关键词： 小样本   目标检测   表面缺陷   元学习  

摘要： 针对数据驱动的深度学习方法需要大量标注数据而在实际应用中获取数据困难的问题，提出风机叶片表面缺陷的小样本检测方法。目前在小样本学习中，基于两阶段目标检测模型Faster R-CNN的研究是一个热点。在此基础上，提出了一个采样特征聚合（sample feature aggregation， SFA）的小样本缺陷检测方法。该方法引入变分自编码器学习支持集样本的潜在分布，并从中采样出类别注意力向量，避免个别特征不明显的样本对类别注意力向量的影响。在自主构建的风机叶片表面缺陷(wind turbine blade surface defect， WSD)数据集上，所提出的方法仅用5张图片就能实现对叶片表面缺陷的检测。实验结果表明，所提方法在小样本缺陷检测问题中优于其他对比方法。

关键词： 显著性学习   目标检测   幕墙   非规则板材   跨模态融合  

摘要： 针对现有幕墙安装机器人缺乏非规则板材检测能力的问题，提出了一种基于显著性学习的板材检测方法，通过分析板材与背景的显著性关系来定位目标，避免板材纹理、形状、大小等因素对检测精度的影响。该方法基于RGB-D双模态特征信息，使用多尺度残差互补模块来抑制跨模态特征的发散问题，并结合多尺度注意力引导模块和融合感知模块以实现精细的显著推理，同时构建了包含180幅RGB-D图像的幕墙板材数据集(CWP)来做模型测试。将提出的方法在4个公开数据集进行训练与测试，结果表明，所提算法性能优于8种显著性检测方法。同时，在自建CWP实验测试中，提出的方法在Sα、Fβ、Eξ、MAE指标分别达到0.843、0.802、0.864、0.053，证明了所提算法针对未知的非规则幕墙板材检测具有很好的鲁棒性。

关键词： YOLOv5   Focal EIoU   SPD-Conv   密集卷积网络   航拍图像检测  

摘要： 目前，现有的小目标检测方法存在检测精度低、误检率高和漏检率高等问题。为了改进小目标检测，本文提出了FSD-YOLOv5算法，该算法在YOLOv5算法的基础上进行了三方面的改进。首先，用Focal EIoU代替了原来的CIoU，提高了模型收敛速度和回归精度；其次，针对CNN架构的缺陷，我们采用了一种新的CNN构建模块SPD-Conv；最后，针对卷积神经网络降采样导致的特征图中小目标信息减少或丢失的问题，我们引入了特征重用来增加特征图中小目标的特征信息。我们在VisDrone-2019数据集上对FSD-YOLOv5进行了评估，并将其性能与YOLOv5进行了比较。结果表明，FSD-YOLOv5的检测准确率为36.3%，比原始算法提高了2.4%。在小型目标检测方面，FSD-YOLOv5算法的检测结果优于YOLOv5算法。

关键词： 无人机   目标跟踪   交互多模型   无迹信息滤波   分布式融合  

摘要： 针对单无人机不能及时捕捉到目标的运动状态信息,很容易跟丢目标的问题,结合无迹信息滤波(UIF)算法和交互多模型(IMM)算法,提出了基于IMM-UIF的多无人机分布式融合估计算法。将各个无人机上的观测信息传输至中心节点,并统一优化各无人机的控制输入。仿真结果表明,基于IMM-UIF的多无人机分布式融合估计算法比基于IMM-UIF的单无人机跟踪精度提高了约30%,有效融合多无人机平台的量测信息,实现对目标稳定的高精度跟踪。

关键词： 全局布局   深度强化学习   计算机视觉   图卷积神经网络   数字芯片  

摘要： 在数字芯片后端设计中,全局布局需要同时兼顾线长与合法化,是一个组合优化问题。传统的退火算法或者遗传算法耗时且容易陷入局部最优,目前强化学习的解决方案也很少利用布局的整体视觉信息。为此,提出一种融合视觉信息的强化学习方法实现端到端的全局布局。在全局布局中,将电路网表信息映射为多个图像级特征,采用卷积神经网络(convolutional neural network,CNN)和图卷积网络(graph convolutional network,GCN)将图像特征和网表信息相融合,设计了一整套策略网络和价值网络,实现对全局布局的全面分析和优化。在ISPD2005基准电路上进行实验,结果证明设计的网络收敛速度加快7倍左右,布局线长减少10%~32%,重叠率为0%,可为数字芯片全局布局任务提供高效合理的方案。

