关键词： 车辆检测   深度学习   目标跟踪   检测算法   航空业   民航机场  

摘要： 针对单一检测方式无法进行机场区域限行车辆统计的问题,本文将多目标跟踪算法引入车辆检测环节,判别车辆进出机场区域的状态,为机场区域限行车辆统计提供依据.为了提升算法对限行车辆检测的准确性,构建了包含公开数据与现场采集数据的新数据集.实验证明,本文所提出的检测算法相较于其他主流算法具有更好的性能,更契合机场应用场景.

关键词： 深度学习   通信工程   图像处理   算法   通信系统   抗干扰能力  

摘要： 本文探讨了基于深度学习技术的通信工程领域中图像处理算法的优化与实现.深度学习在图像处理领域展现出了强大的能力,但在通信工程中的具体应用尚处于发展初期.为此,本文提出了一种综合考虑通信工程需求的图像处理算法优化方法,并通过深度学习技术实现.首先,分析了通信工程中图像处理的特殊需求和挑战,然后提出了针对这些需求的优化策略,包括但不限于传输效率、抗干扰能力和实时性.接着,设计了基于深度学习的图像处理模型,并通过实验验证了其在通信工程中的性能优势.最后,在真实通信系统中部署了所提方法,并进行了性能评估与比较.实验结果表明,此方法在通信工程图像处理任务中取得了显著的优化效果,具有实用性和可行性.

关键词： 驾驶员面部检测   轻量级卷积   多尺度特征融合   实时性   目标检测  

摘要： 针对驾驶环境下YOLOv8n检测算法存在计算量、参数量较大的问题，提出一种结构轻量化的驾驶员面部目标检测算法YOLOv8-DF。首先，提出一种轻量级多尺度卷积模块LMCM(Lightweight Multi-scale Convolution Module)替换网络中的Conv模块，双通道设计可以降低算法的计算量和参数量，多尺度设计可以丰富网络内部的特征信息；其次，引入轻量级卷积GhostConv、Fasterblock模块与C2f模块融合，以降低网络结构的复杂程度，加快检测速度，提高算法的实时性检测能力；最后，提出一种双通道轻量级卷积模块DLCM(Dual-channel Lightweight Convolution Module)与SPPF模块融合，在保持检测精度不变的情况下，降低了算法的计算量及参数量。通过实验结果分析，YOLOv8n-DF算法在测试集的平均精确率(mAP@0.5)达到了99.2%，相较YOLOv8n检测算法参数量(Parameters)下降了36.9%，计算量(FLOPs)下降了30.7%，FPS达到了282帧/秒，改进算法在驾驶员面部目标检测任务中具有一定参考价值。

关键词： 无人机   遮挡   多无人机跟踪   多目标跟踪   目标关联  

摘要： 无人机多目标跟踪技术被广泛用于智慧城市、军事安全、河流巡检、交通等领域。然而，目前已有的多目标跟踪算法多用于单无人机多目标跟踪，而单无人机的视角通常具有一定的局限性，这会导致当目标被遮挡时，目标发生ID切换导致跟踪失败的问题。为了解决这个问题，本文提出了一种多无人机多目标跟踪网络（MUMTTrack），该网络采用了基于TBD的多目标跟踪范式，利用多个无人机同时跟踪目标，弥补单摄像头视角的局限性。此外，为了有效融合多个无人机的跟踪结果，本文为MUMTTrack设计一种基于SURF算法的图像匹配策略和ID分配策略。最后，我们将MUMTTrack的性能与当前常用的单无人机多目标跟踪算法在MDMT数据集上进行了比较。根据比较分析，MUMTTrack在多目标跟踪性能指标idF1和MOTA方面均表现出明显的优势。

关键词： 大内核   小目标   上下文信息   特征细化   自适应融合   感受野  

摘要： 针对当前基于卷积神经网络的单阶段目标检测算法（YOLO系列、VFNet等）在高空拍摄场景下面临目标背景复杂、检测精度低和特征混叠等问题，提出了一种端到端的目标检测算法CSPENet。首先，采用基于大内核深度卷积CSPNeXt作为模型主干，提高了模型捕捉全局上下文的能力。其次，通过引入特征细化块在空间和通道维度上生成自适应权重可有效抑制混叠特征，并在特征融合阶段添加基于移动网络的感受野注意力机制解决了大内核参数共享问题。最终，通过采用EIoU损失函数作为模型的回归损失函数，并拆分预测框和真实框纵横比的影响因子，以提高模型收敛速度并改善定位效果。实验结果表明，CSPENet在VisDrone-DET数据集上相对于DINO算法平均准确率提升4.4%，为小目标检测算法研究及其应用提供新的参考方案。

