关键词： 红外图像   目标检测   注意力机制   轻量级   迁移学习  

摘要： 针对地面复杂场景下,红外目标检测准确率低、网络模型过大难以应用于移动或嵌入式平台等问题,提出了一种轻量级红外实时目标检测模型MCA-YOLO.基于YOLOv4模型,主干网络采用Mobilenet-v2网络,其余部分网络采用深度可分离卷积替代部分标准卷积,减少模型参数和计算量;在模型颈部网络中嵌入坐标注意力(CA)模块,增强模型特征提取能力;通过k-means聚类算法重新设计模型Anchor,提高模型检测精度;采用迁移学习策略进行模型预训练,加快模型收敛速度.实验结果表明:提出的检测模型相较于YOLOv4,模型参数量减少81%,检测速度提升47%,检测精度提升6.34%.同时保证准确率和实时性,可以满足军事及安防领域对红外目标进行实时检测的需要.

关键词： 课程思政   思政元素   思政目标  

摘要： 针对“新工科”背景下的课程思政进行探索,对课程思政在教学过程中的定位、实施准则、教学评价等问题进行研究。首先明确了课程思政的定位,即全程隐性融入教学过程中。其次设计了4条教学准则,即通过优化专业课内容而不断提高载体质量、增强教师课程思政意识和思政能力、将思政元素隐性融入教学、全方位深挖时效性强的思政元素案例。最后采用过程性评价的方式进行教学效果评价,教学反馈显示教学效果较好。

关键词： 智慧校园   电子巡更   周界防范   预训练模型   YOLOv8   目标检测  

摘要： 智慧校园包含园区内设备设施、智能系统、集成平台、大数据技术平台、业务平台、决策和计划平台,应用于园区管理、教学管理、后勤保障、日常办公、园区安全、文化宣传等方面。智慧校园包含数字视频监控系统、电子巡更系统、周界防范系统3部分,其中电子巡更系统存在人员排班,无法实现24 h覆盖巡更线路和非巡更线路的巡检任务,而周界防范系统误报率高,设备故障多,无法实现稳定持续的周界监控功能。文章采用视频流作为输入媒体,采用先进的识别分类模型,实现电子巡更系统24 h全覆盖业务功能,解决周界防范系统误报率高和人为破坏的缺点,加强校园周边和重要区域的安防业务功能。

关键词： 深度学习   卷积神经网络(CNN)   目标检测   图像分类   帧间时序关系  

摘要： 目的 超声医师手动探查与采集胎儿心脏切面图像时,常因频繁的手动暂停与截图操作而错失心脏切面最佳获取时机。而单纯采用深层视觉目标检测或分类网络自动获取切面时,因无法确保网络重点关注切面图像中相对较小的心脏区域的细粒度特征,导致高误检率;另外,不同的心脏解剖部件的最佳成像时刻也常常不同步。针对上述问题,提出一种目标检测与分类网络相结合,同时融合关键帧间时序关系的标准四腔心(four-chamber,4CH)切面图像自动获取算法。方法 首先,利用自行构建的胎儿心脏超声切面数据集训练目标检测网络,实现四腔心区域和降主动脉区域的快速准确定位。接着,当检测到在一定时间窗内的视频帧存在降主动脉区域时,将包含四腔心目标的候选区域提取后送入利用自建的标准四腔心区域图像集训练好的分类网络,进一步分类出标准四腔心区域。最后,通过时序关系确定出可靠的降主动脉区域,将可靠降主动脉的检测置信度及同一时间窗内各个切面图像中四腔心区域在分类模型中的输出,加权计算得到标准四腔心切面图像的得分。结果 采用本文构建的数据集训练的YOLOv5x(you only look once version 5 extra large)和Darknet53模型,在四腔心区域和降主动脉区域的检测任务上分别达到94.0%的mAP@0.5和61.1%的mAP@[. 5∶. 95],以及69.5%的recall@0.5-0.95;在四腔心区域标准性分类任务上TOP-1准确率达到92.4%。将检测与分类模块结合后,系统对四腔心区域的误检率降低了29.38%。结论目标检测与分类网络相结合的策略及帧间时序信息的加入能够有效调和错检与漏检间的矛盾,同时大幅降低误检率。另外,所提算法除可自动获取标准的四腔心切面图像外,还可同时给出最佳切面,具有较好的实际应用价值。

关键词： 空对地探测   YOLOv5   未爆弹目标   深度学习   复杂环境  

摘要： 为提高无人机在复杂环境下对地面未爆弹(UXO)目标的辨识精度,提出了一种改进YOLOv5的UXO目标检测方法。该方法在YOLOv5的基础上,改进原YOLOv5网络的损失函数以提高对UXO目标的识别精度,同时,通过添加注意力机制、改进马赛克数据增强、改进预测框筛选机制提高对UXO目标的识别效率,实现了空对地场景下对UXO目标的检测,并具有较好的精度和速度。实验选取多组不同复杂背景的UXO数据集进行标注并训练,得到UXO目标模型,然后从模型训练结果和目标检测结果的角度评估方法和模型的正确性。实验结果表明:NGG-YOLOv5所得模型检测准确性和检测速度对比原YOLOv5有明显的提升,准确率从78%提高至91%,平均精度均值(mAP)从50%提高至56%,在所用4种复杂背景下均可有效检测出UXO目标,且漏警率低。

