关键词： 目标检测   深度学习   YOLOv5   BiFPN   EIoU   鸟类检测  

摘要： 针对近年来鸟撞事件对航空安全造成的影响,为驱鸟系统提供了可实时检测鸟类并准确分辨品种的算法—一种基于YOLOv5的鸟类目标检测算法YOLO-birds。该方法将Neck层中的PANet融合网络替换为BiFPN,实现更简单、快速的多尺度特征融合。引入了EIoU边界框回归损失函数,在CIoU的基础上分别计算宽高的差值替代纵横比,并引入Focal Loss解决难易样本不平衡问题,提高了收敛速度和回归精度。实验结果表明:在修改后的CUB_200数据集中,该算法的精确率达85.12%,比原模型提高了7.30个百分点,mAP_0.5达87.97%,比原算法提高了7.02个百分点。该改进方法在检测速度变化不大的同时可以达到更佳的检测精度,对鸟类检测的整体识别率大幅提高。

关键词： YOLOv5算法   危险区域   多目标检测   单目视觉   Qt技术  

摘要： 为提高危险区域多目标检测的效率和准确性,以YOLOv5算法为基础,深入分析算法原理和优化策略,使用Qt研发基于单目视觉与目标检测算法YOLOv5的危险区域多目标检测系统,实现了在危险区域中多目标的高效检测。研究中通过改进模型架构和模型剪枝、量化,对算法YOLOv5进行了优化,以适应危险区域多目标检测对速度和效率的需求。优化后的算法有显著的性能提升,平均精度达到97.3%,速度提升近10%,为危险区域多目标检测应用提供了有力的技术支持。

关键词： 哈密瓜   叶绿素   RGB图像   图像识别   回归预测  

摘要： 为提高植物叶绿素检测设备的普遍性和实用性,通过研究手机和单片机拍摄的RGB图像与植物叶片叶绿素含量有无拟合关系,以图像处理的方式进行叶绿素预测的相关试验,为将来基于深度学习的植物叶绿素动态无损检测提供试验依据。通过OpenCV对图像提取感兴趣区域(RoI),并进行均值滤波、高斯滤波和中值滤波,对原图和三种滤波后的图像进行三通道颜色特征分离,利用最小二乘法(LS)将颜色特征参数的多种组合与叶绿素实测值进行拟合分析,发现4种图像中均值滤波的拟合效果都普遍较好。在均值滤波中,手机K40拍摄的图像存在(B-G-R)/(B+G)特征组合与叶片叶绿素拟合决定系数为0.912。单片机ESP32_CAM拍摄的图像存在(G-B)B/(R+G)特征组合与叶片叶绿素拟合决定系数为0.778。运用梯度运算将均值滤波的RoI进行迭代处理,发现K40的决定系数略微下降,ESP32_CAM的决定系数出现好转。通过对K40与ESP32_CAM进行预测模型验证,两者都表现为随机森林(RF)回归模型的性能最好,在K40中训练集决定系数为0.953、训练集均方根误差为1.161,预测集决定系数为0.930、预测集均方根误差为1.516,在ESP32_CAM中训练集决定系数为0.794、训练集均方根误差为2.510,预测集决定系数为0.695、预测集均方根误差为2.985。

关键词： APM轨道   检测系统   图像处理   病害检测  

摘要： 针对目前缺少APM轨道病害自动化检测装备的情况,研发了一种APM轨道病害检测系统。系统运用图像处理技术、高精度激光传感器和避障设备等可在不影响线路正常运行的情况下,实现对APM轨道各类病害检测项目的针对性检测。与现有人工检测相比,检测效率更高,检测精度更高。APM轨道病害检测系统已在上海APM浦江线上完成轨道全线检测,实践验证了该系统的高效性和准确性。

关键词： 太阳电池   深度学习   卷积神经网络   图像处理   缺陷识别  

摘要： 针对太阳电池EL图像,提出一种高识别率的轻量化M-CNN网络模型。首先,该网络模型将拼接的多特征图融合通道注意力机制;然后,引入Ghost卷积层降低模型参数;最后,利用普通卷积层取代最大池化层进行特征空间降维。实验结果表明:在自建裂痕、阴影、微小瑕疵、无缺陷图像数据库共15767片上,M-CNN对粗糙分类检测准确率和瑕疵分类检测准确率分别是99.83%和93.38%,模型参数量是1.29 MB。相较先进的MobileNetV3、DeepVit和MobileVit等网络,M-CNN有缺陷识别率高和模型参数量低的优势。

