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： 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： 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： 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： 锈蚀检测   图像处理   GrabCut算法   HSV色彩模型   机器学习  

摘要： 针对立体车库锈蚀检测的迫切需求,提出基于颜色和纹理特征的锈蚀检测新方法。利用高斯滤波和伽马变换解决锈蚀图片光照不均匀的问题。采用HSV(hue saturation value)色彩空间实现锈蚀的颜色特征筛选,提出基于灰度共生矩阵进行锈蚀纹理特征分析的方法,对锈蚀区域进行测量和形状分析。结合方向梯度直方图(histogram of oriented gradients,HOG)特征提取和支持向量机(support vector machine,SVM)算法实现了立体车库锈蚀检测。试验结果表明,该方法锈蚀识别准确率达到93.19%,实现了立体车库锈蚀表面的视觉检测,大大减少了外部环境的干扰。

关键词： 图像处理   高光谱图像   降维   自监督学习  

摘要： 针对高光谱图像(HSI)分类中有标签样本少和数据高维度降低HSI像素分类精度的问题,提出一种基于自监督学习的特征提取方法,以提取表示HSI数据关键信息的低维度特征。首先利用无监督数据增强方法扩展HSI训练集;随后在自监督学习框架下利用扩展的数据集训练由一个外部注意力模块构造的特征提取模块,在光谱数据内在共现属性的监督下,提取单个样本波段之间的自亲和力特征和不同样本之间的潜在相关性;最后,利用训练的特征提取模块降维原始HSI数据后将其输入后续分类器,实现对HSI像素的分类。通过对Indian Pines、Salinas和Pavia University数据集降维结果的定量评价,验证了所提方法的可行性和有效性。实验结果表明:所提方法生成的特征提取模块可充分提取原始光谱数据中的空间-光谱特征,对训练集尺寸不敏感,适用于小样本HSI数据的场景。

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。

关键词： 红外图像   舰船目标检测   GUI软件设计  

摘要： 针对帧间差分算法中对于红外舰船目标特征提取不充分的问题,提出了一种改进的红外舰船目标检测算法。将两帧图像进行帧间差分后通过Ostu进行阈值分割,获得二值图像进行形态学处理,计算图像质心坐标,并在原图像上的质心坐标周围区域进行遍历搜索,获得平均灰度值后进一步进行阈值分割。通过对海天背景及复杂背景下的舰船目标跟踪进行实验分析,结果表明改进后的算法效果较好,能够将所关注的运动舰船目标检测出来并跟踪。