关键词： 深度学习   YOLO   目标检测   图像处理  

摘要： 受环境及载荷影响,混凝土经常会出现结构缺陷,影响其结构的稳定性及完整性。传统的混凝土结构缺陷采用人工检测,但效率低且劳动密集。为实现对混凝土结构缺陷的智能化检测,本研究提出一种基于YOLOv7深度学习算法的检测方法。首先建立混凝土结构缺陷数据集,通过图像处理方式扩充数据集,并对混凝土结构缺陷进行标注;然后选用YOLOv7算法对混凝土结构缺陷进行检测,对算法进行优化和改进;最后搭建基于深度学习的试验平台,使用训练完成的算法对缺陷图像进行检测。试验结果表明,本研究模型能够检测出全部的混凝土结构缺陷,对于淋雨、覆盖灰尘等条件下的混凝土结构缺陷都能有比较好的检测能力。

关键词： 百香果   深度学习   YOLOv5   双目立体视觉   图像处理  

摘要： 针对百香果采摘机器人在自然环境中作业时受复杂光线及遮挡影响,难以快速精确地检测及定位成熟百香果的问题,提出一种基于Stereo Camera-YOLOv5自然环境下成熟百香果检测及定位模型。针对自然环境下光线以及遮挡的影响,通过MSRCP算法、随机遮挡、数据增扩等图像处理算法对原始数据集进行优化。将优化的数据集输入到YOLOv5网络中训练出最优模型,在检测代码中嵌入双目立体视觉算法。该模型对自然环境下百香果进行检测及成熟度判断,将判断为成熟的百香果进行图像处理,并提取到中心点二维坐标。通过立体匹配及视差计算得到中心点的三维坐标。田间试验结果表明,该模型的目标检测准确率为97.8%,总体准确率为90.2%,平均运行时间为4.85 s。该系统鲁棒性强、实时性好,能够更好地实现自然环境下成熟百香果的检测及定位,为百香果采摘机器人后续工作奠定基础。

关键词： 无人机影像   多目标检测   位置注意力   非极大值抑制   数据增强  

摘要： 无人机能够在城市规划、侦察、监视等场景下,通过目标检测技术提供准确的目标位置和类别信息,为后台处理提供详细的信息,但现有方法在无人机影像检测时存在场景泛化能力不足、小目标漏检率高等问题。鉴于此,提出一种基于回归的检测方法,在骨干网络中使用位置注意力机制为正负样本特征赋权,提高模型对正样本的学习能力;构建四个输出尺度的特征图融合金字塔,并采用改进的非极大值抑制算法精准筛选最终的输出检测框。为降低正负样本不均衡带来的影像,一方面采用交叉熵损失函数,另一方面对训练数据集进行样本增强处理。实验结果表明,所提出模型在测试数据集上的检测精度明显优于对比模型,并且在不同场景下表现出良好的泛化能力,其测试速度可达到实时检测的水平。

关键词： 图像处理   水下图像复原   背景光估计   图像融合   暗通道先验  

摘要： 针对水下图像存在细节模糊和色彩失真等问题,基于水下光学成像模型,提出了一种融合暗通道先验和Retinex的方法。首先为避免场景中亮白区域影响,提出一种基于四叉树分解方法改进对背景光的估计,进一步分通道对透射率进行估计,引入自适应容差补偿机制,根据图像区域的明亮程度自适应修正透射率,并利用改进的导向滤波细化透射率,消除了图像块效应,利用优化的暗通道先验算法对图像进行清晰化处理得到复原图像;其次用Retinex算法提高水下图像对比度以及校正颜色畸变;然后依据复原图像与Retinex算法增强图像的特点进行像素级融合,最终得到复原后的水下图像。为定量评价复原算法,选取了信息熵、平均梯度和UIQM定量化评价因子。实验结果表明,所提算法在主观及客观评价方面均优于对比算法,为后续水下目标探测提供了研究基础。

关键词： 图像去雾   铁路电力巡检   YOLOv8   深度学习   目标检测   鸟窝识别   自动化检测系统  

摘要： 鉴于铁路运输安全的重要性,开发高效的电力巡检技术对于及时发现和预防线路问题变得尤为关键。本研究提出了一种基于可学习双边引导的图像去雾模型,结合最新的目标检测算法YOLOv8,旨在提高复杂环境下视频化铁路电力巡检中鸟窝检测的准确性和效率。该模型利用深度学习技术在低能见度条件下从大雾中恢复清晰图像,有效识别和定位潜在隐患。相较于传统方法和早期技术,实验显示本模型在速度和准确率方面显著优于现有技术。本研究不仅提高了铁路巡检的技术水平,也为图像处理技术的广泛应用开拓了新路径。