关键词： 医学图像分割   U型卷积网络   深度学习   乳腺疾病   图像处理  

摘要： U-Net及其变体模型在乳腺医学图像分割领域展现了卓越的性能,U-Net采用全卷积网络(FCN)结构进行语义分割,U-Net对称结构的高度灵活性和适应性可以通过调整网络深度、引入新的模块来适应不同的图像分割任务和挑战,这种创新结构对后续网络设计产生了深远影响。深入探讨了基于U型卷积网络在乳腺医学图像分割中的应用,并对近年来用于乳腺医学图像分割的U型卷积网络进行了分类与归纳。针对U-Net网络结构改进的乳腺医学图像分割技术进行了如下总结。阐述了目前广泛使用的乳腺医学图像数据集及评价指标,陈述了常用的数据增强方法;详细介绍了U-Net模型的网络结构以及用于乳腺医学图像的传统分割方法;对用于乳腺医学图像分割方法的U型网络结构按照残差结构、多尺度特征、膨胀机制、注意力机制、跳跃连接机制、结合Transformer等方面改进进行归纳总结。讨论了当下乳腺医学图像分割所遇到的问题与挑战,对未来的研究走向做出了展望。

关键词： 杂波   慢速目标检测   变初相   现场可编程门阵列  

摘要： 针对火控雷达在近区强杂波背景下慢速目标的检测问题,提出了一种适用于双极化火控雷达的慢速目标检测方法。该方法采用脉内分时变极化收发的设计,利用极化正交抑制近区杂波对接收动态的影响,同时,给出基于脉内变初相拉偏目标多普勒的闭式解及现场可编程门阵列(FPGA)实现,所提方法能够可靠地实现强杂波背景下慢速目标的检测,工程实现性高。最后,通过仿真验证所提方法的有效性。

关键词： 高阶累积量   相关性   融合检测   传感器阵列  

摘要： 针对传统决策级判决检测方法虚警率高、信息浪费的问题,提出一种远场环境下可有效消除噪声影响的基于高阶累积量矩阵相关性目标检测方法:通过在传感器节点端设定一个发送数据的触发门限,预先对参与融合检测的传感器节点个数进行约束,融合中心在收到节点发送的数据后,计算信号的四阶累积量构建累积量矩阵,并构建相关性统计量作为融合检测的判决统计量;利用临近节点信号累积量矩阵列向量之间的相关性,结合判决统计量得到在恒虚警概率下的检测门限,判断目标是否存在,实现对目标的融合检测.仿真发现其在不同噪声环境下能有效检测出目标,且检测性能优于现有检测方法.

关键词： 目标检测   现场可编程门阵列加速   卷积算子优化   剪枝   量化   特制加速器  

摘要： 针对目标检测算法受限于越来越严苛的硬件算力与存储,导致在小型化设备上的部署存在巨大困难,本文提出一种基于现场可编程门阵列(FPGA)的深度学习模型专用加速器方案来实现目标检测的边缘部署。通过优化原始模型的卷积算子并进行剪枝和量化,使参数量减少52%。移植在MLK-F20-CM02-3EG开发板上的实验表明,特制化的加速器理论算力峰值达到407 GOPS,实际算力达328 GOPS,数字信号处理器(DSP)使用率为64%,在边缘设备上的功耗相比图形处理器大型平台降低了98%。

关键词： 人脸检测   损失函数   目标检测   密集小尺度人脸   YOLOv5  

摘要： 针对人脸检测中小尺度人脸和遮挡人脸的漏检问题,提出了一种基于改进YOLOv5s-face(you only look once version 5 small-face)的Face5系列人脸检测算法Face5S(face5 small)和Face5M(face5 medium)。使用马赛克(mosaic)和图像混合(mixup)数据增强方法,提升算法在复杂场景下检测人脸的泛化性和稳定性;通过改进C3的网络结构和引入可变形卷积(DCNv2)降低算法的参数量,提高算法提取特征的灵活性;通过引入特征的内容感知重组上采样算子(CARAFE),提高多尺度人脸的检测性能;引入损失函数WIoUV3(wise intersection over union version 3),提升算法的小尺度人脸检测性能。实验结果表明,在WIDER FACE验证集上,相较于YOLOv5s-face算法,Face5S算法的平均mAP@0.5提升了1.03%;相较于先进的人脸检测算法ASFD-D3(automatic and scalable face detector-D3)和TinaFace,Face5M算法的平均mAP@0.5分别提升了1.07%和2.11%,提出的Face5系列算法能够有效提升算法对小尺度和部分遮挡人脸的检测性能,同时具有实时性。