关键词： 深度学习   太阳电池   缺陷   卷积神经网络   目标检测   图像处理  

摘要： 针对太阳电池表面缺陷问题,在深度学习模型YOLOv5的基础上进行优化与改进。首先,为充分利用深层、浅层和原始的特征信息,加强特征融合,设计具有跨连接结构的特征金字塔网络(ScFPN)。其次,为加强多重感受野融合,基于SPPF构建SPPFCSPC模块,通过最大池化层获得不同感受野,提升算法对于不同尺度太阳电池缺陷检测的鲁棒性。最后,采用ASDIoU作为边界框损失函数,提升边框回归的速度与精度。实验结果表明,改进后的YOLOv5模型mAP@(0.50~0.95)达到83.1%,相比于YOLOv5模型,平均精度提高3.3个百分点,表明该文模型更加适合于太阳电池表面缺陷检测。

关键词： 弱小目标   目标检测   SAR图像   散射信息   目标特性  

摘要： 随着合成孔径雷达(SAR)技术的不断进步,大范围观测和高分辨率成像使得SAR图像中包含了大量特征微弱的小尺寸目标,通常涵盖飞机、车辆、油罐、船舶等高价值民用目标和关键军事目标,这类目标尺寸较小、特征微弱、稠密相连、形态多变,对它们进行精确的检测是当前SAR图像解译的难题.随着深度学习技术的发展,研究者们针对SAR弱小目标的成像特性和检测挑战,通过对深度学习网络的精细调整和优化,成功地推动了本领域的进步.本文将全面回顾基于深度学习的SAR图像弱小目标检测,以数据集和方法为研究对象,深入分析SAR弱小目标检测任务所面临的主要挑战,总结最新检测方法的特点和应用场景,并汇总整理了公开数据集与常用性能评估指标.最后,总结本任务的应用现状,并对未来的发展趋势进行展望.

关键词： 嵌入式芯片   目标检测   人工智能   PyQt5   RK3568  

摘要： 当今,芯片国产替代在破解“卡脖子”问题时面临严峻的挑战,需要研究转型过程中如何用好国产芯片,发挥其应有的功能和作用。本文选用瑞芯微RK3568国产芯片进行开发研究,分析基于其KubeSphere容器化管理边缘目标检测智能终端的设计与实现方法、百度飞桨PaddlePaddle AI框架部署与应用、PyQt5图形化UI设计与实现方法等,为进一步推进芯片国产替代进程,完善广播电视产品数字化升级端到端全产业链高质量发展提供参考。

关键词： 3D点云   数据增强   目标检测  

摘要： 基于深度学习的3D点云目标检测技术在自动驾驶、智慧工业等领域快速发展的过程中起到了关键性及支撑性作用。然而,由于3D点云覆盖空间广阔、数据稀疏的特点,为了实现更高精度的目标检测,需要对原始点云数据进行数据增强操作。目前,针对2D图像数据增强方法的研究较为广泛,但是面向3D点云数据的增强方法研究仍处于早期阶段。因此,本文旨在针对3D目标检测数据增强方法研究进展进行综述,首先介绍了3D目标检测的基本技术和流程,然后介绍并分析了面向3D目标检测任务的数据增强方法,具体分为三个类别,包括基于2D图像衍化而来的3D点云数据增强方法、针对3D点云设计的增强方法以及混合与创新型数据增强方法。最后讨论了该领域存在的挑战以及未来的发展方向,为未来该领域的研究人员提供参考。

关键词： 小目标检测   遥感图像   YOLOX   可形变卷积  

摘要： 遥感目标检测在环境监测、电路巡检等领域具有重要意义。然而,遥感图像中存在目标尺度差异大、小目标数量较多、类间相似性与类内多样性较高等难题,导致检测检测精度较低。为了解决上述问题,提出了一种基于YOLOX-Tiny的遥感目标检测模型。首先通过改进多尺度特征融合网络以充分利用浅层细节信息和深层语义信息,提高对小目标的检测能力;其次在预测端引入可形变卷积,提高模型对不同尺度、形状目标的鲁棒性;最后采用SIoU损失函数以让预测框向正确的方向移动,进一步提高模型的定位精度。在遥感数据集DIOR和RSOD进行实验,实验结果表明:在不增加参数量的情况下,改进后的模型分别取得了73.68%和97.12%的检测精度,与其他一些先进模型相比,具有较高的精确度,对重叠目标识别率高,且具有良好的实时性。