关键词： 目标检测   鱼苗检测   轻量化   局部卷积   深度可分离卷积  

摘要： 基于深度学习的鱼苗检测在水产养殖中的应用为自动化和精确化管理提供了可能，针对鱼苗检测中设备性能低、实时性要求高等问题，本文提出了一种改进YOLOv8的轻量化鱼苗检测算法：FD-YOLO。将快速网络(FasterNet)替换YOLOv8原CSPDarkNet特征提取网络，采用局部卷积(PConv)减少了冗余计算和内存访问；在特征融合中引入深度可分离卷积(DWConv)，将标准卷积过程分解为两个相对简单的深度卷积和逐点卷积两个步骤并行处理，进一步减少了模型的复杂性和计算资源消耗；使用Focal-EIoU作为模型损失函数，提高了检测精度，使得模型更具鲁棒性。实验表明，改进后的检测模型参数量和计算量大幅降低，模型参数量下降91%，计算量下降85%，在CPU上的推理速度加快了三倍。改进后的鱼苗检测算法能更好地兼顾高精度和实时性之间的平衡，便于部署在资源有限的硬件平台上。

关键词： 视觉-语言预训练模型   Faster R-CNN   开集目标检测   交通目标检测  

摘要： 交通目标检测是智慧交通系统的重要组成部分，但现有的交通目标检测算法只能实现对于预设目标的检测，无法应对开集目标场景。对此，提出一种基于视觉-语言预训练模型（VLP）的开集交通目标检测算法：首先，基于Faster R-CNN，修改预测网络使其能够适应开集目标的定位问题，并将损失函数改进为IoU损失，有效地提升了定位精度；其次，构建一种新的基于VLP的标签匹配网络（VLP-LMN），对预测框进行标签匹配，VLP模型作为一个强大的知识库，可有效匹配区域图像和标签文本，同时，VLP-LMN的提示工程和微调网络模块可以更好地发掘出VLP模型的性能，有效提高VLP模型标签匹配的准确性。该算法在PASCAL VOC07+12数据集上实现了60.3%的新类目标检测平均准确率，这证明了其具有良好的开集目标检测性能；同时在交通数据集上的新类目标检测平均准确率达到了58.9%，作为零样本检测，也仅比基类目标低14.5%，这证明了该算法在交通目标检测上有良好的泛化能力。

关键词： 水面漂浮小目标   极小目标检测层   卷积块注意模块   NWD损失函数  

摘要： [目的]针对无人船视角下的水面漂浮瓶识别易出现错检、漏检等问题，基于YOLOv5s算法，提出一种改进的YOLOv5s水面漂浮小目标检测算法。[方法]针对原始数据集Flow-Img进行了数据增强，对原始数据集进行扩充，从而避免模型出现过拟合的现象；为了提高深度学习模型对极小目标的检测精度，在YOLOv5s的3个检测层的基础上，增加了1个极小目标检测层，同时去掉用于大目标的检测头，避免数据不均衡带来的先验框分配问题；接着，在骨干网络中增加CBAM注意力模块，以解决模型在水面漂浮瓶检测任务中目标特征信息捕捉能力不足的问题；最后引入NWD回归损失函数，将IoU损失函数和NWD损失函数进行加权组合，形成一个综合的回归损失函数，从而进一步提高对水面漂浮瓶识别的准确率和精度。[结果]实验结果表明，该算法在水面漂浮瓶检测上mAP@0.5值达到95.7%，对比原始的YOLOv5s算法，改进YOLOv5s算法的mAP@0.5提升了2.6%,mAP@0.95提升了4.5%，同时，模型参数量下降了61.9%。[结论]在实现轻量化的同时使得水面漂浮瓶检测结果更加准确，为水面小型漂浮物的检测提供了重要的技术参考。

关键词： 高校美育   课程思政   教学实践  

摘要： 随着"文化强国建设"和"坚定文化自信"理念的提出,人文素质教育成为当前我国素质教育的重点,高校美育是实现人文素质教育的重要途径.而传统的《图像处理与制作》课程教学重视软件操作技能,轻视艺术审美能力培养,思政元素的融入缺乏深度.在《图像处理与制作》课程中深入挖掘思政元素,积极开展美育实践,以美育作为支撑点,以点带面,将思政元素从思政资源建设、思政教学管控、思政考评体系三个方面全方位立体化地融入课程教学,把德育、智育、美育等有机统一在教育活动的各个环节.

关键词： 露天矿卡   装载   浅层特征   CIoU   损失函数   目标检测  

摘要： 露天矿运输过程中轻车跑票和人为套票等现象时有发生，导致运载数据统计真实性和可靠性大幅度降低，不利于矿山运营管理。针对此类现象，采用图像识别技术，提出了一种基于改进YOLOv5s的露天矿卡装载率检测方法。将露天矿卡车装载图像数据集进行数据增强与扩充，并对其进行标注；在YOLOv5s网络结构的基础上，采用改进的骨干网络GhostNet进行特征提取；增加浅层网络P2细化特征输出，提升网络对空间信息进行有效捕捉的能力，同时引入吞吐量可配置卷积C2f模块，保证轻量化的同时获得更加丰富的梯度流信息；针对目标检测后处理阶段使用更平滑的soft-NMS替代NMS去除冗余检测框，使用损失函数CIoUα对矩形框损失进行计算。研究结果表明，改进的YOLOv5s模型对不同装载率(70%，80%，90%，100%，110%)矿卡的识别准确率达到了83.2%，90.4%，93.3%，92.4%，94.1%，能满足矿山现场监测的需求。此方法具有不接触计量对象、不干扰运输系统、且运行成本低，无需人工值守等特点，能够有效降低企业运输管理成本，为实现露天矿运输的精细化管理提供数据支撑。