关键词： 目标检测   流形滤波   非均匀海杂波   信息几何  

摘要： 由于海面波动等因素近海杂波呈现出较强的非均匀特性,杂波功率估计误差较大,降低了海面微弱目标检测性能.针对这一问题,本文提出一种基于流形滤波的海面微弱目标检测方法,通过建立雷达回波信号的高维流形表示,将雷达目标检测问题转化为流形上两点间的区分性问题,同时,在流形空间中对杂波进行加权滤波处理,降低非均匀杂波能量,提高杂波功率估计精度,从而有效改善目标检测性能.首先,将每个距离单元的脉冲串回波数据建模为一个托普利兹正定矩阵,观测区域内各距离单元所对应的正定矩阵构成一个矩阵流形,杂波非均匀特性表现为矩阵流形上数据的几何拓扑性质;然后,通过在流形上聚类将非均匀杂波数据分解为若干类具有相似统计特性的数据,并估计每类杂波数据的几何中心;最后,针对不同类别的杂波几何中心在流形上进行加权滤波处理,提高非均匀杂波功率估计准确度,并设计相应的几何检测器.仿真和实测数据实验结果表明,所提方法能够提高非均匀海杂波的功率估计精度,改善微弱目标的检测性能.

关键词： 目标检测   交通标志识别   YOLOv7   多分支特征提取   多尺度特征融合   注意力机制  

摘要： 为解决现有目标检测算法在复杂场景下对交通标志的误检、漏检等问题，提出了一种改进YOLOv7的交通标志检测算法YOLOv7-MBFE。首先，提出一种基于膨胀卷积的多分支特征提取模块，控制最短和最长的梯度路径，增强模型的特征提取能力；其次，在头部网络中构建渐进特征金字塔结构，充分融合不同层次的特征信息，改善模型的特征表达；在SPPCSPC模块中引入通道注意力机制，自适应调整通道的权重，增强不同通道之间特征交互，并将多头自注意力机制融合至下采样阶段，增强模型对全局上下文信息的感知能力，提高模型在复杂场景下的检测性能。最后，使用Focal-EIOU替换原YOLOv7模型中的损失函数，使模型更专注于高质量的锚框，加快模型的收敛速度，提高模型的鲁棒性。将该算法在中国交通标志检测数据集上进行了大量实验。实验结果表明，该算法相较于YOLOv7算法平均精度均值提升了9.25%、准确率提升了3.92%、召回率提升了5.19%。改进后的算法在复杂场景下的误检、漏检等问题得到了显著改善，检测效果优于原始模型与经典目标检测模型。

关键词： 主动毫米波图像   Bottleneck Transformer   小目标检测   多视角加权框融合  

摘要： 主动毫米波(active millimeter wave， AMMW)图像具有噪声多、易含伪影、小目标多等特点， 一直是隐匿目标检测的挑战. 因此， 提出了一种基于BoT-YOLOX的毫米波图像目标检测方法. 首先， 在模型主干网络中引入Bottleneck Transformer(BoT)， 加强模型的特征提取能力; 然后， 调整多尺度目标检测层， 并集成全局注意力机制来提高对小目标的检测能力; 最后， 提出一种多视角加权框融合的后处理方法， 用于集成不同视角检测结果， 以提高模型的鲁棒性. 在自行采集的AMMW数据集上， 其中包括54 000幅图像， 与基准模型(YOLOX)相比， 该模型达到了93.22%的检出率和4.46%的误检率， AP提升了6.74个百分点; 在公开AMMW数据集上， 与现有方法相比， mAP提升了4.07个百分点. 实验结果表明， 所提方法对AMMW图像场景的目标， 小目标检测准确度更加出色.

关键词： 视频分析   深度神经网络   目标检测   分区   配置映射分析器   拼接检测  

摘要： 为解决视频分析任务中利用深度神经网络进行目标检测时精度需求和计算开销难以平衡的问题，现有工作大多以全帧视频图像作为计算资源调度的单位，为信息价值高的视频帧分配更多资源，为信息价值低的视频帧少分配甚至不分配资源，从而在保证精度的前提下尽可能节省计算开销。然而，由于每帧视频图像中感兴趣目标分布不均，算法为含有少量高信息价值区域的全帧图像分配过多资源，耗费不必要的检测计算开销。针对这一问题，提出了基于分区的视频目标检测方法。将视频图像分区后，对各个分区感兴趣目标的特征进行快速提取和处理，通过配置映射分析器为每个分区映射满足精度需求且最小化检测开销的检测配置，并将具有相同检测配置的分区拼接检测以进一步减少检测开销。最后，针对分区引起的边缘目标碎片化导致检测精度下降的问题进行修复。实验结果表明，该方法在满足检测精度需求的前提下，显著降低了计算开销，最大节省了90.84%；在开销相近的情况下，平均提升了10.48%-23.13%的精度，实现了高效的视频目标检测，且在静态和动态的不同场景下有更好的适应性。

关键词： 钢筋网绑扎点   YOLOv5   小目标检测   图像处理  

摘要： 针对钢筋绑扎机器人目标检测算法在识别绑扎点时存在准确度低和检测速度慢等问题，提出了一种基于YOLOv5改进的钢筋网绑扎点目标检测方法FNB-YOLOv5。首先，通过采集钢筋网交叉点制作数据集；然后，在YOLOv5网络中引入FasterNet轻量化主干网络，增强特征信息提取能力，降低网络复杂度；其次，在网络关键部位引入BiFormer注意力机制，提高特征提取的准确性；考虑到检测任务中小尺寸目标占多数，采用NWD损失函数归一化处理，优化检测绑扎点位置的精度；最后，设计一种改进的F-GFPN特征融合模块，通过添加跳跃连接和跨尺度连接，增强特征交互，提升计算性能。通过不同模型对比实验得出，该模型的精确率、召回率和平均精度均值分别为99.82%、99.10%和98.64%，比原模型分别增长了2.9%、1.53%和1.63%；FPS达到44.8 f/s，比原模型增加4.1 f/s，同时权重模型内存大小减小了2.93MB。实验结果表明，改进的FNB-YOLOv5模型在钢筋网绑扎点数据集上，具有更高的准确性和实时性，为建筑施工行业研发钢筋绑扎机器人提供了有力的技术支持。

