关键词： 目标检测   YOLOv7   路面病害   损失函数   WIoUv3   注意力机制  

摘要： 针对公路路面病害图像存在光影变化大、背景干扰多、尺度差异大等问题,提出基于改进YOLOv7的路面病害检测算法。首先,对YOLOv7网络模型中的ELAN模块进行了优化,通过通道和空间注意力机制优化信息提取,增强网络对重要特征的提取能力;接着,使用ACmix注意力模块提高网络对小目标的关注度,有效解决原网络模型对小目标的漏检问题;其次,采用大下采样比率的卷积输出,提高对小目标的检测精度;最后,引入WIoUv3替换原网络模型中的CIoU来优化损失函数,构造梯度增益的计算方法来附加聚焦机制。实验结果表明:改进后的YOLOv7模型平均精度均值(mAP)与原模型相比提升了4.5%,检测效果优于原网络模型与传统经典目标检测网络模型。

关键词： 深度学习   目标检测   高效聚合特征增强网络   注意力机制   合成孔径雷达船舰检测  

摘要： 合成孔径雷达(SAR)由于散射效应以及波长和天线尺寸的分辨率限制,难以获取小尺寸目标的细节和边界信息,因此,检测准确性不高。为了提高SAR船舰检测的准确率以及降低误检率,提出了一种基于高效聚合特征增强网络的SAR船舰检测方法。首先,在主干网络中采用空间通道注意力机制,构建出高效层卷积块作为主要的特征提取模块,以增强模型的特征获取性能,提高模型对船舰目标的识别能力;其次,特征融合部分采用Inception NeXt模块来提高算法效率;最后,在主干网络以及特征提取部分之间构建出一种全局增强特征金字塔分支结构,进一步融合全局特征,避免传输过程中的低维度特征损失,以提升网络的特征融合能力,使其即使对于复杂背景下的小目标仍然能展现出可靠的检测能力。为了证明所提网络的有效性,在SSDD数据集上作了对比实验,实验结果表明,相较于YOLOv7,所提网络的准确率提升了2.5个百分点,召回率提升了9.2个百分点,交并比(IoU)阈值为0.5时的平均精度提升了6.4个百分点,IoU为0.5∶0.95时的平均精度提升了9.9个百分点。实验结果证明,所提网络在提升SAR船舰检测精度、改善误检漏检等方面有显著优势,可作为高精度的检测方法来有效应对SAR船舰检测中存在的问题。

关键词： 遥感图像   目标检测   特征金字塔   特征递归   稠密连接  

摘要： 针对遥感目标检测中,目标尺寸较小、相似地物易混淆和背景复杂干扰大等问题,提出了一种基于稠密连接递归特征金字塔的遥感目标检测算法。首先,为充分利用遥感图像特征对特征融合模式进行了改进,利用典型相关分析CCA(Canonical Correlation Analysis),取代较为简单的逐像素相加融合模式,增强特征融合有效性;其次,为加强对小尺度目标的特征提取加入多感受野机制,利用不同尺寸的空洞卷积提取并融合不同感受野的特征,增强网络感知力;接着,为解决遥感多尺度目标泛化问题对特征递归形式进行改进,引入稠密连接结构,增强特征融合密度,充分利用骨干网络与高低层特征信息;最后,在前文基础上构建稠密连接递归特征金字塔模型DR-FPN(Densely-connected Recursive Feature Pyramid Network),并利用融合信息实现对遥感目标的精准定位。实验结果表明,在通用数据集MS-COCO2017上,使用本文金字塔模型平均精度可以提升9.9%;在遥感数据集NWPU VHR上,使用本文算法平均精度可以提升1.1%;在遥感数据集DIOR上,使用本文算法平均精度可以提升2.2%,超过其他特征金字塔模型和检测算法;在大规模遥感数据集DOTA上,使用本文算法平均精度可以提升1.8%,超过其他特征金字塔模型和检测算法,实现了对遥感目标的高精度检测。

关键词： 计算机视觉   图像处理   酿酒酵母   单细胞分析   微流控芯片  

摘要： 酿酒酵母作为经典的模式细胞,常被用于衰老研究。高通量微流控芯片作为酵母细胞增殖衰老过程长期监测分析平台,通常需面对大量图像数据处理问题。为了解决酵母单细胞形态参数提取图像处理算法中计算体量大、数据容错低的问题,提出了一种基于计算机视觉的优化算法,通过Canny边缘检测、Hough变换、形态学运算和线性插值等步骤,针对微捕获单元中酵母细胞轮廓提取误差和处理效率进行了优化。利用所提算法实现了高精度自动化酵母细胞体积参数提取和生长速率分析,探究了细胞复制衰老过程中体积的动态变化及其与复制寿命的相关性。

关键词： 深度学习   缺陷检测   YOLOv7模型   Canny算法   Swin Transformer  

摘要： 针对当前军工工业产品缺陷检测能力不足的问题,以生产中普遍存在的小目标缺陷检测为切入点,提出了一种基于Canny-YOLOv7算法的融合增强模型。该模型主要通过Canny边缘检测算法识别图像中的潜在缺陷区域并对缺陷区域特征进行增强,在此基础上对YOLOv7模型进行针对性改进以提升泛化能力。首先,为增强模型对于细微缺陷特征的提取能力,使用Swin Transformer (STR)模块替换原始主干网络中的ELAN模块。其次,采用SIOU损失函数使得改进模型能快速学习到准确的目标定位。最后,采用LeakyReLU激活函数减少函数计算开销,进一步提升模型检测速度。实验结果表明,在相同数据集下,提出的增强模型平均检测精度达到97.5%,相较于原始YOLOv7模型提升了4.6%,检测速度(FPS)为52.45,满足实时检测需求。

