关键词： SAR图像   目标检测   小型目标   快速配准  

摘要： 针对战场侦察的需求,结合SAR图像成像范围广、成像精度高的特性,SAR图像变化检测技术可应用于小目标检测。本文基于SAR图像尺度大而目标尺寸较小的特点,在差值法的基础上进行了改进。采用中值滤波进行图像降噪,并提出使用自适应下采样的方法进行快速图像配准,利用幂次变换增加目标信杂比提高检测率。通过实验验证改进差值法的有效性,其能够在保证检测率的同时缩短检测时间。

关键词： 条形码图像   超分辨率重建   双三次插值法   卷积神经网络   SRCNN   图像处理  

摘要： 针对像素较低的摄像头对条形码进行拍摄识别时,需要靠近条形码并保持较久的时间,且存在一定的扫描结果错误率等问题,利用卷积神经网络技术SRCNN对单幅低清晰度条形码图片进行超分辨率重建,将低分辨率图片转换为高分辨率图片。通过实验验证,SRCNN相对于传统超分方法,在图像处理和评价指标方面取得了更好的效果,实现了条形码图像的超分辨率重建,获得了更为清晰的图片。

关键词： Risley棱镜   轨迹预测   目标跟踪   深度学习  

摘要： Risley棱镜视轴指向控制技术已被应用于军事领域的飞行目标跟踪,而飞行目标时间步坐标直接影响Risley棱镜跟踪精度。因此,开展飞行目标轨迹预测将为Risley棱镜视轴指向控制提供革新规划与控制思路。结合Social-STGCNN深度学习方法对Risley棱镜控制算法进行优化。首先定义数据集获取飞行目标信息,利用STGCNN预处理,然后运用旁轴法求得Risley棱镜方位与俯仰角并进行仿真分析实验。结果表明,在对Risley棱镜电机与视轴实现精密调控的同时,取得了0.151 mm的轴间误差,在MAE指标中比单纯采用图像误差反馈的控制算法低88.29%,有效验证了本文所控制策略的优化效果与跟踪性能。

关键词： 交通运输安全工程   目标检测   YOLOv4-tiny算法   单目测距   车距预警  

摘要： 针对现有网络难以实时精确识别道路检测目标及车距的问题,提出了一种基于改进YOLOv4-tiny算法的车距预警方法。首先,总结了YOLOv4-tiny算法的特征提取结构,分析了原网络结构的不足之处。其次,在原网络中增加了空间金字塔池化层SPPF进一步提取目标特征,增强深层次语义信息表达能力,并将特征金字塔网络(FPN)结构添加下采样通道和CSPnet层,充分融合多尺度图像特征,避免浅层信息丢失。最后,使用Mosaic数据增强方法丰富数据集训练样本,并将改进YOLOv4-tiny算法与单目测距原理相结合,依据车距大小设置3种级别的信息提示进行车距预警实验。结果表明:本文算法在PASCAL VOC数据集上的检测速度为43帧/s,平均精度达到81.25%,较YOLOv4-tiny算法提高了3.59%。可见,改进YOLOv4-tiny算法在满足检测实时性要求的同时,具备良好的目标检测精度,对提升车距预警方法的使用效果具有指导意义。

关键词： 无人驾驶汽车   环境感知   卷积神经网络  

摘要： 环境感知是无人驾驶汽车的重要基础,目标检测是环境感知的重要一环,随着深度学习的发展,基于深度学习的目标检测算法的精度和速度也在不断提升,逐渐成为主流算法。总结梳理了基于深度学习的目标检测算法以及其最新研究进展,并将其分为基于图像、点云、融合和变形器(Transformer)四大类,分别介绍了其经典算法。最后总结了当前目标检测领域里存在的不足,对目标检测算法的发展进行了展望,为该领域的研究工作提供一些思路。

关键词： 自然资源   视频监测   目标检测   目标识别   目标定位  

摘要： 随着机器视觉技术的突飞猛进,智能视频监测为自然资源监管提供了可实时响应的新执法手段。运用基于深度学习的域自适应目标识别技术和基于DEM辅助的高精度单目定位技术,对自然资源违法行为与线索进行快速目标检测;并在此基础上设计了自然资源视频执法监测系统技术架构,在广东开展了实地应用测试。结果表明,该方法对重型机械、土堆、建筑板材、在建砖房、新建板房、红砖堆等类别的识别准确率均高于80%,在1 200 m监测距离内平均定位误差小于3%。

