化   多尺度特征融合  

摘要： 针对复杂水下环境导致水下目标检测时出现误检、漏检以及检测效率低等问题,提出了一种改进YOLOv8模型的轻量化水下目标检测算法。首先,为了改善颈部网络特征融合不足的问题,将YOLOv8的颈部网络融合(Bidirectional Feature Pyramid Network,BiFPN)双向特征金字塔结构,提高小目标层的检测效果;其次,针对网络中卷积模块参数量大和计算复杂度高的问题,设计了一种自适应注意力下采样(Adaptive-Attention Down-Sampling,AADS)模块,将主干网络中的卷积模块替换为AADS模块,降低模型参数量和计算量;最后,引入大可分离核注意力机制(Large Separable Kernel Attention,LSKA),强化特征提取能力,使模型能够更精确地关注重要信息,提高目标检测精度。将改进的网络在水下目标检测数据集中进行实验,改进后的算法与YOLOv8相比,平均检测精度提升了1.4%,模型计算复杂度降低了15.9%,模型参数量减少了43.3%,使检测精度和检测速度之间达到了很好的平衡。