关键词： 无人机跟随   目标检测   阴影辨识   中心定位   动态自定位  

摘要： 随着无人机在各个领域的应用越来越广泛,目前对于无人机的管制需求也逐步上升,同时由于无人机平台算力、能源有限,有效的检测与跟随算法显得尤为重要。基于深度学习的方法对于目标检测十分有效,但其直接应用于空中目标跟随这一任务还存在稳定性与安全性不足以及目标阴影的干扰这些问题。针对目标检测时阴影干扰问题,提出了基于HSV色彩空间的阴影识别算法,能够对检测对象阴影区域进行分割识别,从而排除阴影对目标检测的干扰;为了得到了更精准的目标无人机三维位置,设计了二次定位算法,将纯检测框中心点与目标无人机结构上相对固定中心点进行了加权融合,减少了目标框大小浮动对目标位置估计的影响;在避障策略中融合了无人机相关约束以此避免了无人机跟随时的过度震荡,并利用动态环境下的自定位算法对追踪无人机的控制结果进行检测与实时修正,提升整个动态跟随过程中的鲁棒性。所提算法经虚幻4平台下的仿真与实物实验中得到验证,能够将无人机跟随任务的跟随精度控制在0.1 m级。

关键词： 计算机视觉   金矿运矿卡车   最优路径规划   自适应规划  

摘要： 由于传统路径规划方法中对全局环境未知,导致规划结果易陷入局部最优解,提出基于计算机视觉的金矿运矿卡车最优路径自适应规划方法。基于计算机视觉感知金矿运矿卡车行驶环境,采用蚁群算法遍历行驶环境中节点,寻找到卡车最优路径,完成金矿运矿卡车最优路径自适应规划。试验结果表明,该方法在进行金矿运矿卡车最优路径规划时,可以得到运距最短的规划结果,具有可行性。

关键词： Faster RCNN   DBSACN聚类   目标检测   锚框  

摘要： 钢铁是我国工业生产的重要原材料之一,其表面质量问题会直接影响产品的使用,从而带来无法预知的风险,故对钢铁表面进行缺陷检测具有重要意义。而在缺陷检测过程中,存在因裂痕缺陷特征不明显,导致缺陷定位不准确以及检测难度高等问题。针对以上问题,本研究提出一种改进的Faster RCNN算法,在主干特征提取网络上引入自适应模块,增强网络提取有效特征的能力,同时使用DBSCAN聚类算法取得合适的先验框,大大提高了算法的检测效率。实验结果表明,改进的Faster RCNN算法模型对不明显的缺陷特征检测能力大幅度的提升,相比其他检测算法,在钢板表面缺陷检测中能达到高质量、缺陷定位准确、分类成功率高的效果。

关键词： OpenCV   图像处理   图形界面   图像去噪   软件设计   特征提取  

摘要： 文中提出了一种基于OpenCV的图像处理软件设计方案。软件通过使用OpenCV提供的图像处理算法,实现了图像的形态学运算、去噪、特征提取等一系列功能。同时,软件还提供了用户友好的图形界面,方便用户对图像进行直观地处理和操作。实验结果表明,软件具有较好的图像处理效果和较高的实用性,可以运用于科学研究及工业应用领域。

关键词： 遥感目标检测   YOLOv5算法   上下文增强   Transformer模块  

摘要： 针对遥感图像目标密集排列,提出一种基于YOLOv5的全局注意力和上下文增强的遥感图像目标检测算法。首先,在主干网络CSPDarknet53的尾部将C3模块替换为Transformer Encoder模块,利用全局注意力捕获目标和周围环境信息;再引入上下文增强模块,利用不同的分支结构获得侧重于大、中、小目标的特征信息;后处理中将NMS替换为DIoU_NMS,有效去除密集排列目标的冗余框,改善检测效果。在RSOD数据集对网络进行测试,与原网络相比,精度提升了13.9%,在飞机数据集进行了消融试验,验证了模块的有效性。

关键词： 海上航空搜救   YOLOv8s算法   小目标检测层   坐标注意力机制  

摘要： 针对在海上复杂环境搜救任务下,目标尺寸小,且搜救飞机在不同高度和视角下观测到的搜救目标特征各异或存在遮挡等因素造成搜救目标漏检、误检的问题,提出了一种基于CAL-YOLO的海上航空搜救目标检测算法.该算法基于YOLOv8s开源框架改进,引入坐标注意力机制和小目标检测层,以优化海上航空搜救目标检测性能,从而提高海上航空搜救工作效率.实验结果表明,该算法在mAP50的评价指标上提高了11.8%,在mAP50:95评价指标上提高了8.8%.