关键词： 目标检测   深度学习   YOLOv5s   神经网络  

摘要： 目标检测是计算机视觉的一个重要方面,在准确性和鲁棒性方面取得了重大进展。尽管取得了这些进步,但实际应用仍然面临着显著的挑战,主要是小物体的检测不准确或漏检。此外,检测模型的大量参数计数和计算需求阻碍了它们在资源有限的设备上的部署。本文提出了一种基于YOLOv5的高级目标检测模型YOLO-QCK。我们首先在颈部网络金字塔结构中引入一个额外的小物体检测层,从而产生一个更大尺度的特征图,以识别小物体的更精细的特征。此外,我们将C3CrossCovn模块集成到骨干网中。该模块采用滑动窗口特征提取,有效地减少了计算量和参数数量,使模型更加紧凑。与基线YOLOv5s模型相比,我们新开发的模型YOLO-QCK在MS COCO验证数据集上显示出相当大的改进,mAP@0.5增加了4.6%,mAP@0.5:0.95增加了4%,同时保持模型尺寸紧凑,参数为9.49 M。结果验证了YOLO-QCK模型在小目标检测中的高效性能,以较少的参数和计算量实现了高精度。

关键词： 色彩分割   高斯混合模型   聚类算法   形态学  

摘要： 端子压接截面质量对新能源汽车的使用安全有着巨大的影响,因此提高端子压接截面质量的分析水平显得尤为重要。由于端子和线芯材料多为铜,在端子压接截面上很难从颜色上将两者分开,因而鲜少将图像工程技术应用到端子压接截面质量分析中。对此,利用图像处理技术,提出了一个基于分割的端子压接截面质量分析方法,首先通过色彩空间和高斯混合模型(GMM)分割开端子压接截面图像的前景和背景,然后通过多次金字塔聚类算法分割线芯区域和端子区域,最后通过形态学运算对线芯内的细铜线进行定位和分析。该方法解决了颜色和纹理相近的端子和线芯难以分割的问题,并实现了对线芯中细铜线的准确定位。

关键词： 遥感图像   目标检测   Deformable Transformer   任务学习模块   自适应检测头   L1-IoU loss  

摘要： 针对光学遥感图像目标精准定位困难、分类和定位特征容易存在冲突等问题,提出了一种基于Deformable Transformer和自适应检测头的遥感图像目标检测方法。首先,设计基于特征融合和Deformable Transformer的特征提取网络,其中特征融合模块能丰富卷积神经网络浅层特征的语义信息,Deformable Transformer能对远距离特征建立依赖,可以有效实现对全局语义信息的捕获,提升特征表达能力。其次,构建基于任务学习模块的自适应检测头,在检测头中强化任务感知,能够自动学习与调整分类和定位任务的特征表示,缓解特征冲突。最后,将L1-IoU loss作为定位损失函数,在训练过程中能使模型更准确地衡量候选框与真实框之间的定位误差,从而提高目标定位的准确性。在高分辨率遥感数据集NWPU VHR-10和RSOD上对该方法进行有效性评估,结果显示,与其他方法相比,所提方法具有较为明显的提升效果。

关键词： 深度学习   电子信息   图像处理   分析  

摘要： 随着大数据和互联网的兴起,传统的图像处理和分析方法已经无法满足现实需求,因此,提出了一种基于深度学习的电子信息图像处理与分析方法。首先,通过调研已有的电子信息图像处理与分析方法,分析其优缺点和应用范围。其次,分析了深度学习的基本原理和相关算法,并说明它们在图像处理和分析中的应用。再次,设计了一种基于深度学习的电子信息图像处理和分析系统。该系统可以对输入的电子信息图像进行预处理、特征提取、目标识别和信息分析,从而实现对电子信息图像的全面处理和分析。最后,通过实验验证了提出的方法的有效性。结果表明,提出的方法相比传统方法具有更高的准确率和更快的处理速度,可以广泛应用于电子信息图像处理和分析领域。

关键词： 农业机器人   农田障碍物检测   改进YOLOv5   图像处理   机器视觉  

摘要： 为实现田间复杂环境下农业机器人自主导航作业过程中障碍物快速检测,提出一种基于改进YOLOv5的田间复杂环境下障碍物检测方法。建立包含农业机械、人、羊三类目标障碍物共计6766张图片的农田障碍物数据集;通过k-means聚类算法生成最佳先验锚框尺寸;引入CBAM卷积块注意力模块,抑制目标障碍物周围复杂环境的干扰,增强目标显著度;增加一个检测头,跨层级连接主干特征,增强多尺度特征表达能力,缓解标注对象尺度方差带来的负面影响;使用Ghost卷积替换Neck层中普通卷积,减少模型参数,降低模型复杂度。改进后的模型比YOLOv5s基准模型检测精度提高2.3%,召回率提高3.1%,精确率提高1.9%,参数量降低7%左右,为无人农业机械自主作业过程中导航避障的研究提供技术参考。