关键词： 小波变换   图像处理   沙厂铁矿区   特征提取   北京密云  

摘要： 沙厂铁矿区位属华北地台北缘中段、燕山台褶带西段。区域变质岩类型复杂,主要岩石构造具有典型的规律排列纹理特征。本文针对研究区采集的典型岩石样本图像应用MATLAB仿真平台进行研究,通过灰度化处理、滤波去噪及图像增强预处理方法有效提高了图像的信噪比,提升了后续特征提取的准确性。利用小波变换将图像进行三级分解,分析“条带状”构造岩石特征、横向边界岩石特征、“片麻状”构造岩石特征在小波子带图中的纹理局部细节特征,研究了各分解子带图中均值、均值占比、方差和方差占比特征参数的分布规律,准确表征了磁铁石英岩、含铜石英脉、角闪斜长片麻岩断面图像的有效特征。研究成果可为今后建设区域岩石识别系统提供一定的参考。

关键词： MeanShift   DSP   FPGA   目标跟踪  

摘要： 为了准确地检测和定位图像中的目标,并在连续帧之间实现目标的持续跟踪,该文提出了一种基于数字信号处理(DSP)的图像目标跟踪算法的设计与实现。目标跟踪是计算机视觉领域中的重要任务之一,该文深入研究了图像目标跟踪技术,研究了MeanShift算法的理论和实现过程,以及用MeanShift算法进行目标跟踪的流程,根据设计方案的需求选择了DSP与FPGA相结合的总体架构,将目标跟踪算法与嵌入式硬件平台相结合。该文采用“先识别、后跟踪”的方式实现了图像的目标跟踪。通过实验证明,基于DSP的图像目标跟踪算法在实时性、准确性和稳定性方面都取得了较好的效果。

关键词： 目标检测   多模态融合   驾驶场景   融合图像  

摘要： 目标检测是自动驾驶中重要的组成部分。为解决在弱光条件下单一的可见光图像不能满足实际驾驶场景检测的需求并进一步提高检测精度,提出一种用于红外和可见光融合图像的交通场景检测网络,简称AM-YOLOv5。AM-YOLOv5中改进的Repvgg结构可以提升对融合图像特征的学习能力。此外,在主干网络末端引入自注意力机制并提出一种新的空间金字塔模块(SimSPPFCSPC)充分获取信息;为提升网络推理速度,在颈部网络的前端使用一种全新的卷积(GS卷积)。实验结果表明,AM-YOLOv5在FLIR数据集融合图像上的mAP_(0.5)达到了69.35%,与原YOLOv5s相比,在没有牺牲推理速度的前提下,检测精度提升了1.66%。

关键词： 变电站   异物入侵   目标检测   注意力机制  

摘要： 针对变电站入侵异物尺度差异大和模型复杂的问题,提出了一种基于多尺度线性注意力机制与YOLOv5融合的变电站异物入侵检测算法。首先,采用轻量级多尺度线性注意力模型(Efficient ViT)作为主干网络,提升模型多尺度学习能力。其次,将颈部网络三卷积跨阶段局部瓶颈模块(C3)中的瓶颈层替换为轻量级的幻影卷积瓶颈层,降低模型的复杂度。最后,设计了三重增强注意力机制(TEA),并将其融入颈部网络C3模块中,通过各维度之间的交互和增大的感受野,有效地融合特征信息,提高检测精度。实验结果显示,与原模型相比,改进模型平均精度均值提高了1.4%,浮点运算次数降低了23.9%,提高异物检测精度的同时降低了模型复杂度,有利于实际中的应用。

关键词： 损失函数   YOLOv4   注意力机制   目标检测   轻量化网络  

摘要： 针对检测模型参数量大,难以在嵌入式设备上部署等问题,设计了一种改进的YOLOv4目标检测算法.该算法使用轻量化的MobileNetV1替换CSPDarketnet53主干特征提取网络,并将后续网络中的3×3卷积替换为深度可分离卷积,极大地减少了模型的参数量;在检测头加入NAM注意力模块,增强网络对细节信息的提取能力;采用SDIoU Loss作为边框回归损失,在加快收敛速度的同时提高了检测精度.实验表明:与YOLOv4-CSPDarknet53相比,改进算法在PASCAL VOC07+12数据集上训练出来的模型大小为47.19 M,约为原来的五分之一,FPS提升了40(f/s),mAP提升了2.4%.与YOLOv4-Tiny、YOLOv5s、YOLOv7等目标检测算法相比,具有兼顾检测速度与精度的特点.