关键词： 扩展目标跟踪   机动目标   Transformer   星凸形   弗雷歇距离-面积误差  

摘要： 针对复杂的机动扩展目标跟踪问题,利用Transformer网络设计了一种有效的星凸不规则形状机动扩展目标跟踪方法。首先,该文研究利用alpha-shape算法建立了星凸形状的变化模型,实现了静态场景下的星凸形扩展目标的形状估计。然后,通过对目标状态转移矩阵进行重新设计,结合Transformer网络对机动扩展目标运动状态转移矩阵进行实时估计,实现了对复杂机动目标运动过程的精准跟踪。进一步地,将估计得到的形状轮廓与运动状态进行融合,最终实现了对星凸形机动扩展目标的实时跟踪。最后,通过构造复杂的机动扩展目标跟踪场景,利用多重性能指标测试算法对形状和运动状态的综合估计性能,验证了算法的有效性。

关键词： 油菜角果   表型   图像处理   籽粒计数  

摘要： 为了更加高效和准确地获取油菜角果表型参数,在图像处理技术和深度学习算法的基础上,以迎春一号油菜角果为实验材料,综合考虑油菜育种对角果外观表型参数的需求,提出了一种基于机器视觉的油菜角果表型分析方法:利用图像处理技术实现了油菜角果的柄喙长度、果身长度、果身宽度、弦长、弧长、面积等外观表型性状的提取,使用YOLOv5对单角果籽粒进行无损计数。对角果实物及标定物进行测量验证,结果表明,图像分析出的角果表型指标与人工实际测量值无显著性差异(P>0.05),决定系数(R^(2))均大于0.96,均方根误差(root mean square error,RMSE)均小于3 mm,平均绝对值误差(mean absolute error,MAE)均小于2.80 mm,平均绝对百分比误差(mean absolute percentage error,MAPE)均不超过4%。标定物直径最大RMSE为0.3 mm,MAE均小于0.28 mm,MAPE均小于2.00%,面积指标最大RMSE为12.09 mm^(2),MAE均小于11.56 mm^(2),MAPE均小于5%。YOLOv5识别出的籽粒数与实际值无显著性差异(P>0.05),R^(2)为0.987,RMSE为0.68粒,MAE为0.27粒,MAPE为1%。该研究的油菜角果表型分析方法操作简单、成本较低,能有效地减少人工测量的误差,提高获取表型信息的可靠性和油菜育种工作的效率,为油菜表型信息的定量化分析提供了一定的参考。

关键词： 事件相关电位   脑机接口   快速串行视觉呈现   目标检测   特征提取  

摘要： 目标检测是一个广泛应用于多个领域的研究课题。传统的计算机视觉方法存在复杂度高、泛化能力差、模型对象可迁移性差等缺点,而人脑在目标检测方面具有较强的认知能力和感知能力,仅需要很少的训练样本就可以达到较好的检测效果。基于事件相关电位(Event-Related Potentials,ERP)的脑机接口(Brain-Computer Interface,BCI)是一种全新的提升目标检测性能的方法,它能够将脑内信息与外部环境进行交互。在此基础上,Gerson提出了一种以脑电信号为基础的快速串行视觉呈现(Rapid Serial Visual Presentation,RSVP)范式,包括显示方式、有效视觉范围、目标复杂度、刺激频率和持续时长等。该文还对ERP信号的预处理、特征提取及分类等方法进行了综述,并对该领域的局限性和发展趋势进行了探讨。

关键词： 激光雷达探测图像   高机动目标   分角域   互信息   卷积神经网络  

摘要： 高速移动和快速变换的运动模式容易导致目标模糊,从而无法准确识别目标的轮廓、形状和位置。为此,提出了面向高机动目标检测的激光雷达探测图像分角域识别方法。首先,通过邻域范围内像素点距离异常检测,去除激光雷达探测图像中的噪声和异常信号;然后,利用L-R算法解决目标高速移动造成的图像模糊问题;最后,采用基于互信息的自适应角域划分方法将图像分割成不同的角度域,并通过卷积神经网络在各角域中进行高精度目标识别,以实现高机动目标激光雷达探测。实验结果表明,该方法能够有效去除高机动目标造成的激光雷达探测图像模糊现象;相较于其他传统方法,该方法的目标识别率和全类平均精度较高、单图识别平均耗时较低,具有良好的识别效果。