关键词： 标检测   单阶段   IoU损失   RPIoU损失  

摘要： 在基于深度学习的单阶段目标检测中,从交并比(IoU)出发的边界框回归损失对边界框位置关系变化敏感度不够,当预测框与真值框处于不同包含关系时,已有损失无法精确区分。针对上述问题,提出基于IoU的回归位置关系敏感度损失(RPIoU)。该损失设计强化预测框和真值框相对位置关系的敏感度,首先在IoU后添加惩罚项,使两框角点无限靠近,解决中心点重合时IoU退化问题;其次引入非重叠区域面积与真值框面积比值为参数的指数函数作为惩罚项,解决损失无法区分预测框和真值框存在不同包含关系的问题,更精准地指导边框回归的位置;考虑到单阶段目标检测算法总损失各部分对于训练结果的贡献度不同,以平均精度均值(mAP)作为适应度函数,利用遗传算法对训练总损失进行优化,得到分类、回归、置信度损失的各自最佳权重。将设计的损失应用于单阶段目标检测算法YOLOv5,分别在可见光公开数据集VisDrone和自制红外飞机数据集上进行验证。在可见光公开数据集上的mAP达到0.447,比原始YOLOv5提升0.037;在红外飞机数据集的mAP达到0.966,比原始YOLOv5提升0.014。

关键词： 烟标   平整度检测   机器视觉   图像处理  

摘要： 为了提高卷烟工业生产质量和效率,本文以辅料烟标为研究对象,针对生产过程中烟标存在的凸点、凹陷、弯曲和翘角等平整度缺陷,提出了一种烟标平整度检测方法和检测系统。本文采用机器视觉和光学测量中的结构光测量方式,测量原理为三角法测量原理。光源以一定的角度照射在烟标上,烟标反射的光线进入相机的传感器。当烟标表面不平整时,进入相机感光元件的光线会发生位移和变形。本文提出的平整度测试方法所需装置结构简单,避免了精密传感器的使用,因此成本较低,适用于卷烟工业生产环境和烟标平整度测试实际使用情况,对促进卷烟工业自动化和提高生产率具有一定意义。

关键词： 深度学习   RPA机器人   流程自动化   自然语言处理   计算机视觉  

摘要： 近年来,基于深度学习的机器人流程自动化(RPA)技术在业务流程管理领域取得显著的进展。深度学习技术的发展为RPA系统提供更高的智能化水平,特别是在自然语言处理、计算机视觉和强化学习等方面的应用,为复杂任务的自动化提供可能。本文首先对深度学习技术进行概述,探讨RPA的发展现状与面临的挑战。其次,详细介绍深度学习在RPA中的应用,包括自然语言处理技术的融入以优化交互和数据解读,计算机视觉技术的应用以提高对图形界面的操作能力,以及强化学习在优化决策过程中的作用。最后,本文还对基于深度学习的RPA机器人的架构设计、训练方法和评价指标进行详细的探讨,旨在为构建更高效、更智能的RPA机器人提供理论与实践指导。

关键词： 红外目标检测   轻量化模型   YOLOv5s   CARAFE   注意力机制   损失函数  

摘要： 红外技术在防备夜间作战和隐蔽作战中发挥的作用是至关重要的,针对如何平衡红外图像检测精度与轻量化的问题,提出一种基于红外场景下的轻量化目标检测模型M-YOLOv5。该网络模型采用改进的ShuffleBlock模块替换原有的CSP骨干网络。此外,应用轻量级上采样算子CARAFE替换原有上采样模块,在C3模块中加入SE注意力机制,降低冗余信息,提高特征的区分性和表征能力,重新设计损失函数,E-IoU作为新的损失函数,加快模型收敛速度。在公开数据集FLIR上进行了实验,实验结果表明:改进之后网络模型的平均检测精度达到73.0%,仅降低2.9个百分点,而M-YOLOv5模型的网络参数数量、理论计算量分别减少40%、39%,模型的推理速度提高52%,满足部署于边缘设备的需求。