关键词： 图像处理   GhostConv卷积模块   双向特征金字塔网络   卷积块注意力模块   Soft双向特征金字塔网络   轻量化模型   小目标检测   VisDrone数据集  

摘要： 为了解决无人机航拍图像小目标检测算法检测速度与精度无法兼顾的问题,在Yolov5的基础上,提出了针对于无人机图像小目标检测的Yolov5_GBCS算法。在新的算法中,添加一个额外的检测头,以便增强对小目标的特征融合效果;在主干网络中分别采用GhostConv卷积模块、GhostBottleneckC3模块替换部分Conv模块和C3模块用以提取丰富特征和冗余特征以提高模型效率;引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)结构,用以提高对小目标的检测精度;在主干网络和颈部网络中引入轻量化的卷积块注意力模块(convolutional block attention module,CBAM),关注重要特征并抑制不必要的特征,增强小目标特征表达能力;使用Soft-NMS算法来替换NMS,因此降低了小目标在密集场景下的漏检率。通过在VisDrone2019数据集上的实验结果表明,集成了所有改进的方法后的Yolov5_GBCS算法,不仅提高了检测精度,而且有效地提高了检测速度,模型的mAP从38.5%提高到43.2%,检测速度也从53 f/s提高到59 f/s。Yolov5_GBCS算法可以有效地实现无人机航拍图像中小目标识别。

关键词： 无人机   目标检测   YOLOv3   BiFPN  

摘要： 无人机航拍图像中的物体通常很小,边界模糊,加上复杂的背景和不断变化的照明条件,所以YOLOv3算法的检测精度相对较低.因此,构造四级BiFPN,既可以对融合的输出特征作出平等的贡献,又可以使得Neck部分变为FPN+PAnet结构,同时充分利用底层与高层特征融合信息,以提高特征提取和目标检测性能.添加更小的检测层,可以使得模型拥有四个先验框,有更高的概率出现对于目标物体有良好匹配度的先验框,使得模型更容易学习.实验结果表明,提出的无人机图像目标检测模型(YOLOv3_Drone)在VisDrone-2019的mAP比YOLOv3算法提高了3.83%,证明了该方法的有效性.

关键词： 编队目标   新生目标相关参数未知   ET-GM-PHD滤波   相关性  

摘要： 为了解决多个编队在新生目标参数不明确背景下的目标跟踪问题,提出了一种新生目标相关参数未知的编队目标跟踪算法,它可以有效地提高跟踪性能,从而更好地满足需求。通过采用高斯混合概率假设密度(ET-GM-PHD)滤波框架,对PHD参数进行预测,进而分析各个高斯分量之间的相关性,从而筛选出最优的量测集合,最终消除大多数的噪声干扰。再利用在编队目标运动区域内量测分布密集的特性,通过目标检测方法找到其位置并跟踪。最后,仿真实验表明,在新生目标相关参数未知的情况下,提出的方法能够快速有效地跟踪编队目标,具有较好的跟踪性能。

关键词： 舰船检测   遥感图像   旋转目标检测   图像处理   YOLO  

摘要： 针对遥感图像背景复杂、舰船目标尺度变化大和方向任意等问题,提出了一种基于YOLOv8的遥感图像舰船目标检测算法。首先为了提高特征融合的效率,在特征融合模块将原有的路径聚合网络优化为渐进式特征融合网络;其次为了强化模型的多尺度检测能力,在颈部网络加入基于大卷积核分解和空间选择机制的选择性大卷积核注意力模块;然后为了提高模型的分类和定位能力,在解耦检测头的检测框回归分支添加视觉注意力模块,在目标分类分支添加坐标注意力模块;最后为了将通用目标检测算法转换为旋转目标检测算法,在检测头引入角度参数并优化损失函数,优化网络训练时的正负样本标签分配策略以提升网络训练时的效率。在公开数据集HRSC2016上的实验结果表明,所提算法以3.02×10^(6)的参数量,实现了90.55%的检测准确率,与当前其他主流旋转目标检测算法相比,在参数量和准确率上都具有先进性。

关键词： 变电站   自动化巡检   目标检测   YOLO   注意力机制  

摘要： 变电站巡检对于保障电力供应的可靠性和安全性至关重要,使用巡检机器人进行自动化巡检在变电站中应用广泛,不仅反映了当代变电站管理模式的转变,也体现了技术集成和效率提升方面的进步。电网仪表为电力系统的安全可靠运行提供了必要的支持和保障,然而从巡检机器人拍摄的视频中对电网仪表准确识别较为困难,因此提出了一种基于改进YOLOv7-tiny的变电站机器人设备巡检中目标动态捕捉识别方法,将基于注意力机制的目标检测头融入基准模型,并修改了其损失函数,增强了模型对视频复杂背景中电网仪表的特征提取和整合能力。通过消融试验和算法对比表明,所提出的改进方法有效地保证了模型的识别速度,并且提升了识别精度,在电网仪表的精确高效识别方面具有一定的优势和潜力,有利于提高变电站自动化巡检的效率。