关键词： 注意力机制   深度学习   显著性检测   膨胀卷积  

摘要： 显著性目标检测在图像识别中有着广泛应用,是计算机视觉领域热门研究方向。针对其高、低层次特征融合不当易导致信息提取不完整和下采样中池化过程易出现关键特征丢失、噪点特征放大等问题。文中提出一种融入注意力的嵌套式UNet网络——(AU)2Net网络模型。该方法在RSU模块中引入注意力机制,形成Attention-RSU块,在保证丰富特征信息提取的基础上,关注显著区域,忽略无关信息,抑制噪声的影响。对比其他9种先进算法在5种不同数据集上的最大F-measure和MAE后,显示在多数指标上优于其他算法。验证了模型在复杂场景下能较好地捕捉目标信息,较完整地勾勒出目标的具体细节。

关键词： 光学遥感   遥感图像   海陆分离   舰船检测   舰船识别  

摘要： 不论是在军事侦查领域还是海洋执法方面,舰船目标检测与识别技术都至关重要,尤其是随着光学遥感卫星技术的发展,获取了大量的舰船成像数据,怎样迅速从大批量的光学成像资料中精确定位和鉴别出舰船目标是富有挑战性的工作。首先,概述了光学遥感图像舰船目标检测与识别技术的发展历程和技术流程;然后,依次阐述了光学遥感图像的获取与预处理、海陆分离、舰船目标检测和舰船目标识别等方面的研究进展,重点论述了采用传统和深度学习2类方法开展光学遥感图像目标检测与识别的研究进展;接着,介绍了11种包含舰船目标的遥感图像数据集以及性能评价指标;最后,分析了舰船目标检测与识别技术面临的主要问题,并展望了舰船检测与识别技术今后的发展方向。

关键词： 目标检测   物料审计   卷积神经网络   k-means聚类  

摘要： 针对输电线路中小目标物料识别难度高、准度率低的问题,提出了一种基于改进卷积神经网络的电力线路物料智能识别技术方案。该方案采用改进导向滤波算法和直方图均衡化方法完成了电力线路图像的预处理,对于原始SSD算法存在网络模型复杂、计算速度慢的缺陷,文中采用改进的轻量化卷积神经网络作为基本网络,进一步采用k-means算法优化默认锚框的宽高比,提升了物料识别的准确率。仿真实验结果表明,所提方法相比于原始SSD算法在训练速度和识别准确度方面均具有较大的提升,在实际配电网项目的审计应用中,能够准确识别不同类型的物料,识别精确率大于88%,能够为配电网审计工作提供精准地决策辅助。

关键词： Gabor滤波   Canny算法   图像处理   形态学滤波   边缘定位   小波滤波   多尺度图像   边缘检测算法  

摘要： 焊缝边缘检测是评估金属结构安全性的重要组成部分。本文通过七种边缘检测算法:LOG(Laplacian of Gaussian)算法、Sobel算法、Canny算法、多尺度图像边缘检测算法中的Gabor滤波、小波滤波、双边滤波和形态学滤波的实验,对比分析各种算法的去噪水平、边缘定位能力和边缘检测精度。

关键词： 目标检测   卷积神经网络   YOLO模型   计算机视觉   深度学习  

摘要： 为提高传统目标检测的识别效果和准确率,并加快运算速度,提出了一种具有更强大特征学习和特征表达能力的卷积神经网络(CNN:Convolutional Neural Network)模型和相关的深度学习训练算法,并将其应用于计算机视觉领域的大规模识别任务。首先详细分析了传统目标检测算法,如V-J(Viola-Jones)检测器、 HOG(Histogram of Oriented Gradients)特征结合SVM(Support Vector Machine)分类器和DPM(Deformable Parts Model)检测器的特点。然后提出了深度学习算法,如RCNN(Region-based Convolutional Neural Networks)算法和YOLO(You Only Look Once)算法,并分析了其在目标检测任务中的应用现状。针对倒地检测任务,使用YOLOv5(You Only Look Once version 5)模型对不同身高体型目标人群的行为进行训练。通过使用不同的交并比(IOU:Intersection over Union)、准确率(Precision,P)、召回率(Recall,R)和PR曲线等评估指标,对YOLOv5模型进行了分析,评估了其在检测站立和倒地两种活动方式的实际效果。同时通过预训练和增强处理,增加了训练样本数量并提高了网络的识别准确率。实验结果表明,倒地识别率达到了86%。可将其应用于灾区探测救援类机器人的设计中,以辅助识别和分类受伤倒地人员,提高灾区救援效率。