关键词： 目标检测   目标跟踪   反无人机系统   高能激光武器   打击策略   激光控制  

摘要： 在激光打击无人机过程中,主要依靠激光在目标飞控区域灼烧击穿目标外壳击中飞控区域致其坠落,能否精确打击目标飞控区是击落目标的关键,但长时间激光打击产生的火焰、烟雾会导致基于图像的目标检测与跟踪受到严重干扰,导致激光无法精确锁定无人机飞控区域,严重影响了实战击落概率。设计了一种打击方法,采用YOLO算法对目标图像进行检测,用检测结果控制激光出光时序并进行二次跟踪。实验表明所用打击方法能够将稳定度提高59%以上,跟踪策略的改良有效提高了击落无人机的能力。

关键词： 深度学习   合成孔径雷达   目标检测   注意力机制   有向框  

摘要： 基于深度学习的方法逐渐在合成孔径雷达(synthetic aperture radar,SAR)图像目标检测任务中得到运用。SAR图像目标远距离、大视场成像条件下造成小目标特征提取困难,同时军事领域需要获取高精度的SAR图像目标尺寸信息。为解决上述问题,提出了基于YOLOv5的改进SAR图像目标检测算法。首先针对复杂场景下小目标与近岸目标的漏检与虚警问题,引入注意力机制并探究不同注意力模块对SAR图像目标检测效果的影响。其次针对SAR图像目标密集排列特性,建立基于有向框的目标检测算法,实现目标的旋转角度预测。最后在SAR舰船检测数据集(SAR ship detection dataset,SSDD)上开展对比实验,结果表明,注意力模块的嵌入能够有效提升2.5%的检测精度,相比常规水平检测框,有向框对偏斜程度高和排列密集的目标具有更强的检测能力。

关键词： 深度学习   林火   图像识别   目标检测   SSD算法  

摘要： 【目的】林火的发生不仅会对森林生态环境造成严重的破坏,影响生态系统功能,还会给人类造成一定危害和损失。基于深度学习对森林火灾图像进行识别,旨在更高效精准地对森林火灾发生初期的图像进行识别并预警,从而降低森林火灾对森林生态系统和人类社会产生的危害。【方法】借助SSD算法目标检测算法在TensorFlow上的实现,根据林火特征对其网络结构进行适当优化,提出一种可以识别森林火灾图像中火焰特征的模型方法。首先对获取的图像进行归一化处理,然后使用Imgaug图像数据增强库对林火图像进行数据增强以构建林火数据集,搭建深度学习运行环境并设定超参数。通过对测试集中的数据进行测试获取模型对图像中林火特征的识别效果,并利用Loss曲线、P-R曲线的可视化对模型进行评估,最后得到模型对于林火的识别精度。【结果】随着迭代次数的增加,损失值由训练初期的35.31逐渐下降,训练至20000步时损失值稳定在7.10左右,此时模型的识别精度达到较高水平,对测试数据中林火特征的识别置信度达到0.9以上。基于FLAME公开数据集中的林火图像搭建测试集,经过测试评估本模型对林火特征的mAP可以达到97.40%,漏检率为0.03,对测试图片的平均检测时间仅为0.07 s,对比Faster R-CNN模型在同等数据集上的实现,SSD可以获得更为理想的检测速度。【结论】提出的针对林火特征识别的SSD算法能兼顾检测速度和检测精度,对林火早期的图像能够快速识别并拥有较低的漏检率,有助于林区工作人员对火灾及时做出处理,从而为森林火灾早期预防提供技术参考。

关键词： 图像处理   光学相干层析技术   光学透明剂   超声波促渗  

摘要： 皮肤是光学成像诊断的主要靶器官之一,但皮肤组织的高散射特性限制了光学相干层析成像技术(OCT)的成像深度和扫描精度。利用高频超声结合光学透明剂对离体皮肤组织进行实时处理,协同光学透明剂进入生物组织。实验对比两种处理模式下的离体皮肤的OCT的相关参数的变化。PVP粘性改良80%PEG-400/PEG-200结合频率为1 MHz、功率1 W/cm2的高频超声处理离体皮肤组织后,真皮层散射系数在60分钟内降低0.27,与对照组相比,同比增加了3.3倍。证明高频超声能够有效改善OCAs的皮肤组织光学清除效率,提升OCT光学成像效果。

关键词： 目标检测   列车风管   折角塞门   多尺度特征   自适应空间特征融合  

摘要： 针对小尺寸列车风管与折角塞门的检测问题,提出一种多尺度特征增强的YOLOv5s检测算法。首先在主干网络Backbone增加了一个大尺寸特征图输出分支,使用C2f(CSP bottleneck with 2 convolution and forward)模块丰富新增特征图的梯度流信息;然后在Neck部分使用自适应空间特征融合增强特征金字塔模型FPN (Feature Pyramid Network)的多尺度特征融合能力,并使用路径聚合模型PAN(Path Aggregation Network)提高目标定位能力;检测头Head拥有4种尺度的特征图,其中新增特征图的尺寸最大,用于增强小尺寸目标的检测能力。实验结果表明,多尺度特征增强的YOLOv5s比原来的YOLOv5s在平均精度mAP(mean Average Precision)上提升了1.5%,优于其他检测器,提升了小尺寸风管和折角塞门的检测能力。