关键词： 植草混凝土   细观结构   图像处理   抗压强度   微观结构  

摘要： 植草混凝土细观结构是影响混凝土抗压强度的关键因素，研究其物理化学性能，对植生型多孔结构的混凝土性能提升具有重要意义。本文通过对植草混凝土的Rapid Air 457孔隙结构测定、SEM电镜、XRD衍射、力学性能试验与分析，结果表明，硅灰石粉和粉煤灰显著优化了植草混凝土的细观孔隙结构，随着硅灰石粉和粉煤灰掺量的增加，细观孔隙含量分别降低至0.85%和0.22%，平均孔径均可以减小至80μm以下，并引起间距系数发生改变，进而促使植草混凝土的28d最大抗压强度分别提升至10.1MPa和11.3MPa；根据电镜和衍射试验结果，结合DES分析，发现植草混凝土中钙硅比（Ca/Si）减小，证实了两种掺合料的水化产物使得植草混凝土胶凝材料内部结构更加致密，并对植草混凝土抗压强度产生积极影响，填补了植草混凝土细观孔隙结构研究的空白。

关键词： 图像处理   潜在低秩表示   schatten-p范数   中值滤波  

摘要： 为了解决潜在低秩表示（LatLRR）方法中使用的核函数可能导致的对秩函数逼近出现偏差问题，采用基于schatten-p范数与潜在低秩分解的方法，进行了理论分析和实验验证。通过中值滤波方法对图像去噪，利用基于schatten-p范数和LatLRR的图像分解方法，将图像分解为低秩部分与显著部分；采用算数平均策略融合红外与可见光的低秩部分，采用求和策略融合红外与可见光图像的显著部分；最终采用求和策略融合已融合好的低秩部分与显著部分，得到兼具清晰的纹理信息和显著的热故障信息的红外与可见光融合图像。经过定性与定量实验分析，确定了最佳融合效果的p值为0.6，在比较的七种算法中取得最好的融合性能。该方法能够有效地捕捉到电力系统红外与可见光源图像中丰富的整体结构和局部结构信息。

关键词： 图像处理   立体图像质量评价   人类视觉系统   自顶向下   卷积神经网络  

摘要： 为了提高立体图像质量客观评价指标与人类主观评价指标的一致性，受人类视觉自顶向下机制的启发，本文提出了一种基于立体注意力的无参考立体图像质量评价方法。在所提立体注意力模块中，首先，通过所提双目融合模块中的能量系数自适应调整双目响应的幅度，并在空间和通道维度对双目特征进行并行处理；其次，所提双目调制模块能够同时实现高层级双目信息对低层级双目信息和低层级单目信息的自顶向下调制。此外，本文提出的双池化策略分别对双目融合图和双目差异图进行处理，获取更有利于质量分数回归的关键信息。基于公开的LIVE 3D和WIVC 3D数据库对所提方法进行了性能验证。实验结果表明，本文方法实现了客观评价指标与标签的较高一致性。

关键词： 磁粉探伤   深度学习   目标检测   缺陷识别  

摘要： 基于Transformer架构的目标检测模型是近几年新兴的算法，其良好的表征能力和学习能力在各个领域表现突出，但是其大体量和复杂结构使其难以部署在低负载的计算硬件上，针对目前Tran former问题，本文提出了一种基于Transformer的轻量化模型Lite-Deformable-DETR的检测方法，在精度影响较小的前提下大幅度降低模型复杂度和计算度。该方法构建了一个深度学习模型，引入引入深度可分离卷积和逆残差结构，实现了Encoder层和BackBone网络的轻量化。与Transformer系列模型和传统CNN模型进行对比训练。通过训练结果比较，Lite-Deformable-DETR模型规模上减少了56%，运算量减少了43%，精度损失在目标数据集上减少了1.6%mAP。

关键词： 全局信息   目标遮挡   多尺度与跨空间信息聚合网络   跨层级连接   水下目标检测  

摘要： 针对水下生物相互聚集造成目标相互遮挡、水下生物尺寸大小不一、水下光照不均匀且背景干扰严重往往导致深度学习模型检测精度低、错检漏检率高的问题，提出一种多尺度与跨空间信息聚合网络的水下目标检测算法。首先，在主干网络中利用可变形层聚合模块进行特征提取，提高网络的定位精度；其次，采用Conv2former模块提高颈部全局信息提取能力，减少水下目标之间相互遮挡造成的漏检问题；最后，提出多尺度注意力并联增强模块，利用并联卷积块提取更深层次的特征，融入多尺度注意力EMA将背景以及图像失真后带来的干扰信息滤除，同时引入多条跨层级连接，有效地将低层次局部特征与高层次强语义信息相互融合，从而提高模型的检测精度。在URPC数据集上进行消融实验，相较于原模型，改进后模型的准确率提高3.6%，召回率提高2.6%,mAP0.5提高3.5%,mAP0.5:0.95提高3.3%，在RUOD数据集中测试不同场景下的检测效果，对比当下的一些主流模型具有显著优势。